Цього року я приєднався до програми сертифікації з прикладного генеративного ШІ від університету Джонса Хопкінса, яку організовує у партнерстві з компанією Great Learning. Моя мета була не просто пройти ще один курс чи буткемп, а заглибитися в суть ШІ і створити реальне застосування цих технологій.
Працюючи в Dow Jones у сфері нових продажів бізнесу, я консультував клієнтів щодо ризиків і комплаєнсу, обробки новин в реальному часі та аналізу потоків даних для портфоліо та прогнозного моделювання. Я бачив, як генеративний ШІ трансформує фінансові процеси — від автоматичних ринкових інсайтів до виявлення порушень. Але для мене було важливо не лише говорити про ШІ, а й зрозуміти його, розробити, налагодити і застосувати.
Що стосується програми, то вона була для мене корисною, але я вважаю, що вона підійде не кожному. Якщо ви вже є досвідченим дата-сайентістом або інженером, цей курс може здатися надто простим. Окрім того, якщо вам не цікаво вчити Python чи працювати з Google Colab, ви, ймовірно, не отримаєте багато користі. Цей курс не є безкодовим і не має поверхневих знань — це курс для професіоналів середнього рівня, таких як аналітики, лідери продуктів або розробники, які хочуть отримати практичні навички у технічних аспектах та створювати проєкти.
Що робить цей курс таким ефективним, так це його структура. Це не просто лекції, а практичні заняття з кодування на Python, керовані робочі процеси для LLM, агентів та розробки запитів, менторство від викладачів, які мають досвід роботи в академії та промисловості, а також реальні проєкти з використанням таких інструментів, як LangChain і LangGraph.
На першому тижні курсу ми ознайомилися з генеративними і дискримінативними моделями, векторними ембеддінгами та базовою архітектурою трансформерів. А на другому тижні ми почали працювати з кодом на Python, створюючи скрипти, відлагоджуючи їх і інтегруючи ChatGPT як партнера з програмування.
Далі ми працювали з реальними кейсами, наприклад, вирішували проблему з більш ніж 300 000 невірно поданих адрес для розповсюдження тестових наборів на COVID. Моделі NLP, зокрема Random Forest та Neural Networks, значно перевершили ручний перегляд, і регулярні вирази допомогли значно покращити точність.
На наступних тижнях ми досліджували машинне навчання за допомогою реальних, нерівноважних даних для прогнозування якості вина, працювали з NLP і LLM, а також вивчали принципи відповідального ШІ, такі як F.A.I.R.S.T. (Чесність, Відповідальність, Цілісність, Міцність, Безпека, Довіра). Вивчали, як побудувати автономних агентів за допомогою LangGraph і реалізовували проєкти, що використовують історичні дані та LLM для виявлення трендів.
Щодо вартості, програма коштує $2,950, але є знижки, і я вважаю, що ця ціна є справедливою, зважаючи на рівень навчання та результати.
Якщо ви хочете стати технічним фахівцем або хочете зрозуміти, як працюють сучасні технології, цей курс підійде вам. Однак будьте готові до того, що вам доведеться програмувати, вчити Python, відлагоджувати код, щотижня використовувати Google Colab і думати критично щодо етики ШІ.
Щодо моїх майбутніх проєктів, я працюю над ботом для аналізу акцій на Python, і це лише початок. З впевненістю можу сказати, що цей курс відкриває нові можливості для кар'єри, якщо ви готові працювати над розвитком своїх навичок.
Перекладено з: Mastering Java Streams: Real-World Use Cases for Interviews and Beyond