IBM 生成式 AI 工程專業證書

培養雇主所需的就業就緒的生成式 AI ( GenAI )技能。在短短 6 個月內培養備受追捧的生成式 AI ( GenAI )工程技能和實務經驗。無需任何經驗。

關於此專業課程

到 2030 年，生成式 AI ( GenAI ) 市場預計將以超過 46% 的複合年增長率成長（ CAGR, Statista）。對具有 GenAI 工程技能的技術專業人員的需求正在激增！

IBM 生成式 AI 工程專業證書為有抱負的生成式 AI 工程師、人工智慧開發人員、資料科學家、機器學習工程師和人工智慧研究工程師提供了生成式 AI、大型語言模型( LLM ) 和自然語言處理( NLP ) 方面的基本技能，以便引起雇主的注意。

GenAI 工程師使用 transformer (轉換器)和 LLM 設計可產生新資料（如圖像、文字、音訊和視訊）的 AI 系統。在該課程中，您將深入研究人工智慧、GenAI 和 Prompt Engineering (提示工程)，以及使用 Python 進行資料分析、機器學習和深度學習。您將使用 SciPy 和 scikit-learn 等程式庫( libraries )，並使用 BERT、GPT 和 LLaMA 等框架和模型建立應用程式。您將使用 Hugging Face Transformers、PyTorch、RAG 和 LangChain 開發和部署基於 LLM NLP 的應用程式，同時探索標記化、語言模型和轉換器技術。

您還將在實踐實驗室和專案中獲得豐富的實踐經驗，可以在面試中談論這些經驗。此外，您還將完成一個重要的指導專案，在其中創建您自己的真實世界 GenAI 應用程式。

如果您渴望憑藉雇主急需的人工智慧技能脫穎而出，請立即報名，並在不到 6 個月的時間內改變您的職業機會。

到官方網站了解本課程與上課

應用的學習專案

雇主尋求的實務經驗

實務經驗在求職面試中扮演重要角色。此專業證書可為您提供寶貴的實務經驗，向雇主證明您具備所需的條件！

實際工作包括：

透過生成式 AI 產生文字、圖像和程式碼
應用 Prompt Engineering (提示工程)技術和最佳實踐
使用 Python 建立多代 AI 應用程式並使用 Flask 進行部署
建立 NLP 資料載入器
使用神經網路開發和訓練簡單的語言模型
應用 transformer (轉換器)進行分類，並建立和評估翻譯模型
執行提示工程和情境學習
微調模型以提高性能
使用 LangChain 工具和元件來滿足不同的應用需求
在一個重要的指導專案中，使用 RAG 和 LangChain 建立 AI 代理和應用程式。

你將學到的內容有

短短 6 個月內，雇主迫切需要的 GenAI、機器學習、深度學習、NLP 應用和大型語言模式等就業技能。
使用 Flask、SciPy 和 ScikitLearn、Keras 和 PyTorch 等 Python 程式庫建置和部署生成式 AI 應用程式、代理程式和聊天機器人。
關鍵 GenAI 架構和 NLP 模型，以及如何應用提示工程、模型訓練和微調等技術。
使用 RAG 和 LangChain 等框架，將 BERT 等 transformers 和 GPT 等 LLM 應用於 NLP 任務。

你將獲得的技能：

PyTorch（機器學習程式庫）	Hugging Face (NLP 框架)	RAG
LangChain	大型語言模型( LLM )	生成式人工智慧技術

字幕

英文

製作方

IBM

在 IBM，我們知道科技發展的速度有多快，並認識到企業和專業人士迫切需要快速培養就業所需的實務技能。作為市場領先的技術創新者，我們致力於幫助您在這個充滿活力的環境中蓬勃發展。透過IBM 技能網絡，我們在人工智慧、軟體開發、網路安全、資料科學、業務管理等領域精心設計的培訓計劃可為您提供獲得第一份工作、提升職業生涯或推動業務成功所需的基本技能。無論您是在提升自己還是團隊的技能，我們的課程、專業化和專業證書都可培養技術專長，確保您和您的組織在競爭激烈的世界中脫穎而出。

第 1 門課程人工智慧（AI）簡介

你將學到的內容有

描述什麼是 AI 並解釋與 AI 相關的核心概念
展示 AI 應用和用例如何改變我們的生活和工作
認識到 AI 對改變企業和職業的潛力和影響
描述圍繞 AI 的問題、限制和道德問題

你將獲得的技能：

生成式 AI 應用	檢索增強生成(Retrieval augmented generation，RAG)	向量資料庫
LangChain	Gradio	向量資料庫

第 2 門課程生成式 AI：介紹與應用

你將學到的內容有

描述生成式 AI 並將其與判別式人工智慧區分開來。
描述生成式 AI 的能力及其在現實世界中的用例。
確定生成式 AI 在不同部門和產業的應用。
探索用於文字、程式碼、圖像、音訊和視訊生成的常見生成式 AI 模型和工具。

你將獲得的技能：

Python 程式設計	應用程式開發	Web 應用程式
Flask	人工智慧 (Artificial Intelligence，AI)

第 3 門課程生成式 AI : Prompt Engineering 基礎知識

你將學到的內容有

解釋生成式 AI 模型中 Prompt Engineering (提示工程)的概念和相關性。
應用創建提示的最佳實踐並探索有影響力的提示的範例。
練習常見的提示工程技術和方法來編寫有效的提示。
探索常用的提示工程工具，以協助提示工程。

你將獲得的技能：

模型選擇	資料分析	Python程式設計
資料視覺化	預測建模

第 4 門課程 Python – 於資料科學、人工智慧和開發

你將學到的內容有

學習 Python－最流行的程式語言以及資料科學和軟體開發。
應用 Python 程式設計邏輯變數、資料結構、分支、循環、函數、物件和類別。
展示使用 Pandas 和 Numpy 等 Python 函式庫以及使用 Jupyter Notebooks 開發程式碼的熟練程度。
使用 API 和 Python 程式庫（例如 Beautiful Soup）存取和抓取網路資料。

你將獲得的技能：

資料科學	資料分析	Python程式設計
Numpy	Pandas

第 5 門課程使用 Python 和 Flask 開發 AI 應用程式

你將學到的內容有

描述創建 Python 應用程式所涉及的步驟和流程，包括應用程式開發生命週期
創建 Python 模組、運行單元測試和打包應用程序，同時確保 PEP8 編碼最佳實踐
講解Flask的特性，並使用Flask框架在Web上部署應用程式
使用 IBM Watson AI Libraries 和 Flask 建立基於 AI 的應用程式並將其部署到 Web 伺服器上

你將獲得的技能：

人工智慧（AI）	人工神經網路	機器學習
深度學習	keras

第 6 門課程使用 Python 建立生成式 AI 支援的應用程式

你將學到的內容有

講解生成式 AI 模式、AI 技術和 AI 平台（如 IBM watsonx 和 Hugging Face）的核心概念。
使用 RAG 技術整合和增強大型語言模型 (LLM)，為應用程式和聊天機器人注入智慧。
利用 Flask 和 Gradio 等 Python 函式庫來建立與生成式 AI 模型互動的 Web 應用程式。
使用生成式 AI 模型、Python 和相關框架建立生成式 AI 驅動的應用程式和聊天機器人。

你將獲得的技能：

檢索增強生成 (Retrieval augmented generation，RAG)	情境學習與提示工程	LangChain
向量資料庫	聊天機器人( Chatbots )

第 7 門課程使用 Python 進行資料分析

你將學到的內容有

開發 Python 程式碼來清理和準備資料以供分析 – 包括處理缺失值、格式化、標準化和分箱數據
使用 Pandas、Numpy 和 Scipy 等程式庫執行探索性資料分析並將分析技術應用於真實資料集
使用資料框處理數據，匯總資料，了解資料分佈，執行關聯並建立資料管道
使用機器學習 scikit-learn 程式庫建立和評估回歸模型，並將其用於預測和決策

你將獲得的技能：

強化學習	近端策略優化( Proximal policy optimization，PPO)	強化學習
直接偏好優化( Direct preference optimization，DPO)	Hugging Face	指令調優

第 8 門課程使用 Python 進行機器學習

你將學到的內容有

只需 6 週即可掌握可用於工作的 Python 基礎機器學習技能，包括如何利用 Scikit-learn 建置、測試和評估模型。
如何應用資料準備技術並管理偏差-方差權衡以最佳化模型效能。
如何實作核心機器學習演算法，包括線性迴歸、決策樹和 SVM，用於分類和迴歸任務。
如何使用指標、交叉驗證和超參數調整來評估模型效能，以確保準確性和可靠性。

你將獲得的技能：

機器學習	聚類	迴歸
分類	SciPy 和 scikit-learn

第 9 門課程 Keras 深度學習與神經網路簡介

你將學到的內容有

想要開始深度學習職涯嗎？別再尋找了。本課程將向您介紹深度學習領域，並幫助您回答人們現在提出的許多問題，例如什麼是深度學習，以及深度學習模型與人工神經網路相比如何？您將了解不同的深度學習模型，並使用 Keras 程式庫( library )建立您的第一個深度學習模型。

完成本課程後，學習者將能夠：

描述什麼是神經網路，什麼是深度學習模型，以及它們之間的差異。
展現對自動編碼器( autoencoders )和受限玻爾茲曼機( restricted Boltzmann machines )等無監督深度學習模型的理解。
展現對卷積神經網路( convolutional neural networks )和循環網路( recurrent networks )等監督深度學習模型的理解。
使用 Keras 程式庫建立深度學習模型和網路。

你將獲得的技能：

微調 LLM	LoRA 和 QLoRA	預訓練 transformers
PyTorch	Hugging Face

第 10 門課程生成式 AI 和 LLMs：架構和資料準備

你將學到的內容有

區分生成式 AI 架構和模型，例如 RNN、Transformers、VAE、GAN 和擴散模型。
描述 GPT、BERT、BART 和 T5 等 LLM 如何在語言處理中使用。
使用 NLTK、spaCy、BertTokenizer 和 XLNetTokenizer 等 NLP 程式庫( libraries )實現標記化以預處理原始文字資料。
使用 PyTorch 建立 NLP 資料載入器，對文字資料進行標記化、數值化和填充。
使用 Keras 程式庫建立深度學習模型和網路。

你將獲得的技能：

Transformer 的雙向表示( Bidirectional Representation for Transformers，BERT)	位置編碼和遮罩	生成式預訓練 Transformer ( Generative pre-trained transformers，GPT)
語言轉換(Language transformation)	PyTorch 函數

第 11 門課程 Gen AI NLP 與語言理解基礎模型

你將學到的內容有

解釋如何使用獨熱編碼、詞袋、嵌入和嵌入袋將單字轉換為特徵。
建置並使用 word2vec 模型進行上下文嵌入。
使用神經網路建構並訓練一個簡單的語言模型。
利用 N-gram 和序列到序列模型進行文件分類、文字分析和序列轉換。

你將獲得的技能：

語音助理	聊天機器人	Python程式設計

第 12 門課程使用 Transformers 進行生成式 AI 語言建模

你將學到的內容有

解釋 Transformer 中注意力機制的概念，包括它們在捕捉上下文資訊中的作用。
使用基於解碼器的 GPT 和基於編碼器的 BERT 描述語言建模。
實現位置編碼、遮罩、注意力機制、文件分類，並創建類似 GPT 和 BERT 的 LLM。
使用基於 transformer (轉換器)的模型和 PyTorch 函數進行文字分類、語言翻譯和建模。

你將獲得的技能：

人工智慧（AI）	ChatGPT	大型語言模式( LLM )
自然語言生成	生成式 AI ( Generative AI )

第 13 門課程生成式 AI 工程與微調 Transformers

你將學到的內容有

企業需要掌握熱門的就業技能，使用基於轉換器的 LLM 進行生成式 AI 工程……只需 1 週即可完成。
如何使用 LoRA 和 QLoRA 執行參數高效能微調 (PEFT)
如何使用預先訓練的 transformers 執行語言任務並針對特定任務進行微調。
如何使用 Hugging Face 載入模型及其推理並訓練模型。

你將獲得的技能：

N-Gram	PyTorch torchtext	NLP 的 GenAI
Word2Vec 模型	序列到序列模型

第 14 門課程 LLMs 的生成式 AI 高階微調

你將學到的內容有

雇主在短短兩週內積極尋找需求旺盛的微調大型語言模型 (LLM) GenAI 工程技能
使用 Hugging Face 進行指令調整和獎勵建模( reward modeling )，以及使用 LLM 作為策略和 RLHF
使用分區函數和 Hugging Face 進行直接偏好優化 (DPO) 以及如何創建 DPO 問題的最佳解決方案
如何將近端策略優化 (PPO) 與 Hugging Face 結合使用來建立評分函數並執行資料集標記

獎勵建模 ( reward modeling ) : 機器學習中的一種技術，特別是強化學習中的一種技術，其中訓練一個模型根據輸入預測「獎勵」分數，本質上充當人類偏好的代理，引導另一個模型學習並優化其行為以實現期望的結果與這些偏好相一致；它通常與人類反饋結合使用來微調人工智慧系統，尤其是大型語言模型，以更好地滿足人類的期望。