Το Pharos AI Factory ξεκινά μια σειρά μαθημάτων για όλα τα θέματα που σχετίζονται με HPC, AI, LLM και μηχανική μάθηση για διάφορους επιστημονικούς τομείς. Τα μαθήματα απευθύνονται σε οποιονδήποτε (αλλά κυρίως σε επαγγελματίες, ερευνητές όλων των τομέων, προγραμματιστές, ειδικούς σε AI, ML και LLM) που επιθυμεί να κατανοήσει τα βασικά στοιχεία του τρόπου με τον οποίο αυτές οι τεχνολογίες μπορούν να βελτιώσουν την απόδοση της επιχείρησής του ή την έρευνά του.
Τα εκπαιδευτικά μαθήματα του Pharos AI Factory
1ο μάθημα της σειράς εκπαιδευτικών σεμιναρίων PHAROS AI Factory “Βασικές αρχές της μηχανικής μάθησης“
Γλώσσα παρουσίασης: Ελληνικά.
Κοινό: Αυτό το μάθημα έχει σχεδιαστεί για αναλυτές δεδομένων, προγραμματιστές λογισμικού, επαγγελματίες του επιχειρηματικού τομέα και νέους στον τομέα της επιστήμης των δεδομένων που επιθυμούν να κατανοήσουν τις βασικές αρχές της μηχανικής μάθησης και της εξόρυξης δεδομένων.
Προαπαιτούμενα: Βασικές γνώσεις Python, βιβλιοθήκες Python (π.χ. pandas, numpy, scipy, scikit-learn, matplotlib).
Τοποθεσία: Διαδικτυακά μέσω Zoom.
Περιγραφή: Το μάθημα αυτό εξετάζει τις βασικές αρχές που απαιτούνται για τους επαγγελματίες της μηχανικής μάθησης, καλύπτοντας δύο βασικές διαστάσεις: η διερευνητική ανάλυση δεδομένων περιγράφει τις τεχνικές που απαιτούνται για την εξαγωγή στατιστικών στοιχείων, την οπτικοποίηση πληροφοριών και την εκτέλεση αλγορίθμων προεπεξεργασίας σε ένα δεδομένο σύνολο δεδομένων σε μορφή πίνακα. Επιπλέον, το μάθημα ολοκληρώνεται με βασικούς αλγόριθμους μηχανικής μάθησης για την ταξινόμηση δεδομένων, όπως η λογιστική παλινδρόμηση, τα naive bayes, τα δέντρα αποφάσεων και άλλες καθιερωμένες μέθοδοι.
Μαθησιακοί στόχοι
- Κατανόηση του ρόλου της διερευνητικής ανάλυσης δεδομένων (EDA) στην προετοιμασία δεδομένων για μηχανική μάθηση.
- Εκμάθηση τεχνικών για τη σύνοψη, την οπτικοποίηση και την προεπεξεργασία πίνακα δεδομένων.
- Απόκτηση γνώσεων σχετικά με βασικούς αλγόριθμους ταξινόμησης, όπως λογιστική παλινδρόμηση, naive Bayes και δέντρα αποφάσεων.
- Εξερεύνηση μεθόδων αξιολόγησης για την εκτίμηση και σύγκριση της απόδοσης μοντέλων.
Μπορείτε να δείτε το Υλικό του 1ου Μαθήματος εδώ και το βίντεο εδώ
2ο μάθημα της σειράς εκπαιδευτικών σεμιναρίων Pharos AI Factory “Εισαγωγή στο HPC“
Γλώσσα παρουσίασης: Ελληνικά.
Κοινό: Αυτό το μάθημα έχει σχεδιαστεί για επαγγελματίες και φοιτητές στους τομείς της ανάπτυξης λογισμικού, της επιστήμης των δεδομένων, της μηχανικής και σε συναφείς τομείς, για ομάδες που μεταβαίνουν από την εργασία με φορητούς υπολογιστές σε εθνικές/ευρωπαϊκές υπηρεσίες υπερυπολογιστών και για επαγγελματίες του κλάδου που ενδιαφέρονται για εφαρμογές Τεχνητής Νοημοσύνης και HPC.
Προαπαιτούμενα: Βασικές γνώσεις Python, βιβλιοθήκες Python (π.χ. pandas, numpy, scipy, scikit-learn, matplotlib).
Τοποθεσία: Διαδικτυακά μέσω Zoom.
Περιγραφή: Το μάθημα αποτελεί μέρος του προγράμματος σπουδών Pharos HPC και προσφέρει μια πρακτική διαδρομή από τον προσωπικό υπολογιστή στα ευρωπαϊκά κέντρα υπερυπολογιστών. Ξεκινά με μια σύντομη ρύθμιση και έλεγχο του εικονικού περιβάλλοντος εκπαίδευσης, δείχνοντας πώς να εντοπίζονται και να διορθώνονται κοινά προβλήματα, ώστε τα εργαλεία που χρησιμοποιούνται να λειτουργούν ομαλά. Στη συνέχεια, παρουσιάζεται το έργο Pharos, η αποστολή του και οι εκπαιδευτικές εκδηλώσεις του. Το πρακτικό μέρος χρησιμοποιεί το OpenMP για να δείξει τη βασική ιδέα της κατανομής της εργασίας μεταξύ των πυρήνων ενός μεμονωμένου μηχανήματος: γράφοντας μικρά παραδείγματα, εκτελώντας τα, χρονομετρώντας τα και μαθαίνοντας απλές συνήθειες που κάνουν τα προγράμματα πιο σαφή και γρήγορα. Στη συνέχεια, εξηγείται πώς λειτουργεί στην πράξη η πρόσβαση στους υπερυπολογιστές της ΕΕ, πώς να ζητηθεί πρόσβαση και παρουσιάζονται επίσης οι βασικές αρχιτεκτονικές. Τέλος, δείχνεται πώς να εκτελούνται εργασίες OpenMP μέσω ενός συστήματος ουράς (SLURM): περιγράφοντας τους πόρους που χρειάζεται μια εργασία, υποβάλλοντάς την, παρακολουθώντας την πρόοδό της, διαβάζοντας μηνύματα όταν κάτι πάει στραβά και εφαρμόζοντας μικρές, προσεκτικές αλλαγές για να γίνονται οι εκτελέσεις πιο αξιόπιστες.
Μαθησιακοί στόχοι
- Ρύθμιση και αντιμετώπιση προβλημάτων του εικονικού περιβάλλοντος που χρησιμοποιείται.
- Σύνταξη, εκτέλεση και αξιολόγηση μικρών παραδειγμάτων OpenMP που μοιράζονται την εργασία σε έναν υπολογιστή για τη βελτίωση της ταχύτητας.
- Πρόσβαση σε υπερυπολογιστές της ΕΕ και υποβολή αιτήσεων.
Μπορείτε να δείτε το Υλικό του 2ου Μαθήματος εδώ και το βίντεο εδώ
To Ελληνικό Εργοστάσιο Τεχνητής Νοημοσύνης Pharos AI
Το εργοστάσιο Τεχνητής Νοημοσύνης Pharos AI αποσκοπεί στο να αποτελέσει τον εθνικό κόμβο για την έρευνα, την ανάπτυξη και την εφαρμογή της Τεχνητής Νοημοσύνης (ΤΝ). Σχεδιασμένο για να αξιοποιήσει τις δυνατότητες του επερχόμενου ελληνικού εθνικού υπερυπολογιστή DAEDALUS, το Pharos τοποθετείται ως στρατηγικός πυλώνας στην πορεία της Ελλάδας και της ΕΕ προς τη δημοκρατικοποίηση, τη βιωσιμότητα και την καινοτομία της ΤΝ.
Ο Φάρος στοχεύει στη δημιουργία ενός αξιόπιστου και βιώσιμου οικοσυστήματος ΤΝ στην Ελλάδα, το οποίο γεφυρώνει το χάσμα μεταξύ ακαδημαϊκής κοινότητας, βιομηχανίας και δημόσιου τομέα, προωθώντας την ηθική καινοτομία στην ΤΝ και εστιάζοντας σε κρίσιμους τομείς, όπως Υγεία, Πολιτισμός – Γλώσσα και Βιωσιμότητα.
Οφέλη του έργου Pharos AI
Για νεοφυείς επιχειρήσεις και ΜΜΕ: Πρόσβαση σε προηγμένα εργαλεία τεχνητής νοημοσύνης και υποστήριξη για την κλιμάκωση λύσεων βασισμένων στην ΤΝ.
Για ερευνητές: Ευκαιρίες συνεργασίας σε έργα ΤΝ με πρόσβαση στο DAEDALUS.
Για τους πολίτες: Οι εξελίξεις που προκύπτουν από την ΤΝ στους τομείς της υγείας, του πολιτισμού και της βιωσιμότητας θα συμβάλουν στους στόχους ψηφιακού μετασχηματισμού της Ελλάδας και της Ευρωπαϊκής Ένωσης.
Υπό την ηγεσία των Εθνικών Υποδομών Έρευνας και Τεχνολογίας (GRNET) και με την υποστήριξη μιας κοινοπραξίας που περιλαμβάνει κορυφαία ακαδημαϊκά ιδρύματα, ερευνητικά κέντρα και συνεργάτες από τον επιχειρηματικό τομέα, το Pharos θα ενσωματώσει τεχνολογίες αιχμής, αρχές υπεύθυνης ΤΝ και καινοτόμες υπηρεσίες, με στόχο την ενδυνάμωση νεοφυών επιχειρήσεων, ΜΜΕ και ερευνητών. Οι συνεργατικές δράσεις με άλλες ευρωπαϊκές πρωτοβουλίες διασφαλίζουν την ένταξη του Pharos στο ευρωπαϊκό οικοσύστημα ΤΝ.
Κοινοπραξία Pharos:
- (Συντονιστής) Εθνικές Υποδομές Έρευνας και Τεχνολογίας (GRNET) με συνδεδεμένους φορείς: Κέντρο Έρευνας και Τεχνολογίας Ελλάδας (ΕΚΕΤΑ),
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ), Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών (ΕΚΠΑ), Ίδρυμα Τεχνολογίας και Έρευνας (ΙΤΕ),
Πανεπιστήμιο Πειραιώς, Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ) και ο συνεργαζόμενος φορέας ΗΔΙΚΑ. - Εθνικό Κέντρο Έρευνας Φυσικών Επιστημών «Δημόκριτος»
- Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ)
- Ερευνητικό Κέντρο «Αθηνά» (ATHENA)
- Υπερταμείο (Growthfund)
Ιστοσελίδα Pharos AI στο LinkedIn
Σελίδα των Εκπαιδευτικών Μαθημάτων από Pharos AI – The Greek AI Factory
