Pattern Recognition - Plan Szkolenia

W tym instruktażowym szkoleniu na żywo omówimy zasady działania sieci neuronowych i wykorzystamy OpenNN do zaimplementowania przykładowej aplikacji.

Wykład i dyskusja połączone z praktycznymi ćwiczeniami.

Dopasowywanie wzorców to technika używana do lokalizowania określonych wzorców na obrazie. Może być używana do określenia istnienia określonych cech w przechwyconym obrazie, na przykład oczekiwanej etykiety na wadliwym produkcie w linii produkcyjnej lub określonych wymiarów komponentu. Różni się od "Pattern Recognition" (który rozpoznaje ogólne wzorce w oparciu o większe zbiory powiązanych próbek) tym, że konkretnie dyktuje, czego szukamy, a następnie mówi nam, czy oczekiwany wzorzec istnieje, czy nie.

Ten kurs wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.

Kurs obejmuje sztuczną inteligencję (z naciskiem na Machine Learning i głębokie uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystywana w wielu sytuacjach w samochodzie: od prostej automatyzacji, rozpoznawania obrazu po autonomiczne podejmowanie decyzji.

Kurs ten został stworzony dla menadżerów, architektów, analityków biznesowych i systemowych, menedżerów oprogramowania oraz wszystkich zainteresowanych przeglądem stosowania sztucznej inteligencji i prognozą dla jej rozwoju.

Ten kurs jest przeznaczony dla osób, które nie mają wcześniejszego doświadczenia w zakresie prawdopodobieństwa i statystyki.

Sztuczna sieć neuronowa to obliczeniowy model danych wykorzystywany w rozwoju systemów sztucznej inteligencji (AI) zdolnych do wykonywania "inteligentnych" zadań. Sztuczne sieci neuronowe Neural Networks są powszechnie stosowane w aplikacjach uczenia maszynowego (ML), które same w sobie są jedną z implementacji sztucznej inteligencji. Deep Learning jest podzbiorem ML.

Jest to 4-dniowy kurs wprowadzający w sztuczną inteligencję i jej zastosowanie. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu;

Jest to 4-dniowy kurs wprowadzający sztuczną inteligencję i jej zastosowanie przy użyciu języka programowania Python. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu;

Ten kurs szkoleniowy jest przeznaczony dla osób, które chciałyby zastosować Machine Learning w praktycznych zastosowaniach.

Publiczność

Ten kurs jest przeznaczony dla naukowców zajmujących się danymi i statystyków, którzy mają pewne obycie ze statystyką i wiedzą, jak programować R (lub Python lub inny wybrany język). Kurs kładzie nacisk na praktyczne aspekty przygotowania danych/modeli, wykonania, analizy post hoc i wizualizacji.

Celem jest przedstawienie praktycznych zastosowań Machine Learning uczestnikom zainteresowanym zastosowaniem metod w pracy.

Aby szkolenie było odpowiednie dla odbiorców, wykorzystywane są przykłady specyficzne dla branży.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą używać Chainer do budowania i trenowania sieci neuronowych w Python, jednocześnie ułatwiając debugowanie kodu.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Ustawienie środowiska programistycznego niezbędnego do rozpoczęcia tworzenia modeli sieci neuronowych.
• Definiowanie i wdrażanie modeli sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonaj przykłady i zmodyfikuj istniejące algorytmy, aby zoptymalizować modele szkoleniowe głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów i analityków danych, którzy chcą nauczyć się podstaw Deep Reinforcement Learning podczas tworzenia agenta Deep Learning.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie kluczowych koncepcji stojących za Deep Reinforcement Learning i umiejętność odróżnienia go od uczenia maszynowego.
• Zastosowanie zaawansowanych algorytmów Reinforcement Learning do rozwiązywania rzeczywistych problemów.
• Zbuduj agenta głębokiego uczenia.

Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej ze studentami na Lasagne lub Keras w zależności od grupy dydaktycznej.

Metoda nauczania: prezentacja, dyskusja i studia przypadków

Sztuczna inteligencja zrewolucjonizowała wiele dziedzin nauki, a obecnie zaczyna rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od realiów domen Machine Learning i Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy już opanowali narzędzia informatyczne (w tym podstawową wiedzę na temat programowania oprogramowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych istniejących obecnie architektur sieciowych. Chociaż podstawy matematyczne są przywoływane podczas kursu, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. Całkowicie możliwe jest pominięcie matematyki w celu zachowania jedynie wizji "systemów", ale takie podejście znacznie ograniczy zrozumienie tematu.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą dowiedzieć się o zastosowaniu sztucznej inteligencji w systemach mechatronicznych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Poznanie zagadnień związanych ze sztuczną inteligencją, uczeniem maszynowym i inteligencją obliczeniową.
• Zrozumienie koncepcji sieci neuronowych i różnych metod uczenia się.
• Wybieranie skutecznych metod sztucznej inteligencji dla rzeczywistych problemów.
• Wdrażanie aplikacji sztucznej inteligencji w inżynierii mechatronicznej.

Szkolenie skierowane jest do osób, które chcą zapoznać się z podstawami sieci neuronowych oraz ich zastosowań.

Ten kurs zapewni Ci wiedzę na temat sieci neuronowych i ogólnie na temat algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).

To szkolenie skupia się bardziej na podstawach, ale pomoże Ci wybrać odpowiednią technologię: TensorFlow, Caffe, Teano, DeepDrive, Keras itp. Przykłady znajdują się w TensorFlow.