Plan Szkolenia

Wprowadzenie i wybór zespołu Use Case

  • Przegląd sztucznej inteligencji w środowiskach przemysłowych
  • Kategorie przypadków użytkowania: jakość, konserwacja, energia, logistyka
  • Formowanie zespołu i określanie celów projektu

Rozumienie i przygotowanie danych przemysłowych

  • Typy danych przemysłowych: szereg czasowy, tablicowy, obrazowy, tekstowy
  • Zbieranie, czyszczenie i przygotowanie danych
  • Analiza eksploracyjna danych z Pandas i Matplotlib

Wybór modelu i prototypowanie

  • Wybór między regresją, klasyfikacją, klastryzacją lub wykrywaniem anomalii
  • Trenowanie i ocena modeli z Scikit-learn
  • Używanie TensorFlow lub PyTorch do zaawansowanego modelowania

Wizualizacja i interpretacja wyników

  • Tworzenie intuicyjnych panelów sterowania lub raportów
  • Interpretacja wskaźników wydajności (dokładność, precyzja, pełność)
  • Dokumentowanie założeń i ograniczeń

Symulacja wdrożenia i opinii zwrotnej

  • Symulowanie scenariuszy wdrożenia na krawędzi/ w chmurze
  • Zbieranie opinii zwrotnej i poprawianie modeli
  • Strategie integracji z operacjami

Rozwój projektu końcowego

  • Finalizowanie i testowanie prototypów zespołu
  • Przegląd przez rówieśników i wspólne usuwanie błędów
  • Przygotowanie prezentacji projektu i podsumowania technicznego

Prezentacje zespołów i zakończenie

  • Prezentowanie koncepcji i wyników rozwiązań AI
  • Refleksja grupy i lekcje wyciągnięte
  • Plan rozwoju przypadków użytkowania w organizacji

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie procesów produkcji lub przemysłowych
  • Doświadczenie z Python i podstawowym uczeniem maszynowym
  • Umiejętność pracy z danymi strukturalizowanymi i niesstrukturalizowanymi

Grupa docelowa

  • Zespoły wielodyscyplinarne
  • Inżynierowie
  • Specjaliści ds. danych
  • Specjaliści IT
 21 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie