Plan Szkolenia

Wprowadzenie i wybór przypadku użycia przez zespół

  • Przegląd AI w środowiskach przemysłowych
  • Kategorie przypadków użycia: jakość, konserwacja, energia, logistyka
  • Formowanie zespołu i określenie celów projektu

Zrozumienie i przygotowanie danych przemysłowych

  • Rodzaje danych przemysłowych: szeregi czasowe, tabelaryczne, obrazowe, tekstowe
  • Pozyskiwanie, czyszczenie i wstępne przetwarzanie danych
  • Eksploracyjna analiza danych z użyciem Pandas i Matplotlib

Wybór modelu i prototypowanie

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

Wizualizacja i interpretacja wyników

  • Tworzenie intuicyjnych paneli sterowania lub raportów
  • Interpretacja metryk wydajności (dokładność, precyzja, czułość)
  • Dokumentowanie założeń i ograniczeń

Symulacja wdrożenia i feedback

  • Symulowanie scenariuszy wdrożenia na krawędzi/w chmurze
  • Zbieranie feedbacku i ulepszanie modeli
  • Strategie integracji z operacjami

Rozwój projektu końcowego

  • Finalizowanie i testowanie prototypów zespołu
  • Przegląd koleżeński i wspólne debugowanie
  • Przygotowanie prezentacji projektu i podsumowania technicznego

Prezentacje zespołów i podsumowanie

  • Prezentacja koncepcji i wyników rozwiązań AI
  • Refleksja grupowa i wnioski
  • Plan skalowania przypadków użycia w organizacji

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie procesów produkcyjnych lub przemysłowych
  • Doświadczenie w Pythonie i podstawy uczenia maszynowego
  • Umiejętność pracy z danymi strukturalnymi i niestrukturalnymi

Grupa docelowa

  • Międzyfunkcyjne zespoły
  • Inżynierowie
  • Data scientists
  • Specjaliści IT
 21 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie