Wzorce rozpoznawania - Plan Szkolenia

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.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest przeznaczone dla uczestników na poziomie początkującego, którzy chcą nauczyć się podstawowych pojęć z zakresu prawdopodobieństwa, statystyki, programowania i uczenia maszynowego, a następnie zastosować je w rozwoju sztucznej inteligencji.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Rozumieć podstawowe pojęcia z prawdopodobieństwa i statystyki oraz zastosować je w realnych scenariuszach.
• Pisać i rozumieć kod programowania w stylach proceduralnym, funkcjonalnym i obiektowym.
• Wdrażać techniki uczenia maszynowego, takie jak klasyfikacja, klastrowanie i sieci neuronowe.
• Tworzyć rozwiązania AI za pomocą silników reguł i systemów ekspertów do rozwiązywania problemów.

Sztuczna sieć neuronowa to obliczeniowy model danych wykorzystywany w rozwoju Artificial Intelligence (AI) systemów zdolnych do wykonywania "inteligentnych" zadań. Neural Networks są powszechnie używane w aplikacjach Machine Learning (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 odbycia dodatkowego dnia w celu podjęcia 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.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, skierowane jest do pośrednio zaawansowanych naukowców danych i statystyków, którzy chcą przygotować dane, budować modele oraz stosować techniki uczenia maszynowego w swoich zawodowych dziedzinach.

Po ukończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć i wdrażać różne algorytmy Machine Learning.
• Przygotowywać dane i modele do zastosowań uczenia maszynowego.
• Przeprowadzać analizy post hoc i skutecznie wizualizować wyniki.
• Zastosować techniki uczenia maszynowego w rzeczywistych, sektoralnych scenariuszach.

To prowadzone przez instruktora szkolenie na żywo w Polsce (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.

Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
• Definiować i wdrażać modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli szkoleniowych głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.

Deep Reinforcement Learning (DRL) łączy zasady uczenia przez wzmocnienie z architekturami deep learning, aby umożliwić agentom podejmowanie decyzji przez interakcję z ich otoczeniem. Jest fundamentem wielu współczesnych osiągnięć w dziedzinie sztucznej inteligencji, takich jak samochody bez kierowcy, kontrola robotów, handlowanie algorytmiczne i adaptacyjne systemy rekomendacji. DRL pozwala sztucznemu agentowi uczyć się strategii, optymalizować polityki i podejmować autonomiczne decyzje na podstawie prób i błędów przy użyciu uczenia opierającego się na nagrodach.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest przeznaczone dla developerów i naukowców danych na poziomie średniozaawansowanym, którzy chcą nauczyć się i zastosować techniki Deep Reinforcement Learning w celu budowy inteligentnych agentów zdolnych do autonomicznego podejmowania decyzji w złożonych środowiskach.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zrozumieć teoretyczne podstawy i matematyczne zasady uczenia przez wzmocnienie.
• Wdrożyć kluczowe algorytmy RL, w tym Q-Learning, gradienty polityki i metody Actor-Critic.
• Budować i trenować agenty Deep Reinforcement Learning przy użyciu TensorFlow lub PyTorch.
• Zastosować DRL w realnych aplikacjach, takich jak gry, robotyka i optymalizacja decyzji.
• Diagnostykować, wizualizować i optymalizować wydajność treningu przy użyciu nowoczesnych narzędzi.

Format kursu

• Interaktywne wykłady i prowadzone dyskusje.
• Ćwiczenia praktyczne i implementacje.
• Żywe demonstracje kodowania i aplikacje oparte na projektach.

Opcje dostosowania kursu

• Aby złożyć wniosek o dostosowaną wersję tego kursu (np. używając PyTorch zamiast TensorFlow), skontaktuj się z nami w celu umówienia.

Szkolenie jest przeznaczone dla osób, które chcą poznać podstawy sieci neuronowych i ich zastosowań.

Ta sesja szkoleniowa w klasie będzie zawierać prezentacje i przykłady komputerowe oraz ćwiczenia studium przypadku do wykonania z odpowiednimi bibliotekami sieci neuronowych i sieci głębokich

Pattern Matching 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 określa, czego szukamy, a następnie mówi nam, czy oczekiwany wzorzec istnieje, czy nie.

Format kursu

• Kurs ten wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.

Ten kurs jest wprowadzeniem do stosowania sieci neuronowych w rzeczywistych problemach przy użyciu oprogramowania R-project.

Kurs ten zaczyna się od przedstawienia wiedzy koncepcyjnej na temat sieci neuronowych i ogólnie algorytmów uczenia maszynowego, glebokiego uczenia (algorytmy i zastosowania).

Część 1 (40%) tego szkolenia koncentruje się na podstawach, ale pomoże Ci w wyborze odpowiedniej technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras itp.

Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Pythona ułatwiającą tworzenie modeli głębokiego uczenia.

Część 3 (40%) szkolenia będzie intensywnie oparta na TensorFlow - API biblioteki oprogramowania open source firmy Google do Głębokiego Uczenia. Przykłady i zadania praktyczne zostaną wykonane w TensorFlow.

Grupa docelowa

Kurs ten jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach głębokiego uczenia.

Po ukończeniu tego kursu uczestnicy będą mogli:

• zrozumieć głębokie sieci neuronowe (DNN), CNN i RNN
• zrozumieć strukturę TensorFlow oraz mechanizmy wdrażania
• wykonywać zadania związane z instalacją, środowiskiem produkcyjnym i architekturą, konfiguracją
• oceniać jakość kodu, wykonywać debugowanie, monitorowanie
• implementować zaawansowane zadania produkcyjne, takie jak trening modeli, budowanie grafów i logowanie

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą poznać najnowocześniejsze techniki XAI dla modeli głębokiego uczenia się, z naciskiem na budowanie interpretowalnych systemów sztucznej inteligencji.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć wyzwania związane z wyjaśnialnością w głębokim uczeniu się.
• Wdrożyć zaawansowane techniki XAI dla sieci neuronowych.
• Interpretować decyzje podejmowane przez modele głębokiego uczenia.
• Ocenić kompromisy między wydajnością a przejrzystością.