Uczenie głębokie z nagradzaniem za pomocą języka Python - 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 z myślą o menedżerach, architektach rozwiązań, specjalistach ds. innowacji, CTO, architektach oprogramowania i wszystkich, którzy są zainteresowani przeglądem stosowanej sztucznej inteligencji i najbliższymi prognozami 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.

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 ten szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Dotyka ono praktycznych zastosowań w statystyce, informatyce, przetwarzaniu sygnałów, komputerowym rozpoznawaniu wzorców, górnictwie danych i bioinformatyce.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zastosować podstawowe metody statystyczne do rozpoznawania wzorców.
• Wykorzystać kluczowe modele, takie jak sieci neuronowe i metody jąder do analizy danych.
• Wdrożyć zaawansowane techniki do rozwiązywania złożonych problemów.
• Poprawić dokładność prognoz łącząc różne modele.

To szkolenie prowadzone przez instruktora w trybie Polsce (online lub stacjonarnym) jest przeznaczone dla zaawansowanych inżynierów uczenia maszynowego i badaczy sztucznej inteligencji, którzy chcą zastosować RLHF do doszlifowania dużych modeli AI w celu uzyskania lepszej wydajności, bezpieczeństwa i zgodności.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć teoretyczne podstawy RLHF i dlaczego jest ono kluczowe w współczesnym rozwoju sztucznej inteligencji.
• Wdrożyć modele nagród opartych na opinii człowieka, aby kierować procesami uczenia wzmocnionego.
• Doszkolić duże modele językowe za pomocą technik RLHF, aby dostosować wyniki do preferencji człowieka.
• Zastosować najlepsze praktyki w zakresie skalowania procesów RLHF dla systemów sztucznej inteligencji przeznaczonych do produkcji.

To szkolenie prowadzone przez instruktora w Polsce (online lub stacjonarnie) jest skierowane do data scientistów średniego poziomu, którzy chcą zdobyć wszechstronne zrozumienie i praktyczne umiejętności w dziedzinie zarówno Wielkich Modeli Językowych (LLMs), jak i Uczącego się przez Wzmocnienie (RL).

Po ukończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć składniki i funkcjonalności modeli transformer.
• Optymalizować i dostosowywać LLMs do konkretnych zadań i aplikacji.
• Zrozumieć podstawowe zasady i metodyki uczenia się przez wzmocnienie.
• Nauczyć się, jak techniki uczenia się przez wzmocnienie mogą poprawiać wydajność LLMs.

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

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza tradycyjne podejście do uczenia maszynowego, aby nauczyć program komputerowy rozwiązywania problemów bez użycia oznaczonych danych i dużych zbiorów danych.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zainstalować i zastosować biblioteki i język programowania potrzebne do wdrożenia Reinforcement Learning.
• Stworzyć agenta oprogramowania, który jest w stanie uczyć się poprzez informacje zwrotne zamiast poprzez nadzorowane uczenie się.
• Zaprogramować agenta do rozwiązywania problemów, w których podejmowanie decyzji jest sekwencyjne i skończone.
• Zastosować wiedzę do zaprojektowania oprogramowania, które może uczyć się w sposób podobny do tego, w jaki uczą się ludzie.

Trening prowadzony przez instruktora (online lub na miejscu) jest skierowany do profesjonalistów zaawansowanego poziomu, którzy chcą pogłębić swoją wiedzę na temat uczenia z wzmocnieniem i jego praktycznych zastosowań w rozwoju sztucznej inteligencji za pomocą Google Colab.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawowe koncepcje algorytmów uczenia z wzmocnieniem.
• Implementować modele uczenia z wzmocnieniem za pomocą TensorFlow i OpenAI Gym.
• Tworzyć inteligentnych agentów, którzy uczą się przez próbę i błąd.
• Optymalizować wydajność agentów za pomocą zaawansowanych technik, takich jak Q-learning i głębokie sieci Q (DQNs).
• Trenować agentów w symulowanych środowiskach za pomocą OpenAI Gym.
• Wdrażać modele uczenia z wzmocnieniem w zastosowaniach rzeczywistych.

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

W tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy dowiedzą się, jak wykorzystać innowacje w procesorach TPU, aby maksymalnie poprawić wydajność swoich własnych aplikacji AI.

Na koniec szkolenia uczestnicy będą w stanie:

• Trenować różne typy sieci neuronowych na dużych ilościach danych.
• Używać TPU do przyspieszenia procesu inferencji o dwa rzędy wielkości.
• Wykorzystywać TPU do przetwarzania wymagających aplikacji, takich jak wyszukiwanie obrazów, widzenie w chmurze i zdjęcia.

Ten kurs rozpoczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych oraz ogólnie o algorytmach uczenia maszynowego, uczenia głębokiego (algorytmy i zastosowania).

Część 1 (40%) tego szkolenia skupia się bardziej na podstawach, ale pomoże Ci wybrać odpowiednią technologię: TensorFlow, Caffe, Theano, DeepDrive, Keras, itd.

Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Python, która ułatwia tworzenie modeli uczenia głębokiego.

Część 3 (40%) szkolenia będzie oparta głównie na TensorFlow - 2-generacyjnej API biblioteki oprogramowania Google open source dla Deep Learning. Przykłady i ćwiczenia praktyczne będą wykonywane w TensorFlow.

Grupa docelowa

Ten kurs jest przeznaczony dla inżynierów, którzy chcą używać TensorFlow w swoich projektach Deep Learning.

Po ukończeniu tego kursu uczestnicy:

• będą mieli dobre zrozumienie sieci neuronowych głębokich (DNN), CNN i RNN

• zrozumieją strukturę i mechanizmy wdrażania TensorFlow

• będą w stanie wykonać zadania związane z instalacją, środowiskiem produkcyjnym, architekturą i konfiguracją

• będą w stanie oceniać jakość kodu, wykonywać debugowanie i monitorowanie

• będą w stanie wdrażać zaawansowane produkcyjne funkcje, takie jak trenowanie modeli, budowanie grafów i logowanie