Introduction to the use of neural networks - 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.

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.

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.

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.

Trening prowadzony przez instruktora w Polsce (online lub stacjonarnie) jest skierowany do inżynierów, którzy chcą poznać zastosowanie sztucznej inteligencji w systemach mechatronicznych.

Na koniec tego treningu uczestnicy będą w stanie:

• Zdobyć podstawową wiedzę na temat sztucznej inteligencji, uczenia maszynowego i obliczeń inteligentnych.
• Zrozumieć koncepcje sieci neuronowych i różnych metod nauki.
• Efektywnie wybierać podejścia sztucznej inteligencji do rozwiązywania problemów z życia codziennego.
• Implementować aplikacje AI w inżynierii mechatronicznej.

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

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

W tym szkoleniu prowadzonym przez instruktora w Polsce, uczestnicy nauczą się, jak skorzystać z innowacji w procesorach TPU, aby maksymalizować wydajność własnych aplikacji AI.

Po zakończeniu szkolenia uczestnicy będą w stanie:

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

Ten kurs rozpoczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych i ogólnie algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).

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

Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia się.

Część trzecia (40%) szkolenia będzie w znacznym stopniu oparta na Tensorflow - API drugiej generacji otwartej biblioteki oprogramowania Google do uczenia głębokiego. Przykłady i ćwiczenia zostaną wykonane w TensorFlow.

Uczestnicy

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

Po ukończeniu tego kursu uczestnicy będą

• dobrze rozumie głębokie sieci neuronowe (DNN), CNN i RNN
• rozumieć TensorFlow’ strukturę i mechanizmy wdrażania
• być w stanie wykonać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
• być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie