Wyjaśnialność w uczeniu głębokim: Demistyfikacja modeli czarnej skrzynki - Plan Szkolenia

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą pogłębić swoją wiedzę na temat technik XAI dla złożonych modeli AI.

Po ukończeniu tego szkolenia uczestnicy będą w stanie:

• Wdrażać najnowsze techniki XAI w modelach AI.
• Interpretować modele uczenia głębokiego i ich decyzje.
• Zastosować zaawansowane metody wyjaśnialności niezależne od modelu oraz specyficzne dla modelu.
• Rozwiązywać problemy związane z przejrzystością AI w złożonych systemach.

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.

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.

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

To szkolenie prowadzone przez instruktora w trybie online lub stacjonarnym jest skierowane do początkujących profesjonalistów, którzy chcą poznać podstawy Explainable AI oraz jej rolę w tworzeniu odpowiedzialnych systemów AI.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe pojęcia Explainable AI.
• Badać znaczenie przejrzystości i interpretowalności w modelach AI.
• Poznać podstawowe techniki, które sprawiają, że modele AI są wyjaśnialne.
• Zastosować techniki XAI do prostych modeli uczenia maszynowego.

Szkolenie prowadzone przez instruktora w trybie Polsce (online lub stacjonarnym) skierowane jest do profesjonalistów na poziomie średnim, którzy chcą zastosować techniki Explainable AI (XAI), aby zapewnić sprawiedliwość, przejrzystość i etyczne systemy sztucznej inteligencji.

Po ukończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć rolę XAI w etycznych systemach sztucznej inteligencji.
• Wdrożyć techniki XAI do wykrywania i przeciwdziałania uprzedzeniom w modelach sztucznej inteligencji.
• Zapewnić przejrzystość w procesach podejmowania decyzji przez modele sztucznej inteligencji.
• Dopasować rozwój sztucznej inteligencji do standardów etycznych i regulacyjnych.

To szkolenie prowadzone przez instruktora w Polsce (online lub stacjonarnie) jest skierowane do profesjonalistów na poziomie średniozaawansowanym do zaawansowanym, którzy chcą wdrożyć przejrzyste systemy AI w rzeczywistych aplikacjach.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zrozumieć znaczenie przejrzystości w modelach AI.
• Wdrożyć zaawansowane techniki XAI do interpretacji złożonych modeli.
• Poprawić przejrzystość modelu za pomocą SHAP, LIME i innych narzędzi.
• Zadbać o etyczne zagadnienia i sprawiedliwość w modelach AI.