Explainability in Deep Learning: Demystifying Black-Box Models - Plan Szkolenia

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą lepiej zrozumieć techniki XAI dla złożonych modeli sztucznej inteligencji.

Pod koniec tego szkolenia uczestnicy będą mogli

• Wdrażać najnowocześniejsze techniki XAI w modelach AI.
• Interpretować modele głębokiego uczenia się i ich decyzje.
• Stosować zaawansowane metody wyjaśniania niezależne od modelu i specyficzne dla modelu.
• Podejmować wyzwania 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 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.

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.

Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej ze studentami na Lasagne lub Keras w zależności od grupy dydaktycznej.

Metoda nauczania: prezentacja, dyskusja i studia przypadków

Sztuczna inteligencja zrewolucjonizowała wiele dziedzin nauki, a obecnie zaczyna rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od realiów domen Machine Learning i Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy już opanowali narzędzia informatyczne (w tym podstawową wiedzę na temat programowania oprogramowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych istniejących obecnie architektur sieciowych. Chociaż podstawy matematyczne są przywoływane podczas kursu, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. Całkowicie możliwe jest pominięcie matematyki w celu zachowania jedynie wizji "systemów", ale takie podejście znacznie ograniczy zrozumienie tematu.

Szkolenie skierowane jest do osób, które chcą poznać podstawy sieci neuronowych i ich zastosowań.

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

W tym instruktażowym szkoleniu na żywo w Polsce uczestnicy dowiedzą się, jak wykorzystać innowacje w procesorach TPU, aby zmaksymalizować wydajność własnych aplikacji AI.

Po zakończeniu szkolenia uczestnicy będą w stanie

• Trenowanie różnych typów sieci neuronowych na dużych ilościach danych.
• Użycie procesorów TPU do przyspieszenia procesu wnioskowania nawet o dwa rzędy wielkości.
• Użyj TPU do przetwarzania intensywnych aplikacji, takich jak wyszukiwanie obrazów, widzenie 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

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących profesjonalistów, którzy chcą poznać podstawy Explainable AI i jej rolę w rozwoju odpowiedzialnych systemów AI.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe koncepcje Explainable AI.
• Zbadać znaczenie przejrzystości i możliwości interpretacji w modelach sztucznej inteligencji.
• Poznanie podstawowych technik umożliwiających wyjaśnianie modeli sztucznej inteligencji.
• Zastosować techniki XAI do prostych modeli uczenia maszynowego.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średniozaawansowanych profesjonalistów, którzy chcą zastosować techniki Explainable AI w celu zapewnienia uczciwości, przejrzystości i etycznych systemów AI.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć rolę XAI w etycznych systemach AI.
• Wdrożyć techniki XAI w celu wykrywania i łagodzenia stronniczości w modelach AI.
• Zapewnić przejrzystość w procesach decyzyjnych modeli AI.
• Dostosować rozwój sztucznej inteligencji do standardów etycznych i regulacyjnych.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych profesjonalistów, którzy chcą wdrożyć przejrzyste systemy sztucznej inteligencji w rzeczywistych aplikacjach.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć znaczenie przejrzystości w modelach AI.
• Wdrożyć zaawansowane techniki XAI do interpretacji złożonych modeli.
• Zwiększyć przejrzystość modelu za pomocą SHAP, LIME i innych narzędzi.
• Rozwiązywać problemy etyczne i uczciwość w modelach AI.