Explainability in Deep Learning: Demistyfikacja Modeli "Czarnych Skrzynek" - Plan Szkolenia

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat technik XAI w złożonych modelach AI.

Po zakończeniu szkolenia uczestnicy będą potrafili:

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

Ten kurs obejmuje zagadnienia związane z AI (ze szczególnym naciskiem na Uczenie Maszynowe i Głębokie Uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystana w różnych sytuacjach w samochodzie: od prostych zadań automatyzacji, przez rozpoznawanie obrazów, po autonomiczne podejmowanie decyzji.

Kurs ten został stworzony dla menedżerów, architektów rozwiązań, dyrektorów ds. innowacji, CTO, architektów oprogramowania oraz wszystkich zainteresowanych przeglądem zastosowań sztucznej inteligencji i najbliższymi prognozami jej rozwoju.

Szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do uczestników na poziomie podstawowym, którzy chcą poznać kluczowe koncepcje z zakresu prawdopodobieństwa, statystyki, programowania i uczenia maszynowego, a następnie zastosować je w rozwoju AI.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje prawdopodobieństwa i statystyki oraz zastosować je w rzeczywistych scenariuszach.
• Pisać i rozumieć kod programowania proceduralnego, funkcyjnego i obiektowego.
• Wdrażać techniki uczenia maszynowego, takie jak klasyfikacja, grupowanie i sieci neuronowe.
• Tworzyć rozwiązania AI wykorzystujące silniki reguł i systemy ekspertowe do rozwiązywania problemów.

Sztuczna Sieć Neuronowa to model obliczeniowy danych używany w rozwoju systemów Sztucznej Inteligencji (AI), które są zdolne do wykonywania "inteligentnych" zadań. Sieci Neuronowe są powszechnie stosowane w zastosowaniach Uczenia Maszynowego (ML), które same w sobie są jedną z implementacji AI. Głębokie Uczenie się to podzbiór ML.

To 4-dniowy kurs wprowadzający do sztucznej inteligencji i jej zastosowań. Istnieje możliwość dodatkowego dnia na realizację projektu związanego z AI po zakończeniu kursu. 

To 4-dniowy kurs wprowadzający do sztucznej inteligencji i jej zastosowań z wykorzystaniem języka programowania Python. Istnieje możliwość dodania dodatkowego dnia na realizację projektu związanego z AI po zakończeniu kursu. 

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu), skierowane jest do data scientistów i statystyków na poziomie średniozaawansowanym, którzy chcą przygotowywać dane, budować modele i skutecznie stosować techniki uczenia maszynowego w swoich dziedzinach zawodowych.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć i wdrożyć różne algorytmy Uczenia Maszynowego.
• Przygotować dane i modele do zastosowań uczenia maszynowego.
• Przeprowadzać analizy post hoc i skutecznie wizualizować wyniki.
• Stosować techniki uczenia maszynowego w rzeczywistych, specyficznych dla sektora scenariuszach.

Ten prowadzony przez instruktora, live trening w Polsce (online lub na miejscu) jest skierowany do badaczy i programistów, którzy chcą używać Chainera do budowania i trenowania sieci neuronowych w Pythonie, jednocześnie ułatwiając debugowanie kodu.

Pod koniec szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
• Zdefiniować i zaimplementować modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli treningowych głębokiego uczenia, wykorzystując jednocześnie GPU do wysokiej wydajności.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Porusza praktyczne zastosowania w statystyce, informatyce, przetwarzaniu sygnałów, przetwarzaniu obrazów, eksploracji danych i bioinformatyce.

Pod koniec szkolenia uczestnicy będą mogli:

• Stosować podstawowe metody statystyczne w rozpoznawaniu wzorców.
• Wykorzystywać kluczowe modele, takie jak sieci neuronowe i metody jądrowe, do analizy danych.
• Implementować zaawansowane techniki rozwiązywania złożonych problemów.
• Poprawiać dokładność predykcji poprzez łączenie różnych modeli.

Głębokie Uczenie przez Wzmocnienie (DRL) łączy zasady uczenia przez wzmacnianie z architekturami głębokiego uczenia się, umożliwiając agentom podejmowanie decyzji poprzez interakcję z ich środowiskiem. Stanowi podstawę wielu współczesnych postępów w dziedzinie sztucznej inteligencji, takich jak samochody autonomiczne, sterowanie robotami, algorytmiczny handel oraz systemy rekomendacji adaptacyjnych. DRL pozwala sztucznemu agentowi uczyć się strategii, optymalizować polityki i podejmować autonomiczne decyzje na podstawie prób i błędów, wykorzystując uczenie oparte na nagrodach.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do programistów i naukowców zajmujących się danymi na poziomie średniozaawansowanym, którzy chcą poznać i zastosować techniki Głębokiego Uczenia przez Wzmocnienie do budowy inteligentnych agentów zdolnych do autonomicznego podejmowania decyzji w złożonych środowiskach.

Po zakończeniu szkolenia uczestnicy będą w stanie:

• Zrozumieć teoretyczne podstawy i matematyczne zasady Uczenia przez Wzmocnienie.
• Zaimplementować kluczowe algorytmy RL, w tym Q-Learning, Policy Gradients oraz metody Actor-Critic.
• Budować i trenować agentów Głębokiego Uczenia przez Wzmocnienie przy użyciu TensorFlow lub PyTorch.
• Zastosować DRL w rzeczywistych zastosowaniach, takich jak gry, robotyka i optymalizacja decyzji.
• Rozwiązywać problemy, wizualizować i optymalizować wydajność treningu przy użyciu nowoczesnych narzędzi.

Format kursu

• Interaktywny wykład i dyskusja pod kierunkiem instruktora.
• Ćwiczenia praktyczne i implementacje.
• Demonstracje kodowania na żywo i aplikacje oparte na projektach.

Opcje dostosowania kursu

• Aby zamówić dostosowaną wersję tego kursu (np. z użyciem PyTorch zamiast TensorFlow), skontaktuj się z nami w celu uzgodnienia szczegółów.

Szkolenie skierowane jest do osób, które chcą poznać podstawy sieci neuronowych oraz ich zastosowania.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do profesjonalistów na poziomie podstawowym, którzy chcą poznać podstawy Explainable AI i jego rolę w tworzeniu odpowiedzialnych systemów AI.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje Explainable AI.
• Poznać znaczenie przejrzystości i interpretowalności w modelach AI.
• Nauczyć się podstawowych technik zwiększających interpretowalność modeli AI.
• Stosować techniki XAI w prostych modelach uczenia maszynowego.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu), skierowane jest do profesjonalistów na poziomie średniozaawansowanym, którzy chcą zastosować techniki Explainable AI, aby zapewnić uczciwość, przejrzystość i etyczne systemy AI.

Po zakończeniu szkolenia uczestnicy będą w stanie:

• Zrozumieć rolę XAI w etycznych systemach AI.
• Wdrażać techniki XAI do wykrywania i łagodzenia uprzedzeń w modelach AI.
• Zapewnić przejrzystość w procesach decyzyjnych modeli AI.
• Dostosować rozwój AI do standardów etycznych i regulacyjnych.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do profesjonalistów na poziomie średniozaawansowanym i zaawansowanym, którzy chcą wdrażać przejrzyste systemy AI w rzeczywistych zastosowaniach.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć znaczenie przejrzystości w modelach AI.
• Wdrażać zaawansowane techniki XAI do interpretacji złożonych modeli.
• Zwiększać przejrzystość modeli przy użyciu narzędzi takich jak SHAP, LIME i innych.
• Rozwiązywać problemy etyczne i sprawiedliwości w modelach AI.