AI řízené autonomní systémy Počítačový Kurz

Tento kurz se zabývá umělou inteligencí, konkrétně strojovým učením a hlubokým učením, v rámci automobilového průmyslu. Pomáhá určit, jaké technologie lze potenciálně využít v různých situacích v automobilech – od jednoduché automatizace a rozpoznávání obrazu až po autonomní rozhodování.

Pochopení základů umělé inteligence odhaluje, jak tato chytrá technologie transformuje digitální strategii, automatizaci a rozhodovací procesy v podnikovém prostředí. Kurz se zaměřuje na klíčové koncepty jako historie AI, metody řešení problémů, reprezentace znalostí, uvažování za nejistoty a paradigmata strojového učení; dále také na schopnosti komunikace, vnímání a autonomního jednání. Poskytuje vedoucím pracovníkům a architektům nástroje k posouzení příležitostí spojených s transformací pomocí AI, identifikaci nových technologických trendů a implementaci praktických inteligentních řešení pro zvýšení obchodní agility.

Toto školení vedené instruktorem v České republice (online či na místě) je určeno biologům, kteří chtějí porozumět principům fungování AlphaFoldu a používat jeho modely při svých výzkumech.

Na konci kurzu budou účastníci schopni:

• Pochopit základní principy AlphaFoldu.
• Porozumět mechanismům, na nichž systém pracuje.
• Umět interpretovat predikce a výsledky generované AlphaFoldem.

Umělá neuronová síť je výpočetní datový model využívaný při tvorbě systémů umělé inteligence (AI), které dokážou plnit „inteligentní“ úkoly. Neuronové sítě se běžně používají ve strojovém učení (ML), jež samo o sobě představuje jednu z forem umělé inteligence. Hluboké učení je pak podoblastí strojového učení.

Tento kurz Aplikovaná umělá inteligence od nuly v Pythonu vybaví programátory a datové analytiky základními technikami pro tvorbu řešení v oblasti strojového učení od samotného začátku s využitím jazyka Python. Probírá se v něm nejdůležitější principy supervizovaného učení – tedy klasifikace a regrese, dále nesupervizované učení zahrnující shlukování a detekci anomálií, jakož i pokročilé architektury neuronových sítí. Kurz rovněž představuje osvědčené postupy práce se nástroji typu scikit-learn, knihovnou Apache Spark MLlib a notebooky Jupyter pro praktický rozvoj aplikací umělé inteligence. Pomůže profesionálům realizovat skutečně funkční modely strojového učení, posoudit jejich limity a úspěšně dokončit projekty zaměřené na řešení reálných problémů.

Toto živé školení vedené instruktorem (online či na místě) je určeno pro účastníky s různou úrovní znalostí, kteří chtějí využít nástroje Google AutoML k vytváření chatbotů určených k různým účelům.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základy tvorby chatbotů.
• Ovládat prostředí Google Cloud Platform a pracovat s nástrojem AutoML.
• Přípravit data potřebná k trénování modelů chatbotů.
• Trénovat a vyhodnocovat vlastní modely pomocí nástroje AutoML.
• Spouštět a integrovat chatboto do různých platforem a komunikačních kanálů.
• Průběžně sledovat a optimalizovat výkon chatbotů.

Toto živé školení pod vedením instruktora v České republice (online či na místě) poskytuje úvod do oblasti rozpoznávání vzorů a strojového učení. Zaměřuje se rovněž na praktické aplikace v statistice, informatice, zpracování signálů, počítačovém vidění, dolování dat a bioinformatice.

Po absolvování tohoto školení budou účastníci schopni:

• Používat základní statistické metody v kontextu rozpoznávání vzorů.
• Využívat důležité modely, jako jsou neuronové sítě a metody založené na jádrech k analýze dat.
• Aplikovat pokročilé techniky při řešení složitých úloh.
• Zvyšovat přesnost predikcí kombinací různých modelů.

Hluboké učení s posilováním (Deep Reinforcement Learning, DRL) spojuje principy posilovacího učení s architekturami hlubokého učení, díky čemuž mohou umělé agenty rozhodovat na základě interakce se svým prostředím. Tato metoda stojí za mnoha moderními pokroky v oblasti umělé inteligence – například samořiditelnými vozidly, řízením robotů, algoritmickým obchodováním a adaptivními systémy doporučování. DRL umožňuje agentům učit se strategie, optimalizovat své postupy a činit autonomní rozhodnutí prostřednictvím pokusů a chyb s využitím odměnového učení.

Toto živé školení vedené instruktorem (online nebo na místě) je určeno vývojářům a datovým analytikům středně pokročilé úrovně, kteří chtějí pochopit techniky hlubokého učení s posilováním a využít je k tvorbě inteligentních agentů schopných samostatného rozhodování v složitém prostředí.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit teoretické základy a matematické principy posilovacího učení.
• Implementovat klíčové algoritmy RL, včetně Q-Learningu, gradientů politiky a metod typu Actor-Critic.
• Vytvářet a trénovat agenty využívající hluboké učení s posilováním pomocí nástrojů TensorFlow nebo PyTorch.
• Aplikovat metody DRL na reálné situace, jako jsou hry, robotika či optimalizace rozhodování.
• Diagnostikovat problémy, vizualizovat výsledky a optimalizovat výkon tréninku s využitím moderních nástrojů.

Formát kurzu

• Interaktivní přednášky a diskuze pod vedením instruktora.
• Praktické cvičení a realizace konkrétních projektů.
• Demonstrace kódování v reálném čase a projekty z praxe.

Možnosti přizpůsobení kurzu

• Chcete-li si vyžádat upravenou verzi tohoto kurzu – například s využitím PyTorch namísto TensorFlow –, kontaktujte nás a domluvme se na podrobnostech.

Toto školení pod vedením instruktora (online nebo na místě) je určeno vývojářům, datovým analytikům a odborníkům na umělou inteligenci na středně pokročilé úrovni, kteří chtějí využít TensorFlow Lite pro realizaci projektů v oblasti Edge AI.

Po absolvování kurzu budou účastníci schopni:

• Pochopit základy fungování TensorFlow Lite a jeho roli při vývoji Edge AI modelů.
• Vytvářet a optimalizovat modely umělé inteligence pomocí TensorFlow Lite.
• Nasazovat modely TensorFlow Lite na různá okrajová zařízení.
• Využívat nástroje a postupy pro konverzi a optimalizaci modelů.
• Implementovat praktické aplikace v oblasti Edge AI s využitím TensorFlow Lite.

Kubeflow je open-source platforma určená k usnadnění vytváření, trénování a nasazování strojově učících modelů na prostředí Kubernetes.

Toto školení pod vedením instruktora (online nebo prezenčně) je určeno profesionálům s počáteční až střední úrovní znalostí, kteří chtějí pomocí Kubeflow vyvíjet spolehlivé ML pracovní toky.

Po absolvování tohoto kurzu budou účastníci schopni:

• Orientovat se v ekosystému Kubeflow a jeho klíčových komponentách.
• Vytvářet opakovaně použitelné pracovní toky pomocí nástroje Kubeflow Pipelines.
• Spouštět škálovatelné trénovací úlohy na prostředí Kubernetes.
• Efektivně nasazovat strojově učící modely pomocí služby Kubeflow Serving.

Forma kurzu

• Instruktáže doprovázené diskusemi a interaktivními cvičeními.
• Praktické laboratoře s využitím reálných komponent Kubeflow.
• Cílená cvičení zaměřená na vytvoření kompletních ML řešení.

Možnosti přizpůsobení kurzu

• Je možné kurz upravit tak, aby odpovídal technologickému prostředí a konkrétním potřebám vašeho týmu.

Tento kurš, vedený lektorem a probíhající živě v České republice (online nebo na místě), je určen vývojářům a data scientistům, kteří chtějí vytvářet, nasazovat a spravovat workflowy strojového učení v Kubernetes.

Na konci tohoto školení budou účastníci schopni:

• Instalovat a konfigurovat Kubeflow v lokálních (on-premise) i cloudových prostředích.
• Vytvářet, nasazovat a spravovat workflowy ML postavené na Docker kontejnerech a Kubernetes.
• Spouštět celé pipeline strojového učení na různých architekturách a v cloudových prostředích.
• Používat Kubeflow ke generování a správě Jupyter notebooků.
• Vytvářet zátěže pro trénink ML, ladění hyperparametrů a poskytování služeb (serving) napříč více platformami.

Toto školení vedené lektorem v České republice (online nebo prezenčně) je určeno pro analytiky dat středně pokročilé úrovně, kteří se chtějí naučit používat RapidMiner k odhadování a projekci hodnot a k využívání analytických nástrojů pro predikci časových řad.

Po absolvování tohoto kurzu budou účastníci schopni:

• Naučit se aplikovat metodiku CRISP-DM, vybírat vhodné algoritmy strojového učení a zlepšovat tvorbu i výkonnost modelů.
• Využívat RapidMiner k odhadování a projekci hodnot a k aplikaci analytických nástrojů pro předpovídání časových řad.

Tento kurz vám nejprve poskytne základní konceptuální znalosti o neuronových sítích a obecně o algoritmech strojového učení a hlubokém učení (včetně jejich algoritmů a aplikací).

První část (40 %) kurzu se zaměřuje na základy, avšak pomůže vám vybrat vhodnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras a podobně.

Ve druhé části (20 %) kurzu je představena knihovna Theano – nástroj v jazyce Python usnadňující tvorbu modelů hlubokého učení.

Poslední část (40 %) kurzu se pak intenzivně věnuje knihovně TensorFlow – open-source rozhraní pro hluboké učení od společnosti Google. Všechny ukázky i praktická cvičení budou realizována právě v rámci této platformy.

Cílová skupina

Kurz je určen zejména inženýrům, kteří chtějí využít knihovnu TensorFlow při realizaci projektů v oblasti hlubokého učení.

Po absolvování kurzu budou účastníci schopni:

• dobře porozumět hlubokým neuronovým sítím (DNN), konvolučním sítím (CNN) a rekurentním sítím (RNN)
• pochopit strukturu i mechanismy nasazení knihovny TensorFlow
• provádět instalaci, nastavení produkčního prostředí a konfiguraci architektury
• posuzovat kvalitu kódu, odhalovat chyby a monitorovat jeho chování
• implementovat pokročilé postupy v produkci – trénování modelů, tvorbu grafů i záznam jejich výsledků

Tento výcvik pod vedením lektora v reálném čase v České republice (online nebo na místě) je určen pokročilým odborníkům, kteří chtějí prozkoumat špičkové techniky XAI pro modely hlubokého učení se zaměřením na tvorbu srozumitelných systémů AI.

Po ukončení tohoto kurzu budou účastníci schopni:

• Pochopit obtíže spojené s vysvětlitelností v hlubokém učení.
• Aplikovat pokročilé techniky XAI na neuronové sítě.
• Interpretovat rozhodnutí přijímaná modely hlubokého učení.
• Vyhodnotit kompromisy mezi výkonem a transparentností.