Návrh Školení

1. Pochopení klasifikace pomocí nejbližších sousedů

    Algoritmus kNN Výpočet vzdálenosti Výběr vhodného k Příprava dat pro použití s kNN Proč je algoritmus kNN líný?

2. Pochopení naivní Bayes

    Základní pojmy Bayesových metod Pravděpodobnost Společná pravděpodobnost Podmíněná pravděpodobnost s Bayesovou větou Naivní Bayesův algoritmus Naivní Bayesova klasifikace Laplaceův odhad Použití numerických znaků s naivním Bayesem

3. Pochopení rozhodovacích stromů

    Rozděl a panuj Algoritmus rozhodovacího stromu C5.0 Výběr nejlepšího rozdělení Prořezávání rozhodovacího stromu

4. Pochopení klasifikačních pravidel

    Oddělte a ovládněte Algoritmus jediného pravidla Algoritmus RIPPER Pravidla z rozhodovacích stromů

5. Pochopení regrese

    Jednoduchá lineární regrese Obyčejný odhad nejmenších čtverců Korelace Vícenásobná lineární regrese

6. Pochopení regresních stromů a modelových stromů

    Přidání regrese ke stromům

7. Pochopení neuronových sítí

    Od biologických k umělým neuronům Aktivační funkce Topologie sítě Počet vrstev Směr pohybu informace Počet uzlů v každé vrstvě Tréninkové neuronové sítě se zpětnou propagací

8. Pochopení podpůrných vektorových strojů

    Klasifikace s nadrovinami Nalezení maximální rezervy Případ lineárně separovatelných dat Případ nelineárně separovatelných dat Použití jader pro nelineární prostory

9. Pochopení asociačních pravidel

    Apriori algoritmus pro učení asociačních pravidel Měření zájmu pravidel – podpora a důvěra Budování sady pravidel s Apriori principem

10. Pochopení shlukování

    Shlukování jako úloha strojového učení Algoritmus k-means pro shlukování Použití vzdálenosti k přiřazení a aktualizaci clusterů Výběr vhodného počtu clusterů

11. Měření výkonu pro klasifikaci

    Práce s daty predikce klasifikace Bližší pohled na matoucí matice Používání matoucích matic k měření výkonu Kromě přesnosti – další měřítka výkonu Kappa statistika Citlivost a specifičnost Přesnost a vybavitelnost F-measure Vizualizace výkonnostních kompromisů ROC křivky Odhad budoucí výkonnosti Metoda prodlevy Cross- validace Bootstrap vzorkování

12. Ladění modelů pažby pro lepší výkon

    Použití stříšky pro automatizované ladění parametrů Vytvoření jednoduchého vyladěného modelu Přizpůsobení procesu ladění Zlepšení výkonu modelu pomocí meta-learningu Pochopení souborů Posílení pytlování Náhodné lesy Trénink náhodných lesů Vyhodnocení náhodného výkonu lesa

13. Deep Learning

    Tři třídy hlubokého učení Deep Autoencoders Předtrénované Deep Neural Networks Deep Stacking Networks

14. Diskuse o specifických aplikačních oblastech

 21 hodiny

Počet účastníků



Price per participant

Open Training Courses require 5+ participants.

Reference (1)

Very flexible

Frank Ueltzhöffer
Kurz - Artificial Neural Networks, Machine Learning and Deep Thinking

Související kurzy

Introduction to Stable Diffusion for Text-to-Image Generation

21 hodiny

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, inženýry strojového učení a výzkumníky počítačového vidění, kteří chtějí využít Stable Diffusion k vytvoření vysoce kvalitních obrázků pro různé případy použití.

Na konci tohoto školení budou účastníci schopni:

    Pochopte principy Stable Diffusion a jak to funguje pro generování obrázků. Vytvářejte a trénujte Stable Diffusion modely pro úlohy generování obrázků. Aplikujte Stable Diffusion na různé scénáře generování obrázků, jako je malování, překreslování a překlad z obrázku na obrázek. Optimalizujte výkon a stabilitu Stable Diffusion modelů.
Přečtěte si více...

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

21 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé datové vědce, inženýry strojového učení, výzkumníky hlubokého učení a odborníky na počítačové vidění, kteří si chtějí rozšířit své znalosti a dovednosti v oblasti hlubokého učení. pro generování textu na obrázek.

Na konci tohoto školení budou účastníci schopni:

    Pochopte pokročilé architektury hlubokého učení a techniky pro generování textu na obrázek. Implementujte složité modely a optimalizace pro vysoce kvalitní syntézu obrazu. Optimalizujte výkon a škálovatelnost pro velké datové sady a složité modely. Vylaďte hyperparametry pro lepší výkon modelu a zobecnění. Integrujte Stable Diffusion s dalšími rámci a nástroji hlubokého učení
Přečtěte si více...

AlphaFold

7 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na biology, kteří chtějí porozumět tomu, jak AlphaFold funguje, a používat modely AlphaFold jako průvodce ve svých experimentálních studiích.

Na konci tohoto školení budou účastníci schopni:

  • Pochopit základní principy AlphaFold.
  • Přečtěte si, jak funguje AlphaFold.
  • Naučte se interpretovat AlphaFold předpovědi a výsledky.
Přečtěte si více...

TensorFlow Lite for Embedded Linux

21 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí použít TensorFlow Lite k nasazení modelů hlubokého učení na vestavěných zařízeních.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte a nakonfigurujte Tensorflow Lite na vestavěném zařízení.
  • Porozumět základním konceptům a komponentám TensorFlow Lite.
  • Převeďte existující modely do formátu TensorFlow Lite pro spuštění na vestavěných zařízeních.
  • Pracujte v rámci omezení malých zařízení a TensorFlow Lite a zároveň se naučte, jak rozšířit rozsah operací, které lze provozovat.
  • Nasaďte model hlubokého učení na vestavěném zařízení se systémem Linux.
Přečtěte si více...

TensorFlow Lite for Android

21 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí používat TensorFlow Lite k vývoji mobilních aplikací s možnostmi hlubokého učení.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte a nakonfigurujte TensorFlow Lite.
  • Pochopte principy TensorFlow, strojového učení a hlubokého učení.
  • Načtěte modely TensorFlow do zařízení Android.
  • Povolte v mobilní aplikaci funkce hlubokého učení a strojového učení, jako je počítačové vidění a rozpoznávání přirozeného jazyka.
Přečtěte si více...

Tensorflow Lite for Microcontrollers

21 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na inženýry, kteří chtějí psát, načítat a spouštět modely strojového učení na velmi malých vestavěných zařízeních.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte TensorFlow Lite.
  • Nahrajte modely strojového učení do vestavěného zařízení, aby bylo možné detekovat řeč, klasifikovat obrázky atd.
  • Přidejte AI do hardwarových zařízení, aniž byste se spoléhali na síťové připojení.
Přečtěte si více...

TensorFlow Lite for iOS

21 hodiny

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí používat TensorFlow Lite k vývoji mobilních aplikací pro iOS s možnostmi hlubokého učení.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte a nakonfigurujte TensorFlow Lite.
  • Pochopte principy TensorFlow a strojového učení na mobilních zařízeních.
  • Načtěte modely TensorFlow do zařízení iOS.
  • Spusťte aplikaci pro iOS schopnou detekovat a klasifikovat objekt zachycený prostřednictvím fotoaparátu zařízení.
Přečtěte si více...

Deep Learning Neural Networks with Chainer

14 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na výzkumníky a vývojáře, kteří chtějí používat Chainer k budování a trénování neuronových sítí v Python a zároveň usnadňují ladění kódu.

Na konci tohoto školení budou účastníci schopni:

  • Nastavte potřebné vývojové prostředí pro zahájení vývoje modelů neuronových sítí.
  • Definujte a implementujte modely neuronových sítí pomocí srozumitelného zdrojového kódu.
  • Provádějte příklady a upravujte stávající algoritmy, abyste optimalizovali tréninkové modely hlubokého učení a zároveň využili GPU pro vysoký výkon.
Přečtěte si více...

Distributed Deep Learning with Horovod

7 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře nebo datové vědce, kteří chtějí používat Horovod ke spouštění distribuovaných školení hlubokého učení a jeho rozšíření tak, aby běželo paralelně na více GPU.

Na konci tohoto školení budou účastníci schopni:

  • Nastavte potřebné vývojové prostředí, abyste mohli zahájit školení hlubokého učení.
  • Nainstalujte a nakonfigurujte Horovod pro trénování modelů pomocí TensorFlow, Keras, PyTorch a Apache MXNet.
  • Škálujte trénink hlubokého učení s Horovodem tak, aby běžel na více GPU.
Přečtěte si více...

Accelerating Deep Learning with FPGA and OpenVINO

35 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí urychlit aplikace strojového učení v reálném čase a nasadit je ve velkém měřítku.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte sadu nástrojů OpenVINO.
  • Urychlete aplikaci počítačového vidění pomocí FPGA.
  • Proveďte různé vrstvy CNN na FPGA.
  • Škálujte aplikaci na více uzlech v clusteru Kubernetes.
Přečtěte si více...

Building Deep Learning Models with Apache MXNet

21 hodiny

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí použít Apache MXNet k vytvoření a nasazení modelu hlubokého učení pro rozpoznávání obrázků.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte a nakonfigurujte Apache MXNet a jeho součásti.
  • Pochopte architekturu a datové struktury MXNet.
  • Používejte nízkoúrovňová a vysokoúrovňová rozhraní API Apache MXNet k efektivnímu vytváření neuronových sítí.
  • Vybudujte konvoluční neuronovou síť pro klasifikaci obrázků.
Přečtěte si více...

Deep Learning with Keras

21 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na technické osoby, které chtějí aplikovat model hlubokého učení na aplikace pro rozpoznávání obrázků.

Na konci tohoto školení budou účastníci schopni:

  • Nainstalujte a nakonfigurujte Keras.
  • Rychle vytvořte prototyp modelů hlubokého učení.
  • Implementujte konvoluční síť.
  • Implementujte rekurentní síť.
  • Spusťte model hlubokého učení na CPU i GPU.
Přečtěte si více...

Deep Learning for Self Driving Cars

21 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí postavit auto s vlastním řízením pomocí technik hlubokého učení.

Na konci tohoto školení budou účastníci schopni:

  • Použijte Keras k vybudování a trénování konvoluční neuronové sítě.
  • Použijte techniky počítačového vidění k identifikaci jízdních pruhů v projektu autonomního řízení.
  • Trénujte model hlubokého učení k rozlišení dopravních značek.
  • Simulujte plně autonomní auto.
Přečtěte si více...

Advanced Deep Learning with Keras and Python

14 hodiny

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na softwarové inženýry, kteří chtějí vyvinout pokročilé neuronové sítě a modely hlubokého učení pomocí Keras a Python.

Na konci tohoto školení budou účastníci schopni:

  • Aplikujte hluboké učení s metodami učení pod dohledem nebo bez něj.
  • Vyvíjet, trénovat a implementovat souběžné neuronové sítě a rekurentní neuronové sítě.
  • Pomocí Keras a Python sestavte modely hlubokého učení pro řešení problémů zahrnujících obrázky, text, zvuk a další.
Přečtěte si více...

Torch for Machine and Deep Learning

21 hodiny

Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others.

In this instructor-led, live training, we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned.

By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects.

Format of the Course

  • Overview of Machine and Deep Learning
  • In-class coding and integration exercises
  • Test questions sprinkled along the way to check understanding
Přečtěte si více...

Související kategorie

Image for Neural Networks category
Neural Networks
Image for Deep Learning category
Deep Learning