Pattern Recognition Počítačový Kurz

Tento kurz pokrývá AI (emphasizing Machine Learning a Deep Learning) v Automotive Průmyslu. Pomáhá určit, jakou technologii lze (potenciálně) použít v několika situacích v autě: od jednoduché automatizace, rozpoznávání obrazu až po autonomní rozhodování.

Tento kurz byl vytvořen pro manažery, architekty řešení, inovační důstojníky, CTO, softwarové architekty a kohokoli, kdo má zájem o přehled aplikované umělé inteligence a nejbližší prognózu jejího vývoje.

This instructor-led, live training in České republice (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.

By the end of this training, participants will be able to:

• Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
• Write and understand procedural, functional, and object-oriented programming code.
• Implement machine learning techniques such as classification, clustering, and neural networks.
• Develop AI solutions using rules engines and expert systems for problem-solving.

Umělá neuronová síť je výpočetní datový model používaný při vývoji Artificial Intelligence (AI) systémů schopných vykonávat „inteligentní“ úkoly. Neural Networks se běžně používají v aplikacích Machine Learning (ML), které jsou samy jednou implementací AI. Deep Learning je podmnožinou ML.

This instructor-led, live training in České republice (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.

By the end of this training, participants will be able to:

• Understand and implement various Machine Learning algorithms.
• Prepare data and models for machine learning applications.
• Conduct post hoc analyses and visualize results effectively.
• Apply machine learning techniques to real-world, sector-specific scenarios.

Umělá neuronová síť je výpočetní datový model používaný při vývoji systémů umělé inteligence (AI) schopných provádět „inteligentní“ úkoly. Neural Networks se běžně používají v aplikacích strojového učení (ML), které jsou samy jednou implementací umělé inteligence. Hluboké učení je podmnožinou ML.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře a datové vědce, kteří se chtějí naučit základy Deep Reinforcement Learning při vytváření agenta Deep Learning Agent.

Na konci tohoto školení budou účastníci schopni:

• Porozumět klíčovým konceptům za Deep Reinforcement Learning a umět je odlišit od strojového učení.
• Aplikujte pokročilé Reinforcement Learning algoritmy k řešení skutečných problémů.
• Vybudujte si agenta pro hluboké učení.

Typ: Teoretická příprava s aplikacemi předem dohodnutými se studenty na Lasagne nebo Keras podle vzdělávací skupiny

Metoda výuky: prezentace, diskuse a případové studie

Umělá inteligence poté, co narušila řadu vědeckých oborů, začala revolucionizovat velké množství ekonomických sektorů (průmysl, lékařství, komunikace atd.). Jeho prezentace v mainstreamových médiích je však často fantazií, velmi vzdálenou tomu, co domény Machine Learning nebo Deep Learning ve skutečnosti jsou. Účelem tohoto školení je poskytnout inženýrům, kteří již ovládají IT nástroje (včetně základního programování softwaru), úvod do Deep Learning a také do různých oblastí jeho specializace, a tedy do hlavních dnes existujících síťových architektur. Pokud jsou během kurzu probrány matematické základy, pro větší pohodlí se doporučuje úroveň matematiky BAC+2. Je naprosto možné ignorovat matematickou osu a zachovat si pouze „systémovou“ vizi, ale tento přístup značně omezí vaše chápání předmětu.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat Matlab k návrhu, sestavení a vizualizaci konvoluční neuronové sítě pro rozpoznávání obrazu.

Na konci tohoto školení budou účastníci schopni:

Vytvoření modelu hlubokého učení Automatizace označování dat Práce s modely dat Caffe a TensorFlow-Keras Train pomocí více GPU, cloudu nebo clusterů

Publikum

Vývojáři Inženýři Experti na domény

Formát kurzu

Část přednáška, část diskuse, cvičení a těžké praktické cvičení

Školení je zaměřeno na lidi, kteří se chtějí naučit základy neuronových sítí a jejich aplikací.

Toto školení ve třídě bude obsahovat prezentace a počítačové příklady a cvičení případových studií, které lze provést s relevantními neuronovými a hlubokými síťovými knihovnami.

Pattern Matching je technika používaná k nalezení specifikovaných vzorů v obraze. Může být použit k určení existence specifikovaných charakteristik v pořízeném snímku, například očekávaný štítek na vadném produktu v tovární lince nebo specifikované rozměry součásti. Liší se od „Pattern Recognition“ (který rozpoznává obecné vzory založené na větších kolekcích příbuzných vzorků) v tom, že konkrétně určuje, co hledáme, a pak nám říká, zda očekávaný vzor existuje nebo ne.

Formát kurzu

• Tento kurz seznamuje s přístupy, technologiemi a algoritmy používanými v oblasti porovnávání vzorů, jak se vztahuje na Machine Vision.

Tento kurz je úvodem do aplikace neuronových sítí v reálných problémech pomocí softwaru R-project.

V tomto živém školení pod vedením instruktora v České republice se účastníci naučí, jak využít inovace v procesorech TPU k maximalizaci výkonu svých vlastních aplikací umělé inteligence.

Na konci školení budou účastníci schopni:

• Trénujte různé typy neuronových sítí na velkém množství dat.
• Použijte TPU k urychlení procesu odvození až o dva řády.
• Využijte TPU ke zpracování náročných aplikací, jako je vyhledávání obrázků, cloudové vidění a fotografie.

Tento kurz začíná tím, že vám poskytne koncepční znalosti o neuronových sítích a obecně v algoritmu strojového učení, hlubokém učení (algoritmy a aplikace).

Část 1 (40 %) tohoto školení je více zaměřena na základy, ale pomůže vám vybrat správnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras atd.

Část 2 (20 %) tohoto školení představuje Theano – knihovnu pythonu, která usnadňuje psaní modelů hlubokého učení.

Část 3 (40 %) školení by byla z velké části založena na Tensorflow – API druhé generace otevřené softwarové knihovny Google pro Deep Learning. Všechny příklady a handon by byly vytvořeny v TensorFlow.

Publikum

Tento kurz je určen pro inženýry, kteří chtějí použít TensorFlow pro své projekty Deep Learning

Po absolvování tohoto kurzu budou delegáti:

mít dobré znalosti o hlubokých neuronových sítích (DNN), CNN a RNN rozumět struktuře a mechanismům nasazení TensorFlow být schopen provádět úlohy instalace / produkčního prostředí / architektury a konfigurace být schopen posoudit kvalitu kódu, provádět ladění, monitorování být schopen implementovat pokročilou produkci, jako jsou tréninkové modely, stavební grafy a protokolování