Rozpoznávání vzorů 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.

Tento vedený instruktorem živý kurz (online nebo na místě) je určen začátečníkům, kteří chtějí naučit se základní pojmy pravděpodobnosti, statistiky, programování a strojového učení a uplatnit je v rozvoji umělé inteligence.

Koncepci tohoto kurzu budou účastníci schopni:

• Pochopit základní pojmy pravděpodobnosti a statistiky a uplatnit je v reálných scénářích.
• Napsat a porozumět programovacímu kódu procedurálního, funkcionálního a objektově-orientovaného charakteru.
• Implementovat techniky strojového učení jako je klasifikace, shlukování a neuronové sítě.
• Vytvářet řešení AI pomocí pravidelných motorů a expertních systémů pro řešení problémů.

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.

Toto je 4denní kurz představující AI a její aplikaci. Po dokončení tohoto kurzu je možné mít další den na provedení projektu AI.

Toto je 4denní kurz seznamující s umělou inteligencí a její aplikací pomocí programovacího jazyka Python. Po dokončení tohoto kurzu je možné mít další den na provedení projektu AI.

Tento instruktážní živý školení v České republice (online nebo na místě) je určen pro středně pokročilé datové vědce a statistiky, kteří chtějí efektivně připravovat data, stavět modely a aplikovat techniky strojového učení ve svých profesních oblastech.

Konci tohoto školení budou účastníci schopni:

• Pochopení a implementace různých Machine Learning algoritmů.
• Příprava dat a modelů pro aplikace strojového učení.
• Provádění po-hoc analýz a efektivní vizualizace výsledků.
• Aplikovat techniky strojového učení na skutečné, odvětví-specifické scénáře.

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 výzkumníky a vývojáře, kteří chtějí používat Chainer k budování a trénování neuronových sítí v Python a zároveň usnadňovat 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.

Hluboké posílené učení (DRL) kombinuje principy posíleného učení s architekturami hlubokého učení, aby umožnilo agentům rozhodovat se prostřednictvím interakce se svými prostředími. Je základem mnoha moderních pokročilých AI technologií, jako jsou samohaňující se vozidla, robotické systémy, algoritmické obchodování a adaptivní doporučovací systémy. DRL umožňuje umělému agentovi učit se strategie, optimalizovat politiky a rozhodovat autonomně na základě pokusů a omylů pomocí učení na základě odměn.

Toto vedení instruktorem živé školení (online nebo přítomné) je určené středně pokročilým programátorům a datovým analytikům, kteří chtějí naučit a aplikovat techniky hlubokého posíleného učení pro vytváření inteligentních agentů schopných autonomního rozhodování v komplexních prostředích.

Koncem tohoto školení budou účastníci schopni:

• Pochopit teoretické základy a matematické principy posíleného učení.
• Implementovat klíčové algoritmy RL, včetně Q-Learningu, Policy Gradients a Actor-Critic metod.
• Vytvářet a trénovat agenty hlubokého posíleného učení pomocí TensorFlow nebo PyTorch.
• Aplikovat DRL na reálné případy, jako jsou hry, robotika a optimalizace rozhodování.
• Řešit problémy, vizualizovat a optimalizovat výkon trénování pomocí moderních nástrojů.

Formát kurzu

• Interaktivní přednáška a vedená diskuse.
• Příklady s praktickou implementací.
• Demonstrace živého kódu a aplikace na základě projektů.

Možnosti přizpůsobení kurzu

• Pokud požadujete přizpůsobenou verzi tohoto kurzu (např. s použitím PyTorch namísto TensorFlow), kontaktujte nás pro vyjednání.

V tomto vedeném živě tréninku se účastníci naučí používat Matlab k návrhu, sestavení a vizualizaci konvoluční neuronové sítě pro rozpoznávání obrazů.

Koncem tohoto školení budou účastníci schopni:

• Sestavit model hlubokého učení
• Automatizovat označování dat
• Pracovat s modelem z Caffe a TensorFlow-Keras
• Trenovat data pomocí více GPU, cloudu nebo clusterů

Cílová skupina

• Vývojáři
• Inženýři
• Experté na danou doménu

Formát kurzu

• Část přednášky, část diskuse, cvičení a mnoho praktické praxe

Toto školení je určeno pro lidi, kteří chtějí seznámit se základy neuronových sítí a jejich aplikacemi.

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 úvod do používání neuronových sítí v reálných problémech pomocí softwaru R-project.