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.

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.

Tento kurz začíná představením konceptuálních znalostí v oblasti neuronových sítí a obecně o algoritmech strojového učení, hlubokého učení (algoritmy a aplikace).

První část (40 %) tohoto školení se soustředí více na základy, ale pomůže vám vybrat správnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras atd.

Druhá část (20 %) tohoto školení představuje Theano - knihovnu Pythonu, která usnadňuje psaní modelů hlubokého učení.

Třetí část (40 %) školení bude rozsáhle založena na TensorFlow - API Googleovy open-source knihovny pro hluboké učení. Příklady a praktické cvičení budou všechny vytvořeny pomocí TensorFlow.

Cílová skupina

Tento kurz je určen inženýrům, kteří chtějí využít TensorFlow ve svých projektech hlubokého učení.

Po absolvování tohoto kurzu se účastníci budou schopni:

• mít dobré porozumění hlubokým neuronovým sítím (DNN), CNN a RNN
• pochopit strukturu a mechanismy nasazení TensorFlowu
• být schopni provádět instalaci, konfiguraci a úkoly týkající se výrobního prostředí a architektury
• být schopni posuzovat kvalitu kódu, provádět ladění a monitorování
• být schopni implementovat pokročilé produkční úkoly jako trénování modelů, vytváření grafů a záznamy do logu