Pattern Recognition Počítačový Kurz

V tomto živém školení vedeném instruktorem projdeme principy neuronových sítí a použijeme OpenNN k implementaci ukázkové aplikace.

Přednáška a diskuse spojená s praktickými cvičeními.

Pattern Matching je technika používaná k vyhledání specifikovaných vzorů v obrázku. Lze jej použít 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.

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

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 kurz je vytvořen pro lidi, kteří nemají žádné předchozí zkušenosti v oblasti pravděpodobnosti a statistiky.

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

Jedná se o 4denní kurz, který zavádí AI a jeho aplikaci pomocí Python programovacího jazyka. Existuje možnost mít další den k zahájení projektu AI po dokončení tohoto kurzu. 

Tento školicí kurz je určen pro lidi, kteří by chtěli použít Machine Learning v praktických aplikacích.

Publikum

Tento kurz je určen pro datové vědce a statistiky, kteří mají určité znalosti statistiky a vědí, jak programovat R (nebo Python nebo jiný zvolený jazyk). Důraz tohoto kurzu je kladen na praktické aspekty přípravy dat/modelu, provádění, post hoc analýzy a vizualizace.

Účelem je poskytnout praktické aplikace Machine Learning účastníkům, kteří mají zájem o aplikaci metod v práci.

Aby bylo školení relevantní pro publikum, používají se příklady specifické pro daný sektor.

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 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.

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 dle výchovné 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 hlavních médiích je však často fantazií, velmi vzdálenou tomu, čím obory Machine Learning nebo Deep Learning ve skutečnosti jsou. Účelem tohoto školení je poskytnout inženýrům, kteří již ovládají IT nástroje (včetně základní softwarové programovací základny), úvod do Deep Learning a také jeho různých oblastí specializace, a tedy i hlavních existujících síťových architektur. Pokud jsou během kurzu probrány matematické základy, pro větší pohodlí se doporučuje úroveň matematiky BAC+2. Je absolutně 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

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na inženýry, kteří se chtějí dozvědět o použitelnosti umělé inteligence v mechatronických systémech.

Na konci tohoto školení budou účastníci schopni:

• Získejte přehled o umělé inteligenci, strojovém učení a výpočetní inteligenci.
• Pochopit koncepty neuronových sítí a různé metody učení.
• Efektivně volte přístupy umělé inteligence pro problémy v reálném životě.
• Implementujte aplikace AI v mechatronickém inženýrství.