DeepMind Lab 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.

Toto živě vedené tréninkové setkání v České republice (online nebo na místě) je určeno biologům, kteří si přejí pochopit principy fungování AlphaFoldu a využívat modely AlphaFoldu jako vodítka ve svých experimentálních studiích.

Na konci tohoto tréninku budou účastníci schopni:

• pochopit základní principy AlphaFoldu
• poznat, jak AlphaFold funguje
• interpretovat předpovědi a výsledky AlphaFoldu

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

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.

Tuto vedenou instruktorem, živou školení v České republice (online nebo na místě) je zaměřeno na pokročilé odborníky, kteří si přejí hloubkověji pochopit počítačové vidění a využít možnosti TensorFlow pro vyvíjení sofistikovaných vizuálních modelů s využitím Google Colab.

Na konci tohoto školení budou účastníci schopni:

• Vytvářet a trénovat konvoluční neuronové sítě (CNN) pomocí TensorFlow.
• Využívat Google Colab pro škálovatelný a efektivní vývoj modelů na cloudu.
• Implementovat techniky předzpracování obrázků pro úlohy počítačového vidění.
• Nasazovat modely počítačového vidění do reálných aplikací.
• Používat transfer learning k zlepšení výkonu CNN modelů.
• Vizualizovat a interpretovat výsledky modelů klasifikace obrázků.

Tento instruktorováné živé školení v České republice (online nebo na místě) poskytuje úvod do oblasti rozpoznávání vzorů a strojového učení. Dotýká se praktických aplikací ve statistice, informatice, zpracování signálů, počítačové vize, datovém miningu a bioinformatice.

Koncepci školení budou účastníci schopni:

• Použít klíčové statistické metody k rozpoznávání vzorů.
• Využít klíčové modely jako jsou neuronové sítě a jádrové metody pro analýzu dat.
• Implementovat pokročilé techniky pro řešení komplexních problémů.
• Zlepšit přesnost predikce kombinací různých modelů.

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.

Tento instruktážní živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé vývojáře, datové vědce a odborníky na umělá rozumění, kteří chtějí využít TensorFlow Lite pro aplikace s hranicemi AI.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům TensorFlow Lite a jeho roli v hranicích AI.
• Vytvářet a optimalizovat AI modely pomocí TensorFlow Lite.
• Nasazovat modely TensorFlow Lite na různé zařízení s hranicemi.
• Používat nástroje a techniky pro převod a optimalizaci modelu.
• Implementovat praktické aplikace s hranicemi AI pomocí TensorFlow Lite.

Tato instruktážní, živá školení v České republice (online nebo na místě) jsou určena pro datové vědce, kteří chtějí zrychlit aplikace strojového učení v reálném čase a nasadit je ve velkém měřítku.

Do konce tohoto školení budou účastníci schopni:

• Nainstalovat sadu nástrojů OpenVINO.
• Zrychlit aplikaci počítačového vidění pomocí FPGA.
• Spustit různé vrstvy CNN na hardwaru FPGA.
• Škálovat aplikaci na více uzlech v rámci klastru Kubernetes.

Tento instruktážní živý kurz v České republice (online nebo na místě) je určen vývojářům nebo vědcům o datech, kteří chtějí využít Horovod k provádění distribuovaného trénování hloubkového učení a jeho škálování na více GPU běžících paralelně.

Do konce tohoto tréninku si účastníci osvojí:

• Nastavení nezbytného vývojového prostředí pro zahájení trénování modelů hloubkového učení.
• Instalaci a konfiguraci Horovodu pro trénování modelů pomocí TensorFlow, Keras, PyTorchu a Apache MXNetu.
• Škálování trénování hloubkového učení pomocí Horovodu pro běh na více GPU.

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

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na pokročilé profesionály, kteří chtějí prozkoumat nejmodernější techniky XAI pro modely hlubokého učení se zaměřením na vytváření interpretovatelných systémů umělé inteligence.

Na konci tohoto školení budou účastníci schopni:

• Porozumět výzvám vysvětlitelnosti v hlubokém učení.
• Implementujte pokročilé techniky XAI pro neuronové sítě.
• Interpretujte rozhodnutí učiněná pomocí modelů hlubokého učení.
• Vyhodnoťte kompromisy mezi výkonem a transparentností.