Vysvětlitelnost v hlubokém učení: Rozluštění "black-box" modelů Počítačový Kurz

Tento instruktorům prováděný živý trénink v České republice (online nebo na místním podniku) je určen pro pokročilé odborníky, kteří chtějí zlepšit své pochopení technik XAI pro komplexní AI modely.

Po ukončení tohoto tréninku budou účastníci schopni:

• Implementovat moderní techniky XAI v AI modelech.
• Interpretovat modely hlubokého učení a jejich rozhodnutí.
• Použít pokročilé metody vysvětlitelnosti nezávislé na modelu a specifické pro konkrétní modely.
• Řešit výzvy související s transparentností AI ve složitých systémech.

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.

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 instruktorův živý kurz v České republice (online nebo na místě) je určen začínajícím profesionálům, kteří chtějí naučit základy rozumitelného umělého inteligence (Explainable AI) a jeho roli v vývoji odpovědných systémů AI.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základním konceptům rozumitelného umělého inteligence.
• Prozkoumat důležitost transparentnosti a interpretovatelnosti v modelech AI.
• Zapsat základní techniky pro učení rozumitelných modelů AI.
• Použít techniky XAI na jednoduché modely strojového učení.

Tento instruktorům řízený, živý školení na místě (online nebo ve místnosti) je určen pro středně pokročilé odborníky, kteří chtějí uplatnit techniky vysvětlitelného umělého rozumu (XAI), aby zajišťovali spravedlnost, průhlednost a etická AI systémy.

Po absolvování tohoto školení budou účastníci schopni:

• Porozumět roli XAI v etických AI systémech.
• Implementovat techniky XAI pro detekci a zmírňování biasu v AI modelech.
• Zajišťovat průhlednost ve procesech rozhodování AI modelů.
• Zaměřit se na rozvoj AI s ohledem na etická a regulativní standarda.

Tento instruktorům řízený, živý kurz v České republice (online nebo na místní lokalitě) je určen pro středně pokročilé a pokročilé odborníky, kteří chtějí implementovat průhledné AI systémy v reálných aplikacích.

Po ukončení tohoto kurzu budou účastníci schopni:

• Pochopit důležitost průhlednosti v AI modelech.
• Implementovat pokročilé techniky XAI pro interpretaci komplexních modelů.
• Zlepšit průhlednost modelu pomocí nástrojů SHAP, LIME a dalších.
• Řešit etické obavy a spravedlnost v AI modelech.