Deep Learning Školení v Prague

Toto školení pod vedením instruktora (online nebo na místě) je určeno vývojářům, datovým analytikům a odborníkům na umělou inteligenci na středně pokročilé úrovni, kteří chtějí využít TensorFlow Lite pro realizaci projektů v oblasti Edge AI.

Po absolvování kurzu budou účastníci schopni:

• Pochopit základy fungování TensorFlow Lite a jeho roli při vývoji Edge AI modelů.
• Vytvářet a optimalizovat modely umělé inteligence pomocí TensorFlow Lite.
• Nasazovat modely TensorFlow Lite na různá okrajová zařízení.
• Využívat nástroje a postupy pro konverzi a optimalizaci modelů.
• Implementovat praktické aplikace v oblasti Edge AI s využitím TensorFlow Lite.

Toto živé školení pod vedením instruktora Prague (online nebo na místě) je určeno profesionálům na pokročilé úrovni, kteří si chtějí prohloubit znalosti v oblasti počítačového vidění a seznámit se s možnostmi TensorFlow při tvorbě sofistikovaných modelů za pomoci Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vytvářet a trénovat konvoluční neurální sítě (CNN) pomocí TensorFlow.
• Využívat Google Colab k škálovatelnému a efektivnímu vývoji modelů v cloudovém prostředí.
• Aplikovat techniky předzpracování obrazu při řešení úloh počítačového vidění.
• Nasazovat modely počítačového vidění do reálných aplikací.
• Využívat přenosové učení ke zvýšení výkonnosti modelů CNN.
• Vizualizovat a interpretovat výsledky modelů určených k klasifikaci obrazu.

Toto živé školení pod vedením instruktora Prague (online nebo na místě) je určeno pro datové vědce a vývojáře středně pokročilé úrovně, kteří chtějí porozumět a uplatňovat techniky hlubokého učení v prostředí Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit a ovládat prostředí Google Colab pro projekty v oblasti hlubokého učení.
• Porozumět základům neuronových sítí.
• Vytvářet modely hlubokého učení pomocí knihovny TensorFlow.
• Trénovat a vyhodnocovat modely hlubokého učení.
• Využívat pokročilé funkce knihovny TensorFlow při práci s hlubokým učením.

Toto školení pod vedením lektora v Prague (online či prezenčně) je určeno pro pokročilé profesionály, kteří se chtějí specializovat na nejmodernější techniky hlubokého učení v oblasti NLU.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit hlavní rozdíly mezi modely NLU a NLP.
• Aplikovat pokročilé techniky hlubokého učení na úlohy spojené s NLU.
• Prozkoumat hluboké architektury, jako jsou transformátory a mechanismy pozornosti.
• Využít budoucí trendy v NLU k tvorbě sofistikovaných systémů umělé inteligence.

Tento výcvik pod vedením lektora v reálném čase v Prague (online nebo na místě) je určen pokročilým odborníkům, kteří chtějí prozkoumat špičkové techniky XAI pro modely hlubokého učení se zaměřením na tvorbu srozumitelných systémů AI.

Po ukončení tohoto kurzu budou účastníci schopni:

• Pochopit obtíže spojené s vysvětlitelností v hlubokém učení.
• Aplikovat pokročilé techniky XAI na neuronové sítě.
• Interpretovat rozhodnutí přijímaná modely hlubokého učení.
• Vyhodnotit kompromisy mezi výkonem a transparentností.

Toto školení s přítomností lektora v místě Prague (online nebo prezenčně) je určeno pro datové vědce, odborníky na strojové učení, výzkumníky v oblasti hlubokého učení a experty na počítačové vidění středně pokročilé a pokročilé úrovně, kteří si přejí prohloubit své znalosti o generování obrazů pomocí hlubokého učení.

Po ukončení školení budou účastníci schopni:

• Pochopit pokročilé architektury a techniky hlubokého učení určené k generování obrazů z textu.
• Implementovat složité modely a optimalizace pro vytváření kvalitních obrazů.
• Optimalizovat výkonnost a škálovatelnost při práci s rozsáhlými datovými sadami a komplexními modely.
• Upravovat hyperparametry tak, aby model dosahoval lepšího výkonu a obecnější platnosti.
• Integrovat Stable Diffusion s dalšími frameworky a nástroji hlubokého učení.

Toto školení pod vedením instruktora v <místě> (online či prezenčně) je určeno pro profesionály na pokročilé úrovni, kteří chtějí využít metody umělé inteligence ke změnám v procesech objevu a vývoje léků.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět roli umělé inteligence při objevu a vývoji léků.
• Používat techniky strojového učení k předpovídání vlastností molekul a jejich interakcí.
• Využívat modely hlubokého učení k virtuálnímu testování a optimalizaci potenciálních léků.
• Začlenit přístupy vycházející z AI do procesu provádění klinických studií.

Toto školení vedené instruktorem v Prague (online či na místě) je určeno biologům, kteří chtějí porozumět principům fungování AlphaFoldu a používat jeho modely při svých výzkumech.

Na konci kurzu budou účastníci schopni:

• Pochopit základní principy AlphaFoldu.
• Porozumět mechanismům, na nichž systém pracuje.
• Umět interpretovat predikce a výsledky generované AlphaFoldem.

Tento kurz s vedoucím lektorem Prague (provedený online či prezenčně) je určen pro začínající i středně pokročilé vývojáře, kteří chtějí využít velké jazykové modely pro řešení různých úloh v oblasti přirozeného jazyka.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit vývojové prostředí, které obsahuje populární velký jazykový model.
• Vytvořit základní velký jazykový model a upravit ho na vlastní sadu dat.
• Používat velké jazykové modely k řešení různých úloh, jako je sumarizace textu, odpovídání na otázky či generování nového textu.
• Ladit a hodnotit velké jazykové modely pomocí nástrojů typu TensorBoard, PyTorch Lightning nebo Hugging Face Datasets.

Tento kurz s přímým vedením instruktora – dostupný online i prezenčně – je určen datovým vědcům, inženýrům strojového učení a výzkumníkům počítačového vidění, kteří chtějí využít Stable Diffusion k tvorbě kvalitních obrázků pro různé účely.

Po absolvování kurzu budou účastníci schopni:

• Pochopit principy fungování Stable Diffusion a způsob, jakým generuje obrázky.
• Vytvořit a vyškolit modely Stable Diffusion určené k tvorbě obrázků.
• Aplikovat tento model v různých situacích – např. při opravě částí obrázku, rozšíření obsahu mimo jeho hranice nebo převodu jednoho typu obrázku na druhý.
• Optimalizovat výkon a stabilitu modely Stable Diffusion.

Během tohoto živého školení vedeného instruktorem v lokalitě Prague se účastníci seznámí s nejdůležitějšími a nejmodernějšími technikami strojového učení v Pythonu. Při tom vytvoří řadu ukázkových aplikací pracujících s obrázky, hudbou, textem i finančními daty.

Na konci tohoto školení budou účastníci schopni:

• Implementovat algoritmy a techniky strojového učení určené k řešení složitých problémů.
• Používat metody hlubokého a polovičně supervizovaného učení v aplikacích zpracovávajících obrázky, hudbu, text a finanční data.
• Maximalizovat výkonnost algoritmů napsaných v Pythonu.
• Využívat knihovny a balíčky jako NumPy a Theano.

Tento kurz Aplikovaná umělá inteligence od nuly v Pythonu vybaví programátory a datové analytiky základními technikami pro tvorbu řešení v oblasti strojového učení od samotného začátku s využitím jazyka Python. Probírá se v něm nejdůležitější principy supervizovaného učení – tedy klasifikace a regrese, dále nesupervizované učení zahrnující shlukování a detekci anomálií, jakož i pokročilé architektury neuronových sítí. Kurz rovněž představuje osvědčené postupy práce se nástroji typu scikit-learn, knihovnou Apache Spark MLlib a notebooky Jupyter pro praktický rozvoj aplikací umělé inteligence. Pomůže profesionálům realizovat skutečně funkční modely strojového učení, posoudit jejich limity a úspěšně dokončit projekty zaměřené na řešení reálných problémů.

Hluboké učení s posilováním (Deep Reinforcement Learning, DRL) spojuje principy posilovacího učení s architekturami hlubokého učení, díky čemuž mohou umělé agenty rozhodovat na základě interakce se svým prostředím. Tato metoda stojí za mnoha moderními pokroky v oblasti umělé inteligence – například samořiditelnými vozidly, řízením robotů, algoritmickým obchodováním a adaptivními systémy doporučování. DRL umožňuje agentům učit se strategie, optimalizovat své postupy a činit autonomní rozhodnutí prostřednictvím pokusů a chyb s využitím odměnového učení.

Toto živé školení vedené instruktorem (online nebo na místě) je určeno vývojářům a datovým analytikům středně pokročilé úrovně, kteří chtějí pochopit techniky hlubokého učení s posilováním a využít je k tvorbě inteligentních agentů schopných samostatného rozhodování v složitém prostředí.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit teoretické základy a matematické principy posilovacího učení.
• Implementovat klíčové algoritmy RL, včetně Q-Learningu, gradientů politiky a metod typu Actor-Critic.
• Vytvářet a trénovat agenty využívající hluboké učení s posilováním pomocí nástrojů TensorFlow nebo PyTorch.
• Aplikovat metody DRL na reálné situace, jako jsou hry, robotika či optimalizace rozhodování.
• Diagnostikovat problémy, vizualizovat výsledky a optimalizovat výkon tréninku s využitím moderních nástrojů.

Formát kurzu

• Interaktivní přednášky a diskuze pod vedením instruktora.
• Praktické cvičení a realizace konkrétních projektů.
• Demonstrace kódování v reálném čase a projekty z praxe.

Možnosti přizpůsobení kurzu

• Chcete-li si vyžádat upravenou verzi tohoto kurzu – například s využitím PyTorch namísto TensorFlow –, kontaktujte nás a domluvme se na podrobnostech.

Pochopení základů umělé inteligence odhaluje, jak tato chytrá technologie transformuje digitální strategii, automatizaci a rozhodovací procesy v podnikovém prostředí. Kurz se zaměřuje na klíčové koncepty jako historie AI, metody řešení problémů, reprezentace znalostí, uvažování za nejistoty a paradigmata strojového učení; dále také na schopnosti komunikace, vnímání a autonomního jednání. Poskytuje vedoucím pracovníkům a architektům nástroje k posouzení příležitostí spojených s transformací pomocí AI, identifikaci nových technologických trendů a implementaci praktických inteligentních řešení pro zvýšení obchodní agility.

Tento kurz se zabývá umělou inteligencí, konkrétně strojovým učením a hlubokým učením, v rámci automobilového průmyslu. Pomáhá určit, jaké technologie lze potenciálně využít v různých situacích v automobilech – od jednoduché automatizace a rozpoznávání obrazu až po autonomní rozhodování.

Umělá neuronová síť je výpočetní datový model využívaný při tvorbě systémů umělé inteligence (AI), které dokážou plnit „inteligentní“ úkoly. Neuronové sítě se běžně používají ve strojovém učení (ML), jež samo o sobě představuje jednu z forem umělé inteligence. Hluboké učení je pak podoblastí strojového učení.

Toto živé školení pod vedením instruktora v Prague (online či na místě) poskytuje úvod do oblasti rozpoznávání vzorů a strojového učení. Zaměřuje se rovněž na praktické aplikace v statistice, informatice, zpracování signálů, počítačovém vidění, dolování dat a bioinformatice.

Po absolvování tohoto školení budou účastníci schopni:

• Používat základní statistické metody v kontextu rozpoznávání vzorů.
• Využívat důležité modely, jako jsou neuronové sítě a metody založené na jádrech k analýze dat.
• Aplikovat pokročilé techniky při řešení složitých úloh.
• Zvyšovat přesnost predikcí kombinací různých modelů.

Tento kurz pod vedením lektora v Prague (online nebo prezenčně) je určen vývojářům softwaru, analytikům dat a technickým specialistům, kteří chtějí s využitím nástrojů TensorFlow 2.x a Keras vytvářet, trénovat a nasazovat modely hlubokého učení určené pro počítačové vidění, zpracování přirozeného jazyka i multimodální aplikace.

Toto školení pod vedením instruktora v <lok> (online či prezenčně) je určeno datovým vědcům, kteří chtějí využít TensorFlow k analýze dat s potenciálními projevy podvodů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vytvořit model na detekci podvodů v Pythonu a s využitím TensorFlow.
• Sestavit lineární regresní modely určené k predikci podvodů.
• Navrhnout kompletní aplikaci založenou na umělé inteligenci pro analýzu dat o podvodech.

V tomto praktickém školení pod vedením lektora se účastníci naučí, jak pomocí Matlabu navrhovat, vytvářet a vizualizovat konvoluční neurální sítě určené k rozpoznávání obrazů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vytvořit model hlubokého učení
• Automatizovat označování dat
• Pracovat s modely z prostředí Caffe a TensorFlow-Keras
• Trénovat modely pomocí více grafických procesorů, cloudu nebo výpočetních clusterů

Cílová skupina

• Vývojáři
• Inženýři
• Odborníci z daného oboru

Forma kurzu

• Kombinace přednášek, diskuzí, cvičení a rozsáhlé praktické činnosti

Toto školení pod vedením lektora Prague (online nebo prezenčně) je určeno vývojářům a datovým analytikům, kteří chtějí využít TensorFlow 2.x k tvorbě prediktorů, klasifikátorů, generativních modelů a neuronových sítí.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nainstalovat a nastavit TensorFlow 2.x.
• Pochopit výhody TensorFlow 2.x oproti předchozím verzím.
• Vytvářet modely hlubokého učení.
• Implementovat sofistikovaný klasifikátor obrazů.
• Nasadit model hlubokého učení do cloudu, na mobilní zařízení i do IoT systémů.

Tento kurz vám nejprve poskytne základní konceptuální znalosti o neuronových sítích a obecně o algoritmech strojového učení a hlubokém učení (včetně jejich algoritmů a aplikací).

První část (40 %) kurzu se zaměřuje na základy, avšak pomůže vám vybrat vhodnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras a podobně.

Ve druhé části (20 %) kurzu je představena knihovna Theano – nástroj v jazyce Python usnadňující tvorbu modelů hlubokého učení.

Poslední část (40 %) kurzu se pak intenzivně věnuje knihovně TensorFlow – open-source rozhraní pro hluboké učení od společnosti Google. Všechny ukázky i praktická cvičení budou realizována právě v rámci této platformy.

Cílová skupina

Kurz je určen zejména inženýrům, kteří chtějí využít knihovnu TensorFlow při realizaci projektů v oblasti hlubokého učení.

Po absolvování kurzu budou účastníci schopni:

• dobře porozumět hlubokým neuronovým sítím (DNN), konvolučním sítím (CNN) a rekurentním sítím (RNN)
• pochopit strukturu i mechanismy nasazení knihovny TensorFlow
• provádět instalaci, nastavení produkčního prostředí a konfiguraci architektury
• posuzovat kvalitu kódu, odhalovat chyby a monitorovat jeho chování
• implementovat pokročilé postupy v produkci – trénování modelů, tvorbu grafů i záznam jejich výsledků