Machine Learning Školení v Brno

Tento kurz s instruktorem, probíhající živě v Brno (online nebo na místě), je určen začínajícím profesionálům, kteří si chtějí osvojit koncept předtrénovaných modelů a naučit se je prakticky využít k řešení reálných problémů bez nutnosti stavět modely od nuly.

Po dokončení kurzu budou účastníci schopni:

• Pochopit koncept a výhody předtrénovaných modelů.
• Seznámit se s různými architekturami předtrénovaných modelů a jejich využitím.
• Dalším laděním upravit předtrénované modely pro konkrétní úkoly.
• Využít předtrénované modely v jednoduchých projektech strojového učení.

Toto živé školení vedené instruktorem (online či na místě) je určeno pro účastníky s různou úrovní znalostí, kteří chtějí využít nástroje Google AutoML k vytváření chatbotů určených k různým účelům.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základy tvorby chatbotů.
• Ovládat prostředí Google Cloud Platform a pracovat s nástrojem AutoML.
• Přípravit data potřebná k trénování modelů chatbotů.
• Trénovat a vyhodnocovat vlastní modely pomocí nástroje AutoML.
• Spouštět a integrovat chatboto do různých platforem a komunikačních kanálů.
• Průběžně sledovat a optimalizovat výkon chatbotů.

Toto školení pod vedením lektora Brno (online nebo na místě) je určeno pro AI vývojáře, odborníky na strojové učení a systémové architekty se středně pokročilými znalostmi, kteří chtějí optimalizovat AI modely pro nasazení na okraji sítě.

Po absolvování kurzu budou účastníci schopni:

• Pochopit výzvy a požadavky spojené s nasazením AI modelů na zařízeních na okraji sítě.
• Využívat techniky komprese modelů ke snížení jejich velikosti a složitosti.
• Používat metody kvantizace k zvýšení efektivity modelů na okrajovém hardwaru.
• Aplikovat techniky odstranění nepotřebných částí modelu a další optimalizační postupy ke zlepšení jejich výkonu.
• Nasazovat optimalizované AI modely na různá zařízení nacházející se na okraji sítě.

Toto živé školení pod vedením lektora v Brno (online nebo prezenčně) je určeno vývojářům, datovým vědcům a technicky založeným nadšencům na středně pokročilé úrovni, kteří si chtějí osvojit praktické dovednosti při nasazování modelů AI na zařízeních na okraji sítě v různých aplikacích.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základním principům AI na okraji sítě a jejím výhodám.
• Nastavit a konfigurovat prostředí pro výpočty na okraji sítě.
• Vyvíjet, trénovat a optimalizovat modely AI určené k nasazení na zařízeních na okraji sítě.
• Implementovat konkrétní řešení s využitím AI na taková zařízení.
• Vyhodnocovat a zlepšovat výkon nasazených modelů.
• Řešit etické a bezpečnostní aspekty při využívání AI na okraji sítě.

Toto školení pod vedením instruktora Brno (online či na místě) je určeno pro zkušené inženýry AI a datové vědce, kteří si přejí zvýšit výkonnost modelů DeepSeek, minimalizovat latenci a efektivně nasazovat řešení umělé inteligence s využitím moderních postupů MLOps.

Po absolvování tohoto kurzu budou účastníci schopni:

• Optimalizovat modely DeepSeek z hlediska efektivity, přesnosti a škálovatelnosti.
• Aplikovat osvědčené postupy v oblasti MLOps a správy verzí modelů.
• Nasazovat modely DeepSeek jak do cloudových, tak i lokálních prostředí.
• Efektivně monitorovat, udržovat a škálovat řešení založená na umělé inteligenci.

MLOps na platformě Kubernetes představuje framework umožňující automatizaci procesů trénování, validace, balení a nasazování modelů strojového učení pomocí kontejnerizovaných pipeline a pracovních postupů typu GitOps.

Tento praktický školení vedené instruktorem (online nebo na místě) je určeno pro odborníky středně pokročilé úrovně, kteří chtějí vytvářet automatizované a škálovatelné MLOps pipeline na platformě Kubernetes.

Po absolvování tohoto kurzu budou účastníci schopni:

• Navrhovat komplexní CI/CD pipeline pro strojové učení.
• Implementovat pracovní postupy typu GitOps pro nasazování a verzování modelů.
• Automatizovat trénování, testování a balení modelů strojového učení.
• Začlenit monitorování, upozorňovací systémy i strategie pro navracení ke starší verzi.

Formát kurzu

• Instruktorské prezentace a hluboká technická probrání jednotlivých témat.
• Praktická cvičení vedoucí k vytvoření reálných CI/CD workflow.
• Příležitosti k samostatnému experimentování na laboratorních prostředích při nasazování pracovních nákladů strojového učení do platformy Kubernetes.

Možnosti přizpůsobení kurzu

• Organizace si mohou vyžádat obsah upravený podle jejich interních nástrojů a infrastruktury MLOps.

Kubeflow je open-source platforma určená k usnadnění vytváření, trénování a nasazování strojově učících modelů na prostředí Kubernetes.

Toto školení pod vedením instruktora (online nebo prezenčně) je určeno profesionálům s počáteční až střední úrovní znalostí, kteří chtějí pomocí Kubeflow vyvíjet spolehlivé ML pracovní toky.

Po absolvování tohoto kurzu budou účastníci schopni:

• Orientovat se v ekosystému Kubeflow a jeho klíčových komponentách.
• Vytvářet opakovaně použitelné pracovní toky pomocí nástroje Kubeflow Pipelines.
• Spouštět škálovatelné trénovací úlohy na prostředí Kubernetes.
• Efektivně nasazovat strojově učící modely pomocí služby Kubeflow Serving.

Forma kurzu

• Instruktáže doprovázené diskusemi a interaktivními cvičeními.
• Praktické laboratoře s využitím reálných komponent Kubeflow.
• Cílená cvičení zaměřená na vytvoření kompletních ML řešení.

Možnosti přizpůsobení kurzu

• Je možné kurz upravit tak, aby odpovídal technologickému prostředí a konkrétním potřebám vašeho týmu.

TinyML je metoda nasazování optimalizovaných strojově učících modelů na zařízení s omezenými prostředky, jako jsou mikrokontroléry.

Toto školení pod vedením instruktora (online nebo prezenčně) je určeno pro technicky zdatné odborníky na pokročilé úrovni, kteří chtějí navrhovat, optimalizovat a nasazovat celé TinyML pipeline.

Po absolvování tohoto kurzu budou účastníci umět:

• Sbírat, připravovat a spravovat datové sady pro aplikace v rámci TinyML.
• Trénovat a optimalizovat modely určené k použití na nízkoenergetických mikrokontrolérech.
• Převádět modely do lehkých formátů vhodných pro zařízení na okraji sítě (edge).
• Nasazovat, testovat a monitorovat TinyML aplikace přímo na hardwaru.

Formát kurzu

• Přednášky s instruktorem a odborné diskuse.
• Praktická cvičení a opakované experimentování.
• Aktivní nasazování modelů na platformy založené na mikrokontrolérech.

Možnosti přizpůsobení kurzu

• Chcete-li školení upravit podle konkrétních nástrojů, hardwaru nebo interních postupů vaší organizace, kontaktujte nás pro domluvení detailů.

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 školení pod vedením lektora v <lok> (online nebo na místě) je určeno pro odborníky s pokročilými znalostmi, kteří si chtějí osvojit technologie stojící za autonomními systémy.

Po absolvování tohoto kurzu budou účastníci schopni:

• Navrhnout a implementovat AI modely pro autonomní rozhodování.
• Vyvinout řídicí algoritmy určené k autonomní navigaci a vyhýbání se překážkám.
• Zajistit bezpečnost a spolehlivost AI řízených autonomních systémů.
• Integrovat autonomní systémy s již existujícími robotickými a AI rámci.

Toto živé školení pod vedením instruktora Brno (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.

TinyML je přístup k nasazování strojově učících modelů na zařízení s omezenými zdroji energie a paměti, která operují na okraji síťové infrastruktury.

Toto školení vedené instruktorem (online nebo prezenčně) je určeno pro profesionály pokročilé úrovně, kteří chtějí zabezpečit procesy TinyML a implementovat techniky na ochranu soukromí v aplikacích umělé inteligence pracujících na okraji sítě.

Po absolvování tohoto kurzu budou účastníci schopni:

• Identifikovat bezpečnostní rizika specifická pro provádění inference modelů TinyML přímo na zařízeních.
• Implementovat mechanismy na ochranu soukromí při nasazování systémů umělé inteligence na okraji sítě.
• Posílit modely TinyML a vestavěné systémy proti útokům ze strany nežádoucích subjektů.
• Aplikovat osvědčené postupy pro bezpečnou správu dat v prostředí s omezenými zdroji.

Forma kurzu

• Interaktivní přednášky doprovázené diskuzemi vedenými odborníky.
• Praktická cvičení zaměřená na reálné scénáře ohrožení bezpečnosti.
• Aktivní implementace pomocí nástrojů pro zabezpečení vestavěných systémů a TinyML technologií.

Možnosti přizpůsobení kurzu

• Organizace mohou požádat o upravenou verzi tohoto školení tak, aby odpovídala jejich konkrétním požadavkům na bezpečnost a soulad s předpisy.

Toto praktické školení pod vedením lektora (online nebo na místě) je určeno pokročilým profesionálům, kteří si chtějí prohloubit znalosti o modelech strojového učení, zdokonalit dovednosti v ladění parametrů a naučit se efektivně nasazovat modely pomocí nástroje Google Colab.

Po absolvování kurzu budou účastníci schopni:

• Vytvářet pokročilé modely strojového učení s využitím populárních nástrojů jako Scikit-learn a TensorFlow.
• Optimalizovat výkon modelů prostřednictvím ladění jejich parametrů.
• Nasazovat modely strojového učení do praktických aplikací pomocí Google Colab.
• Spolupracovat na rozsáhlých projektech v oblasti strojového učení a spravovat je v prostředí Google Colab.

Tento kurz pod vedením instruktora v Brno (online nebo prezenčně) je určen pro profesionály střední úrovně, kteří chtějí uplatnit metody umělé inteligence při optimalizaci řízení výtěžnosti ve výrobě polovodičů.

Po absolvování kurzu budou účastníci schopni:

• Analyzovat výrobní data za účelem identifikace faktorů ovlivňujících výtěžnost.
• Implementovat algoritmy umělé inteligence pro zdokonalení procesů řízení výtěžnosti.
• Optimalizovat výrobní parametry tak, aby se snížil počet vad a zvýšila se výtěžnost.
• Integrovat systémy řízení výtěžnosti s podporou umělé inteligence do stávajících výrobních procesů.

Toto školení vedené instruktorem Brno (online či prezenčně) je určeno pro profesionály ze střední úrovně z oblasti obchodu a umělé inteligence, kteří chtějí využívat strojové učení při řešení obchodních výzev, prognózování i tvorbě systémů s využitím skutečných případových studií a nástrojů založených na jazyce Python.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit, jak se strojové učení zařazuje do rámce umělé inteligence a obchodní strategie.
• Aplikovat techniky učení s učitelem i bez učitele na strukturované obchodní problémy.
• Předzpracovávat a transformovat data pro potřeby modelování.
• Využívat neuronové sítě k zařazování do kategorií a predikci výsledků.
• Provádět prognózování prodeje pomocí statistických metod i modelů strojového učení.
• Implementovat techniky seskupování a těžbu asociačních pravidel za účelem segmentace zákazníků a objevování vzorců chování.

Tento kurz veden instruktorem v <lok> (online nebo prezenčně) je určen pro odborníky na střední úrovni, kteří chtějí využít metody prediktivní údržby založené na umělé inteligenci ve výrobě polovodičů s cílem zvýšit efektivitu výroby a snížit počet neplánovaných poruch zařízení.

Po absolvování tohoto kurzu budou účastníci schopni:

• Implementovat modely umělé inteligence pro předpovídání selhání zařízení ve výrobě polovodičů.
• Analyzovat údaje o údržbě s cílem identifikovat vzorce a trendy, které mohou signalizovat možné problémy.
• Začlenit prediktivní údržbu založenou na umělé inteligenci do stávajících výrobních procesů.
• Snižovat prostojy a náklady na údržbu díky proaktivnímu řízení zařízení.

Toto školení vedené instruktorem probíhá online nebo na místě a je určeno pro profesionály na pokročilé úrovni, kteří chtějí využít nejmodernější techniky umělé inteligence při automatizaci návrhu polovodičů – s cílem zvýšit efektivitu, přesnost a inovativnost celého procesu.

Po absolvování školení budou účastníci schopni:

• Aplikovat pokročilé techniky umělé inteligence k optimalizaci procesů navrhování polovodičů.
• Integrovat modely strojového učení do nástrojů EDA za účelem lepšího ověřování návrhů.
• Vytvářet řešení založená na umělé inteligenci pro složité problémy spojené s výrobou čipů.
• Využívat neuronové sítě ke zvýšení přesnosti a rychlosti automatizace návrhu.

Toto živé školení pod vedením instruktora Brno (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 vedené instruktorem v Brno (online nebo prezenčně) je určeno pro profesionály na středně pokročilé úrovni, kteří chtějí porozumět a uplatňovat metody umělé inteligence při optimalizaci výrobních procesů polovodičů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět metodám umělé inteligence určeným k optimalizaci výrobních procesů v čipové výrobě.
• Implementovat modely umělé inteligence za účelem zvýšení výtěžnosti a snížení počtu vad.
• Analyzovat výrobní data za účelem identifikace klíčových parametrů pro optimalizaci.
• Využít techniky strojového učení k vyladění procesů výroby polovodičů.

Toto školení vedené lektorem Brno (online či prezenčně) je určeno pro účastníky středně pokročilé úrovně, kteří si přejí automatizovat a spravovat pracovní postupy strojového učení – včetně trénování modelů, jejich validace a nasazení pomocí Apache Airflow.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit Apache Airflow pro orchestraci pracovních postupů strojového učení.
• Automatizovat úkony spojené s předzpracováním dat, trénováním modelů a jejich validací.
• Integrovat Airflow s nástroji a frameworky pro strojové učení.
• Nasazovat modely strojového učení pomocí automatizovaných pipeline.
• Monitorovat a optimalizovat pracovní postupy strojového učení v produkci.

Tento kurz vedený lektorem (online nebo na místě) je určen pro datové vědce a programátory středně pokročilé úrovně, kteří chtějí efektivně využívat algoritmy strojového učení v prostředí Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit a ovládat Google Colab pro projekty strojového učení.
• Porozumět různým algoritmům strojového učení a umět je uplatnit.
• Využívat knihovny jako Scikit-learn k analýze a predikci dat.
• Implementovat modely strojového učení s učením pod dohledem i bez něj.
• Účinně optimalizovat a vyhodnocovat modely strojového učení.

TinyML představuje metodu nasazování strojově učících modelů na hardware s velmi omezenými zdroji.

Toto živé školení vedené instruktorem (online nebo na místě) je určeno pro pokročilé odborníky, kteří si přejí optimalizovat modely TinyML tak, aby dosahovaly nízké latence a efektivně využívaly paměť na vestavěných zařízeních.

Po absolvování tohoto školení budou účastníci schopni:

• Využívat kvantizaci, prořezávání a kompresi za účelem zmenšení velikosti modelu bez ztráty přesnosti.
• Provádět testování výkonu TinyML modelů s ohledem na latenci, spotřebu paměti a energetickou efektivitu.
• Implementovat optimalizované procesy inferenze na mikrokontrolérech a dalších edge zařízeních.
• Posuzovat kompromisy mezi výkonem, přesností a omezeními hardwaru.

Formát kurzu

• Prezentace vedené instruktorem doplněné o technická demonstrace.
• Praktická cvičení zaměřená na optimalizaci a srovnávací testování výkonu.
• Samostatná implementace řešení TinyML v kontrolovaném laboratorním prostředí.

Možnosti přizpůsobení kurzu

• V případě potřeby vytvoříme školení podle konkrétních hardwarových platforem nebo interních pracovních postupů – stačí nás kontaktovat.

Tento výcvik pod vedením lektora v reálném čase v Brno (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 vedené instruktorem Brno (online či na místě) je určeno pro začátečníky, kteří chtějí porozumět a uplatnit technologie umělé inteligence v oblasti výroby polovodičů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základní principy umělé inteligence a jejich využití ve výrobě polovodičů.
• Identifikovat oblasti výroby polovodičů, kde lze umělou inteligenci efektivně využít.
• Využívat nástroje a techniky umělé inteligence ke zvýšení efektivity výroby a kontrole kvality.
• Implementovat jednoduché modely umělé inteligence pro optimalizaci výrobních procesů.

Docker je platforma pro kontejnerizaci, která umožňuje vytvářet reprodukovatelná, přenositelná a škálovatelná prostředí určená k nasazení systémů strojového učení.

Toto praktické školení vedené lektorem (online nebo na místě) je určeno pro technicky zdatné profesionály na středně pokročilé až pokročilé úrovni, kteří chtějí kontejnerizovat a provozovat kompletní ML pipeliney pomocí Dockeru.

Po absolvování tohoto kurzu budou účastníci schopni:

• Kontejnerizovat úlohy spojené s trénováním, validací a inferencí modelů.
• Navrhovat a řídit celý průběh ML pipelineů pomocí Dockeru a souvisejících nástrojů.
• Implementovat verzování, reprodukovatelnost a procesy CI/CD pro jednotlivé části ML systémů.
• Nasazovat, monitorovat a škálovat služby strojového učení v kontejnerizovaném prostředí.

Forma kurzu

• Interaktivní přednášky doplněné praktickými ukázkami.
• Cvičení zaměřená na vytváření reálných komponent ML pipelineů.
• Praktické laboratoře pro implementaci celých kontejnerizovaných pracovních postupů.

Možnosti přizpůsobení kurzu

• V případě potřeby školení přizpůsobeného konkrétním požadavkům na infrastrukturu strojového učení nás kontaktujte, abychom probrali možnosti.

Toto školení vedené instruktorem Brno (online nebo prezenčně) je určeno datovým vědcům a vývojářům, kteří chtějí využít modely ML.NET ke generování predikcí na základě analýz firemních dat.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nainstalovat ML.NET a začlenit jej do svého vývojového prostředí.
• Porozumět zásadám strojového učení, na kterých jsou postaveny nástroje a algoritmy ML.NET.
• Vytvářet a trénovat modely strojového učení tak, aby efektivně predikovaly na základě poskytnutých dat.
• Hodnotit výkonnost modelů pomocí metrik dostupných v rámci ML.NET.
• Optimalizovat přesnost stávajících modelů strojového učení s využitím frameworku ML.NET.
• Aplikovat koncepty strojového učení z ML.NET i na jiné datově-vědecké úlohy.

Toto školení vedené lektorem Brno (online nebo prezenčně) je určeno pro datové profesionály střední úrovně, kteří chtějí aplikovat metody machine learningu na řešení obchodních problémů založených na datech – včetně prognózování prodeje a prediktivního modelování s využitím neuronových sítí.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základním konceptům a typům machine learningu.
• Používat klíčové algoritmy pro klasifikaci, regresi, shlukování a asociační analýzu.
• Provádět exploratorickou analýzu dat a jejich přípravu pomocí Pythonu.
• Využívat neuronové sítě k řešení nelineárních modelovacích úloh.
• Implementovat prediktivní analýzu pro obchodní prognózy, včetně dat o prodejích.
• Hodnotit a optimalizovat výkonnost modelů pomocí vizuálních i statistických metod.

Toto školení s přítomností lektora v místě Brno (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 vedené lektorem v <lok> (online nebo na místě) je určeno pro profesionály v oblasti kybernetické bezpečnosti se středně pokročilými až pokročilými znalostmi, kteří si chtějí rozšířit dovednosti v detekci hrozeb a reakci na incidenty pomocí umělé inteligence.

Po absolvování tohoto kurzu budou účastníci schopni:

• Implementovat pokročilé algoritmy AI pro detekci hrozeb v reálném čase.
• Přizpůsobit modely AI konkrétním výzvám v oblasti kybernetické bezpečnosti.
• Vytvořit automatizované pracovní postupy pro reakci na hrozby.
• Zajistit ochranu bezpečnostních nástrojů založených na AI před protivníkovými útoky.

Tento kurz vedený instruktorem (v online formátu nebo prezenčně) je určen pro inženýry vestavěných systémů a vývojáře AI na středně pokročilé úrovni, kteří chtějí nasazovat modely strojového učení na mikrokontroléry pomocí nástrojů TensorFlow Lite a Edge Impulse.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základy TinyML a jeho výhody pro aplikace umělé inteligence na okraji sítě.
• Nastavit vývojové prostředí určené k tvorbě projektů v rámci TinyML.
• Trénovat, optimalizovat a nasazovat modely umělé inteligence na mikrokontroléry s nízkou spotřebou energie.
• Využívat nástroje TensorFlow Lite a Edge Impulse k realizaci reálných aplikací využívajících TinyML.
• Optimalizovat modely AI tak, aby byly energeticky efektivní a vyhovovaly omezením paměti zařízení.

Tento živý školicí kurz pod vedením lektora Brno (online nebo prezenčně) je určen začínajícím profesionálům v oblasti kybernetické bezpečnosti, kteří si chtějí osvojit způsoby využití umělé inteligence ke zlepšení schopností detekce a reakce na hrozby.

Na konci kurzu budou účastníci schopni:

• Pochopit, jak lze umělou inteligenci využít v kybernetické bezpečnosti.
• Implementovat algoritmy AI určené k detekci hrozeb.
• Automatizovat reakce na incidenty pomocí nástrojů založených na AI.
• Integrovat technologie umělé inteligence do stávajících systémů kybernetické ochrany.

Toto školení vedené instruktorem v Brno (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.

Toto školení vedené lektorem v Brno (online nebo prezenčně) je určeno pro analytiky dat středně pokročilé úrovně, kteří se chtějí naučit používat RapidMiner k odhadování a projekci hodnot a k využívání analytických nástrojů pro predikci časových řad.

Po absolvování tohoto kurzu budou účastníci schopni:

• Naučit se aplikovat metodiku CRISP-DM, vybírat vhodné algoritmy strojového učení a zlepšovat tvorbu i výkonnost modelů.
• Využívat RapidMiner k odhadování a projekci hodnot a k aplikaci analytických nástrojů pro předpovídání časových řad.

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.

Toto školení pod vedením instruktora v <lok> (online nebo prezenčně) je určeno pro začínající inženýry a datové vědce, kteří se chtějí seznámit se základy TinyML, objevit jeho praktické využití a nasadit modely umělé inteligence na mikrokontroléry.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základy TinyML a jeho význam.
• Nasadit lehké modely umělé inteligence na mikrokontroléry a zařízení na okraji sítě.
• Optimalizovat a ladit modely strojového učení tak, aby spotřebovávaly co nejméně energie.
• Využít TinyML v reálných situacích – například k rozpoznávání gest, detekci anomálií či zpracování zvuku.

Cílem tohoto kurzu je zajistit vám obecnou způsobilost k praktickému uplatňování metod machine learningu. Prostřednictvím programovacího jazyka Python a jeho řady knihoven, spolu s množstvím praktických příkladů, se naučíte využívat nejdůležitější nástroje machine learningu, rozhodovat o modelování dat, interpretovat výsledky algoritmů a ověřovat jejich platnost.

Naším cílem je vybavit vás schopnostmi samostatně porozumět a efektivně používat základní nástroje z oblasti machine learningu, přičemž se vyhnete běžným chybám při práci s daty.

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.

Tento osmidenní kurz nabízí komplexní cestu od pevných základů v programování v Pythonu až po pokročilý návrh systémů s AI. Účastníci si osvojí disciplinované postupy při psaní kódu, ovládnou statistické metody i hluboké učení a vytvoří funkční generativní modely AI i systémy s agenty. Kurz klade důraz na spolehlivost, vyhodnocování výsledků, bezpečnost a nasazení do reálného prostředí namísto pouhých experimentů.

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.

Prohlubte své znalosti v oblasti datové vědy prostřednictvím tohoto komplexního školení o machine learningu, které pokrývá klíčové algoritmy – například Naive Bayes, rozhodovací stromy, neuronové sítě, metodu podpůrných vektorů a techniky shlukování. Získejte praktické zkušenosti jak s teoretickými základy, tak i jejich uplatněním na reálných datech. Kurz je ideální pro analytiky dat, softwarové inženýry, nadšence do umělé inteligence a odborníky z oblasti podnikání, kteří chtějí využít řešení založená na machine learningu. Naučte se také hodnotit výkonnost klasifikačních modelů, provádět křížovou validaci, rozumět kompromisu mezi systémovým odchylkami a chybami, stejně jako základům hlubokého učení s cílem vytvořit spolehlivé prediktivní modely.

Toto živé školení pod vedením instruktora v Brno (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.

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.

Strojové učení je obor umělé inteligence, v němž počítače dokážou se učit samy, aniž by byly explicitně naprogramované.

Hluboké učení je podoblastí strojového učení, která využívá metody založené na učení se reprezentací a strukturám dat, jako jsou například neuronové sítě.

Python je vysoce úrovňový programovací jazyk známý svou přehlednou syntaxí a dobrou čitelností kódu.

Během tohoto praktického školení pod vedením instruktora se účastníci naučí implementovat modely hlubokého učení pro telekomunikace pomocí Pythonu, přičemž si postupně vytvoří model pro predikci úvěrového rizika.

Na konci kurzu budou účastníci schopni:

• Pochopit základní koncepty hlubokého učení.
• Seznámit se s aplikacemi a využitím hlubokého učení v telekomunikacích.
• Používat Python, Keras a TensorFlow k tvorbě modelů hlubokého učení určených pro telekomunikace.
• Vytvořit vlastní model hlubokého učení na predikci odlivu zákazníků s využitím Pythonu.

Formát kurzu

• Interaktivní přednášky a diskuse.
• Mnoho cvičení a praktických aktivit.
• Praktická implementace v reálném laboratorním prostředí.

Možnosti přizpůsobení kurzu

• Chcete-li si vyžádat individuálně upravené školení, kontaktujte nás prosím a domluvíme se na podrobnostech.

Toto praktické školení vedené lektorem je přirozeným pokračováním kurzu Python pro analytiku dat.

Seznamuje účastníky s základními koncepty strojového učení a ukazuje, jak je lze přímo využít při analýze dat – např. k predikci, klasifikaci či segmentaci.

Cílem kurzu je poskytnout praktické pochopení toho, jak strojové učení funguje v reálném prostředí. Využívají se přitom nástroje, které účastníci již znají – Python, Pandas a Jupyter Notebook – aniž by vyžadovaly hluboké matematické znalosti.

Tento praktický kurz vedený instruktorem Brno (online či na místě) je určen pro inženýry, kteří chtějí posoudit dostupné přístupy a nástroje a učinit informované rozhodnutí ohledně zavádění MLOps do svých organizací.

Po absolvování tohoto kurzu budou účastníci schopni:

• Instalovat a konfigurovat různé frameworky a nástroje MLOps.
• Sestavit tým s potřebnými dovednostmi pro vytvoření a podporu systému MLOps.
• Přípravovat, ověřovat a verzovat data určená k použití v modelech strojového učení.
• Rozumět jednotlivým částem ML pipeline a nástrojům potřebným k jejímu sestavení.
• Experimentovat s různými frameworky pro strojové učení i servery určenými k nasazení do produkce.
• Zapracovat celý proces strojového učení tak, aby byl opakovatelný a snadno udržovatelný.

Tento kurz vedený instruktorem Brno (online nebo prezenčně) je určen pro data analytiky, vývojáře a budoucí odborníky na datovou vědu na středně pokročilé úrovni, kteří chtějí uplatnit metody machine learningu v Pythonu k získávání poznatků, předpovídání a automatizaci rozhodování na základě dat.

Po absolvování kurzu budou účastníci schopni:

• Rozumět hlavním paradigmatům machine learningu a mezi nimi rozlišovat.
• Seznámit se s technikami předzpracování dat a metrikami pro vyhodnocení modelů.
• Aplikovat algoritmy machine learningu na řešení reálných problémů spojených s daty.
• Využívat knihovny v Pythonu a Jupyter Notebooks k praktickému vývoji.
• Vytvářet modely určené k predikci, klasifikaci, doporučování a shlukování dat.

Toto školení pod vedením lektora Brno (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 vás nejprve seznamí s teoretickými základy neuronových sítí a obecně i strojového učení, přičemž důraz je kladen také na hluboké učení – konkrétně na algoritmy a jejich praktické využití.

První část kurzu (40 %) se zaměřuje na základní principy, avšak pomůže vám vybrat si vhodnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras apod.

Ve druhé části (20 %) si představíme knihovnu Theano – nástroj v jazyce Python, který značně usnadňuje tvorbu modelů hlubokého učení.

Třetí část (40 %) kurzu je komplexně zaměřena na TensorFlow – API open-source knihovny od Googlu určené k implementaci hlubokých neuronových sítí. Všechny praktické ukázky a cvičení budou v tomto prostředí realizovány.

Cílová skupina

Tento kurz je určen zejména inženýrům, kteří chtějí využít TensorFlow při tvorbě projektů z oblasti hlubokého učení.

Po absolvování kurzu budou účastníci schopni:

• plně pochopit principy hlubokých neuronových sítí, konvolučních (CNN) a rekurentních sítí (RNN)
• porozumět struktuře i mechanismům nasazení knihovny TensorFlow
• provádět instalaci, nastavení produkčního prostředí a konfiguraci architektury
• hodnotit kvalitu kódu, provádět ladění a monitorování systému
• implementovat pokročilé produkční postupy – trénování modelů, vytváření grafů i logování výsledků