Neuronové sítě Školení v České republice

Tento výcvik pod vedením lektora v reálném čase v České republice (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.

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 České republice (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 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