Neural Networks Školení v Brno

Toto živé školení vedené instruktorem v Brno (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.

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.

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 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 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 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.

Tento instruktážní živý školení v Brno (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 Brno (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 Brno (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.

V tomto vedeném živě tréninku se účastníci naučí používat Matlab k návrhu, sestavení a vizualizaci konvoluční neuronové sítě pro rozpoznávání obrazů.

Koncem tohoto školení budou účastníci schopni:

• Sestavit model hlubokého učení
• Automatizovat označování dat
• Pracovat s modelem z Caffe a TensorFlow-Keras
• Trenovat data pomocí více GPU, cloudu nebo clusterů

Cílová skupina

• Vývojáři
• Inženýři
• Experté na danou doménu

Formát kurzu

• Část přednášky, část diskuse, cvičení a mnoho praktické praxe

Toto školení je určeno pro lidi, kteří chtějí seznámit se základy neuronových sítí a jejich aplikacemi.

Toto školení ve třídě bude obsahovat prezentace a počítačové příklady a cvičení případových studií, které lze provést s relevantními neuronovými a hlubokými síťovými knihovnami.

Tento kurz je úvod do používání neuronových sítí v reálných problémech pomocí softwaru R-project.

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