Neural Networks Školení v Prague

Toto živé školení vedené instruktorem v Prague (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.

Toto živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na vývojáře a datové vědce, kteří se chtějí naučit základy Deep Reinforcement Learning při vytváření agenta Deep Learning Agent.

Na konci tohoto školení budou účastníci schopni:

• Porozumět klíčovým konceptům za Deep Reinforcement Learning a umět je odlišit od strojového učení.
• Aplikujte pokročilé Reinforcement Learning algoritmy k řešení skutečných problémů.
• Vybudujte si agenta pro hluboké učení.

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 Prague (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 Prague (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 Prague (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.

Typ: Teoretická příprava s aplikacemi předem dohodnutými se studenty na Lasagne nebo Keras podle vzdělávací skupiny

Metoda výuky: prezentace, diskuse a případové studie

Umělá inteligence poté, co narušila řadu vědeckých oborů, začala revolucionizovat velké množství ekonomických sektorů (průmysl, lékařství, komunikace atd.). Jeho prezentace v mainstreamových médiích je však často fantazií, velmi vzdálenou tomu, co domény Machine Learning nebo Deep Learning ve skutečnosti jsou. Účelem tohoto školení je poskytnout inženýrům, kteří již ovládají IT nástroje (včetně základního programování softwaru), úvod do Deep Learning a také do různých oblastí jeho specializace, a tedy do hlavních dnes existujících síťových architektur. Pokud jsou během kurzu probrány matematické základy, pro větší pohodlí se doporučuje úroveň matematiky BAC+2. Je naprosto možné ignorovat matematickou osu a zachovat si pouze „systémovou“ vizi, ale tento přístup značně omezí vaše chápání předmětu.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat Matlab k návrhu, sestavení a vizualizaci konvoluční neuronové sítě pro rozpoznávání obrazu.

Na konci tohoto školení budou účastníci schopni:

Vytvoření modelu hlubokého učení Automatizace označování dat Práce s modely dat Caffe a TensorFlow-Keras Train pomocí více GPU, cloudu nebo clusterů

Publikum

Vývojáři Inženýři Experti na domény

Formát kurzu

Část přednáška, část diskuse, cvičení a těžké praktické cvičení

Toto živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na inženýry, kteří se chtějí dozvědět o použitelnosti umělé inteligence v mechatronických systémech.

Na konci tohoto školení budou účastníci schopni:

• Získejte přehled o umělé inteligenci, strojovém učení a výpočetní inteligenci.
• Pochopit koncepty neuronových sítí a různé metody učení.
• Efektivně volte přístupy umělé inteligence pro problémy v reálném životě.
• Implementujte aplikace AI v mechatronickém inženýrství.

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.

V tomto vedeném instruktorem živém tréninku v Prague se účastníci naučí, jak si využít inovace v procesorech TPU pro maximalizaci výkonu svých vlastních aplikací umělé inteligence.

Do konce tréninku budou účastníci schopni:

• Trénovat různé typy neuronových sítí na větším množství dat.
• Používat TPU pro zrychlení procesu inferencí až o dva řády.
• Využívat TPU pro zpracování náročných aplikací jako je hledání obrázků, cloudové vidění a fotografie.

Tento kurz začíná tím, že vám poskytne koncepční znalosti o neuronových sítích a obecně v algoritmu strojového učení, hlubokém učení (algoritmy a aplikace).

Část 1 (40 %) tohoto školení je více zaměřena na základy, ale pomůže vám vybrat správnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras atd.

Část 2 (20 %) tohoto školení představuje Theano – knihovnu pythonu, která usnadňuje psaní modelů hlubokého učení.

Část 3 (40 %) školení by byla z velké části založena na Tensorflow – API druhé generace otevřené softwarové knihovny Google pro Deep Learning. Všechny příklady a handon by byly vytvořeny v TensorFlow.

Publikum

Tento kurz je určen pro inženýry, kteří chtějí použít TensorFlow pro své projekty Deep Learning

Po absolvování tohoto kurzu budou delegáti:

mít dobré znalosti o hlubokých neuronových sítích (DNN), CNN a RNN rozumět struktuře a mechanismům nasazení TensorFlow být schopen provádět úlohy instalace / produkčního prostředí / architektury a konfigurace být schopen posoudit kvalitu kódu, provádět ladění, monitorování být schopen implementovat pokročilou produkci, jako jsou tréninkové modely, stavební grafy a protokolování