Course Outline

Η τρέχουσα κατάσταση της τεχνολογίας

    Τι χρησιμοποιείται Τι μπορεί να χρησιμοποιηθεί

Τεχνητή νοημοσύνη που βασίζεται σε κανόνες

    Απλοποιητική απόφαση

Machine Learning

    Ταξινόμηση Ομαδοποίηση Neural Networks Τύποι Neural Networks Παρουσίαση παραδειγμάτων εργασίας και συζήτηση

Deep Learning

    Βασικό λεξιλόγιο Πότε να χρησιμοποιείτε το Deep Learning, πότε όχι Εκτίμηση υπολογιστικών πόρων και κόστους Πολύ σύντομο θεωρητικό υπόβαθρο για το Deep Neural Networks

Deep Learning στην πράξη (κυρίως χρησιμοποιώντας TensorFlow)

    Προετοιμασία δεδομένων Επιλογή λειτουργίας απώλειας Επιλογή κατάλληλου τύπου στο νευρωνικό δίκτυο Ακρίβεια έναντι ταχύτητας και πόρων Εκπαίδευση νευρωνικού δικτύου Μέτρηση απόδοσης και σφάλματος

Δείγμα χρήσης

    Ανίχνευση ανωμαλιών Αναγνώριση εικόνας ADAS

 

 

 

 

Requirements

Οι συμμετέχοντες πρέπει να έχουν εμπειρία προγραμματισμού (οποιαδήποτε γλώσσα) και μηχανολογικό υπόβαθρο, αλλά δεν απαιτείται να γράψουν κώδικα κατά τη διάρκεια του μαθήματος.

  14 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (1)

Related Courses

Advanced AUTOSAR RTE Development

  35 Hours

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories