Καθολική Ανάπτυξη Τεχνητής Νοημοσύνης από τη Βάση Κομμάτι εκπαίδευσης

Αυτό το μάθημα καλύπτει την ΑΙ (εμφανίζοντας Machine Learning και Deep Learning) στη βιομηχανία Automotive. Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (πιθανώς) να χρησιμοποιηθεί σε πολλαπλές καταστάσεις σε ένα αυτοκίνητο: από απλή αυτοματοποίηση, αναγνώριση εικόνας μέχρι αυτόνομη λήψη αποφάσεων.

Αυτό το μάθημα έχει δημιουργηθεί για μάνατζερ, αρχιτέκτονες λύσεων, στελέχη καινοτομίας, CTO, αρχιτέκτονες λογισμικού και οποιονδήποτε ενδιαφέρεται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και την πλησιέστερη πρόβλεψη για την ανάπτυξή της.

Αυτός ο διδασκαλικός εργασιαστήριος σε ύφηγμα (online ή για πρώτα μέτωπα) είναι κατευθυνόμενος σε άλλολους συμμετέχοντες που επιθυμούν να μάθουν βασικές αρχές πληροφορίας, κατανομών, προγραμματισμού και μηχανικής μάθησης και να τις εφαρμόσουν στην ανάπτυξη ΑΙ.

Στο τέλος αυτού του εργασιαστηρίου, οι συμμετέχοντες θα μπορούν να:

• Καταλάβουν βασικές αρχές πληροφορίας και στατιστικών και να τις εφαρμόσουν σε πραγματικά περιστατικά.
• Να γράφουν και να καταλαβαίνουν κώδικα προγραμματισμού με τη σειρά, αποδεξικό και αντικειμενοσυνεχές.
• Εφαρμόζουν τεχνικές μηχανικής μάθησης όπως το ενημέρωση, απογραφή και νευρωνικές δίκτυα.
• Αναπτύσσουν λύσεις ΑΙ χρησιμοποιώντας μηχανήματα κανόνων και εξPERT συστήματα για τη διάλυση προβλημάτων.

Αυτή η διδασκαλία υπό επιβλέψη καθηγητών, δια ζωντανά (online ή on-site) απευθύνεται σε επαγγελματίες του υψηλότερου επιπέδου που επιθυμούν να βαθύνουν την κατανόησή τους στην υπολογιστική όραση και να αναδιευθύνουν τις δυνατότητες του TensorFlow για την ανάπτυξη περίπλοκων μοντέλων όρασης χρησιμοποιώντας Google Colab.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Δημιουργήσουν και εκπαιδεύσουν δίκτυα τυχαίων ενδεικτών (CNNs) με TensorFlow.
• Να χρησιμοποιήσουν Google Colab για ανάπτυξη κλωβώδων και αποδοτικών μοντέλων σε πλαίσιο νεφέλης.
• Να εφαρμόσουν τεχνικές προεπεξεργασίας εικόνας για εργασίες υπολογιστικής όρασης.
• Να εφαρμόσουν μοντέλα υπολογιστικής όρασης για πραγματικές εφαρμογές.
• Να χρησιμοποιήσουν μεταφορά μάθησης (transfer learning) για τη βελτίωση της απόδοσης των μοντέλων CNN.
• Να οπτικοποιήσουν και να ερμηνεύσουν τα αποτελέσματα μοντέλων κατηγοριοποίησης εικόνας.

Αυτή η εκπαιδευτική διάλεξη που γίνεται ζωντανά (online ή σε υπερβολικό) στο Ελλάδα, είναι κατευθυνόμενη σε δεδηλωμένους επαγγελματίες των επιστημόνων δεδομένων και αναπτυκτών που θέλουν να κατανοήσουν και να εφαρμόσουν τεχνικές βαθιά μάθησης χρησιμοποιώντας το περιβάλλον Google Colab.

Από το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εγκαταστήσουν και διαδραματίσουν Google Colab για προγράμματα βαθιάς μάθησης.
• Κατανοήσουν τα θεμελιώδη στοιχεία των νευρωνικών δικτύων.
• Εφαρμόσουν μοντέλα βαθιάς μάθησης χρησιμοποιώντας το TensorFlow.
• Κατευθύνουν και αξιολογήσουν μοντέλα βαθιάς μάθησης.
• Χρησιμοποιούν τις προεπιλεγμένες λειτουργίες του TensorFlow για βαθιά μάθηση.

Σε αυτή την εκπαιδευτική σειρά με καθηγητή, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν βιβλιοθήκες Python για NLP καθώς δημιουργούν μια εφαρμογή που επεξεργάζεται ένα σύνολο φωτογραφιών και δημιουργεί περιγράφους.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Σχεδιάζουν και γράφουν βιβλιοθήκες ΒΛ για NLP χρησιμοποιώντας βιβλιοθήκες Python.
• Να δημιουργούν κώδικα Python που αναγνωρίζει ένα σημαντικό πλήθος φωτογραφιών και εξάγει λέξεις-κλειδιά.
• Να δημιουργούν κώδικα Python που δημιουργεί περιγράφους από τις εξαγόμενες λέξεις-κλειδιά.

Ακροατήριο

Αυτό το μάθημα είναι κατάλληλο για έρευνες στο βαθύ μάθημα και για μηχανικούς που ενδιαφέρονται να χρησιμοποιήσουν διαθέσιμα εργαλεία (κυρίως open source) για την ανάλυση κομψών εικόνων

Αυτό το μάθημα παρέχει λειτουργικά παραδείγματα.

Αυτή η εκπαίδευση με εγκαθιδρυτικό, ζωντανή σε Ελλάδα (online ή onsite), απευθύνεται σε επιστήμονες δεδομένων που θέλουν να χρησιμοποιήσουν το TensorFlow για την ανάλυση δεδομένων πιθανών παρανομιών.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Δημιουργήσουν ένα μοντέλο ανίχνευσης παρανομιών στο Python και TensorFlow.
• Κατασκευάσουν γραμμικές παλινδρομήσεις και μοντέλα γραμμικών παλινδρομήσεων για την πρόβλεψη παρανομιών.
• Αναπτύξουν μια εφαρμογή AI από τέλος σε τέλος για την ανάλυση δεδομένων παρανομιών.

Αυτή η οδηγία υπό την καθοδήγηση εκπαιδευτικών, γρήγορη (online ή on-site) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που θέλουν να χρησιμοποιήσουν το Tensorflow 2.x για να κατασκευάζουν προϊόντα, κλασιφικατές, γεννητικά μοντέλα, τυπικά δίκτυα και άλλα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν και ρυθμίσουν το TensorFlow 2.x.
• Κατανοήσουν τα πλεονεκτικά του TensorFlow 2.x απέναντι σε προηγούμενες έκδοσεις.
• Κατασκευάσουν μοντέλα βαθιάς μάθησης.
• Εφαρμόσουν προηγμένο κλασιφικατή εικόνων.
• Κατασκευάσουν μοντέλο βαθιάς μάθησης στο cloud, mobile και IoT συσκευές.

Σε αυτή τη διδασκαλία, η οποία εξάγεται από έναν εκπαιδευτή σε Ελλάδα (online ή onsite), οι συμμετέχοντες θα μάθουν πώς να ρυθμίσουν και να χρησιμοποιήσουν το TensorFlow Serving για να διακυβεύουν και να διαχειρίζονται ML μοντέλα σε ένα παραγωγικό περιβάλλον.

Στο τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα μπορούν να:

• Να εκπαιδεύουν, να εξάγουν και να παρέχουν διάφορα TensorFlow μοντέλα.
• Να δοκιμάζουν και να διακυβεύουν αλγόριθμους χρησιμοποιώντας μία ενιαία αρχιτεκτονική και σύνολο API.
• Να επεκτείνουν το TensorFlow Serving για να παρέχει άλλες τύπους μοντέλων πέρα από τα TensorFlow μοντέλα.

Το TensorFlow είναι η API της δεύτερης γενιάς του ανοιχτού λογισμικού βιβλιοθήκης Deep Learning της Google. Το σύστημα σχεδιάστηκε για να υποστηρίξει την έρευνα στη μηχανική μάθηση και να κάνει εύκολη τη μετάβαση από υπόδειγμα-έρευνα σε παραγωγικό σύστημα.

Ακροατήριο

Αυτό το μάθημα είναι απευθυνόμενο σε μηχανικούς που θέλουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning τους.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα:

• ξεκαθαρίζουν τη δομή και τους μηχανισμούς εφαρμογής του TensorFlow
• είναι σε θέση να πραγματοποιήσουν καθήκοντα αγωγής / περιβάλλον παραγωγής / αρχιτεκτονικής και ρύθμισης
• είναι σε θέση να αξιολογήσουν την ποιότητα του κώδικα, να εκτελέσουν υποθεωρήματα, μετά-επεξεργασία
• είναι σε θέση να εφαρμόσουν προχωρημένες παραγωγικές δράσεις όπως το εκπαιδευτικό μοντέλο, κατασκευή γραφών και καταγραφή

Αυτό το μάθημα εξερευνά, με συγκεκριμένα παραδείγματα, την εφαρμογή του TensorFlow για σκοπούς αναγνώρισης εικόνων

Ακροατήριο

Αυτό το μάθημα απευθύνεται σε μηχανικούς που επιδίωκουν να χρησιμοποιήσουν το TensorFlow για σκοπούς Αναγνώρισης Εικόνας

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα είναι σε θέση να:

• κατανοήσουν τη δομή και τους μηχανιsmoύς χαρακτηρισμού του TensorFlow
• εκτελέσουν εγκατάσταση, διαθέσιμες περιβάλλοντα/αρχιτεκτονική και συσχετιζόμενες ρυθμίσεις
• αξιολογήσουν την ποιότητα του κώδικα, εκτελέσουν αποσφαλάκωση, μονίτροινγκ
• χρησιμοποιήσουν προηγμένες εφαρμογές όπως το training models, κατασκευή graphs και logging

Αυτή η καθοδήγηση, η οποία διεξάγεται με εγχώριο ή απόσταση σε Ελλάδα, είναι απευθείας σε επιστήμονες δεδομένων που θέλουν να μεταβούν από την κατάρτιση ενός ενιαίου μοντέλου ML στην εφαρμογή πολλών μοντέλων ML σε παραγωγικό περιβάλλον.

Στο τέλος αυτής της καθοδήγησης, οι συμμετέχοντες θα είναι σε θέση να:

• Εγκαταστήσουν και ρυθμίσουν το TFX και τις υποστηριζόμενες εφαρμογές τρίτων.
• Χρησιμοποιήσουν το TFX για να δημιουργήσουν και να διαχειριστούν ένα πλήρες παραγωγικό σύστημα ML.
• Εργαστούν με τα συστατικά του TFX για να εκτελέσουν μοντελοποίηση, κατάρτιση, παροχή υποδομών και διαχείριση των διαθέσεων.
• Εφαρμόσουν λειτουργίες μηχανικής μάθησης σε ιστοεφαρμογές, εφαρμογές κινητών συσκευών, υπολογιστικά πρόσωπα IoT και πολύ περισσότερα.

Το TensorFlow™ είναι ένα λογισμικό βιβλιοθήκη ανοιχτού κώδικα για αριθμητικές υπολογιστικές επεξεργασίες με χρήση γράφων ροώ δεδομένων.

Το SyntaxNet είναι ένα πλαίσιο βασισμένο σε νευρωνικά δίκτυα για την Επεξεργασία Φυσικής Γλώσσας (NLP) με TensorFlow.

Το Word2Vec χρησιμοποιείται για την εκμάθηση διανυσματικών παραστάσεων λέξεων, ονομαζόμενες "λεκτικές καταδύσεις". Το Word2Vec είναι ένα προσεκτικά υπολογιστικά αποδοτικό μοντέλο για την εκμάθηση λεκτικών καταδύσεων από πρωτεύουσες κειμένου. Έχει δύο φύλλα, το μοντέλο Continuous Bag-of-Words (CBOW) και το Skip-Gram model (Κεφάλαιο 3.1 και 3.2 στο Mikolov et al.).

Χρησιμοποιώντας συγχρόνως, το SyntaxNet και το Word2Vec επιτρέπει στους χρήστες να παράγουν Μοντέλα Εκμάθησης Καταδύσεων από Είσοδο Φυσικής Γλώσσας.

Διευθυντικός

Αυτό το μάθημα απευθύνεται σε Προγραμματιστές και διαχειριστές που επιθυμούν να εργάζονται με τα μοντέλα SyntaxNet και Word2Vec στα γράφημα TensorFlow.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα:

• ξεκάθαρο να καταλάβουν τη δομή και τους μηχανισμούς παράθεσης του TensorFlow
• είναι σε θέση να εκτελέσουν εγκαταστάσεις / για παραγωγικό περιβάλλον / αρχιτεκτονική και ρύθμιση
• είναι σε θέση να εκτιμήσουν την ποιότητα του κώδικα, να διαπραγματευθούν αποκωδικοποίηση, μόνιμη εποπτεία
• είναι σε θέση να υλοποιήσουν προχωρημένες δυνατότητες της παραγωγής, όπως εκπαίδευση μοντέλων, κατάθεση λέξεων, κατασκευή γράφων και αποθήκευση

Αυτή η εκπαιδευτική μονάδα ξεκινά χορηγώντας σχετική γνώση των νευρωνικών δικτύων και ευρέως, του μηχανικού μάθηματος (algorithmic) και βαθυϊνής μάθησης (algorithms and applications).

Η πρώτη μέρος (40%) αυτής της εκπαίδευσης εστιάζεται κυρίως στα βασικά, αλλά θα σας υποστηρίξει στην επιλογή της κατάλληλης τεχνολογίας: TensorFlow, Caffe, Theano, DeepDrive, Keras, κλπ.

Η δεύτερη μέρος (20%) αυτής της εκπαίδευσης παρουσιάζει Theano - μια βιβλιοθήκη Python που καθιστά εύκολη την γραφή μοντέλων βαθυϊνής μάθησης.

Η τρίτη μέρος (40%) της εκπαίδευσης θα στοχεύει αποκλειστικά σε Tensorflow - API του open source λογισμικού πρόσθετου της Google για βαθυϊνή μάθηση. Τα παραδείγματα και χειρονομικές εξεργασίες θα εφαρμοστούν σε TensorFlow.

Αποδέχονται

Αυτή η μάθηση απευθύνεται σε μηχανικούς που επιθυμούν να χρησιμοποιήσουν το TensorFlow για τα έργα βαθυϊνής μάθησης τους

Μετά την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα:

• έχουν καλή κατανόηση για τα βαθύα νευρωνικά δίκτυα (DNN), CNN και RNN
• καταλαβαίνουν το υποστηρικτικό σύστημα και τα μηχανισμοί διανομής του TensorFlow
• θα είναι σε θέση να πραγματοποιούν εγκαταστάσεις, ρυθμίσεις περιβάλλον και αρχιτεκτονική
• θα είναι σε θέση να εκτιμούν την ποιότητα κώδικα, να διατυπώνουν υποχωρήσεις, να μονιτόριζουν
• θα είναι σε θέση να υλοποιούν προηγμένες παραγωγικές διαδικασίες, όπως την κατάδηλωση μοντέλων, την ανάπτυξη γράφων και το logging