Αναγνώριση Προτύπων Κομμάτι εκπαίδευσης

Αυτό το μάθημα καλύπτει την Τεχνητή Νοημοσύνη (με έμφαση στη Μηχανική Μάθηση και τη Βαθιά Μάθηση) στην Αυτοκινητοβιομηχανία. Βοηθά στον προσδιορισμό του ποια τεχνολογία μπορεί (δυνητικά) να χρησιμοποιηθεί σε διάφορες καταστάσεις στο αυτοκίνητο: από την απλή αυτοματοποίηση και την αναγνώριση εικόνων έως την αυτόνομη λήψη αποφάσεων.

Η διερεύνηση των θεμελιωδών αρχών της τεχνητής νοημοσύνης αποκαλύπτει πώς η ευφυής τεχνολογία αναδιαμορφώνει την ψηφιακή στρατηγική, τον αυτοματισμό και τη λήψη αποφάσεων στις επιχειρησιακές λειτουργίες. Εξετάζει βασικές έννοιες που καλύπτουν την ιστορία της ΤΝ, πλαίσια επίλυσης προβλημάτων, αναπαράσταση γνώσης, αβέβαιη συλλογιστική και παραδείγματα μηχανικής μάθησης, μαζί με την επικοινωνία, την αντίληψη και την αυτόνομη δράση. Καθοδηγεί στελέχη και αρχιτέκτονες να αξιολογούν ευκαιρίες μετασχηματισμού με γνώμονα την ΤΝ, να αναλύουν τις αναδυόμενες τεχνολογικές τάσεις και να ενσωματώνουν πρακτικές ευφυείς λύσεις για την επιτάχυνση της επιχειρηματικής ευελιξίας.

Το Τεχνητό Νευρωνικό Δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Τεχνητής Νοημοσύνης (AI) ικανών να εκτελούν «έξυπνες» εργασίες. Τα Νευρωνικά Δίκτυα χρησιμοποιούνται συχνά σε εφαρμογές Μηχανικής Μάθησης (ML), οι οποίες αποτελούν από μόνες τους μια υλοποίηση της ΤΝ. Η Βαθιά Μάθηση είναι υποσύνολο της ML.

Το Εφαρμοσμένη Τεχνητή Νοημοσύνη από το Μηδέν σε Python εξοπλίζει προγραμματιστές και αναλυτές δεδομένων με θεμελιώδεις τεχνικές για την κατασκευή λύσεων μηχανικής μάθησης από την αρχή με χρήση Python. Καλύπτει βασικές αρχές ταξινόμησης και παλινδρόμησης με επιβλεπόμενη μάθηση, συσταδοποίηση και ανίχνευση ανωμαλιών με μη επιβλεπόμενη μάθηση, καθώς και προηγμένες αρχιτεκτονικές νευρωνικών δικτύων. Εξετάζει αποδεδειγμένες μεθόδους εργασίας με scikit-learn, Apache Spark MLlib και Jupyter notebooks για πρακτική ανάπτυξη τεχνητής νοημοσύνης. Βοηθά τους επαγγελματίες να υλοποιήσουν λειτουργικά μοντέλα μηχανικής μάθησης, να αξιολογήσουν περιορισμούς αλγορίθμων και να ολοκληρώσουν εφαρμοσμένα έργα για επίλυση πραγματικών προβλημάτων.

Η Βαθιά Ενισχυτική Μάθηση (Deep Reinforcement Learning - DRL) συνδυάζει αρχές ενισχυτικής μάθησης με αρχιτεκτονικές βαθιάς μάθησης, ώστε οι πράκτορες να λαμβάνουν αποφάσεις μέσω αλληλεπίδρασης με το περιβάλλον τους. Αποτελεί το υπόβαθρο πολλών σύγχρονων εξελίξεων της τεχνητής νοημοσύνης, όπως τα αυτόνομα οχήματα, ο έλεγχος ρομποτικής, το αλγοριθμικό εμπόριο και τα προσαρμοστικά συστήματα προτάσεων. Η DRL επιτρέπει σε έναν τεχνητό πράκτορα να μαθαίνει στρατηγικές, να βελτιστοποιεί πολιτικές και να παίρνει αυτόνομες αποφάσεις βασισμένες σε δοκιμή και σφάλμα, χρησιμοποιώντας μάθηση μέσω ανταμοιβών.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (διαδικτυακά ή επιτόπου), απευθύνεται σε προχωρημένους προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να μάθουν και να εφαρμόσουν τεχνικές Βαθιάς Ενισχυτικής Μάθησης για τη δημιουργία ευφυών πρακτόρων ικανών για αυτόνομη λήψη αποφάσεων σε πολύπλοκα περιβάλλοντα.

Με την ολοκλήρωση της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να κατανοούν τις θεωρητικές βάσεις και τις μαθηματικές αρχές της Ενισχυτικής Μάθησης.
• Να υλοποιούν βασικούς αλγορίθμους ενισχυτικής μάθησης, όπως Q-Learning, Policy Gradients και μεθόδους Actor-Critic.
• Να δημιουργούν και να εκπαιδεύουν πράκτορες Βαθιάς Ενισχυτικής Μάθησης χρησιμοποιώντας TensorFlow ή PyTorch.
• Να εφαρμόζουν την DRL σε πραγματικές εφαρμογές, όπως παιχνίδια, ρομποτική και βελτιστοποίηση αποφάσεων.
• Να διαγιγνώσκουν προβλήματα, να οπτικοποιούν και να βελτιστοποιούν την απόδοση της εκπαίδευσης χρησιμοποιώντας σύγχρονα εργαλεία.

Μορφή του μαθήματος

• Διαδραστική διάλεξη και καθοδηγούμενη συζήτηση.
• Πρακτικές ασκήσεις και υλοποιήσεις.
• Ζωντανή επίδειξη κώδικα και εφαρμογές βασισμένες σε έργα.

Επιλογές προσαρμογής του μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη έκδοση αυτού του μαθήματος (π.χ., χρήση PyTorch αντί για TensorFlow), παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Αυτό το μάθημα ξεκινά με την απόκτηση εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικότερα στους αλγόριθμους μηχανικής μάθησης, στη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Το Μέρος 1 (40%) αυτής της εκπαίδευσης εστιάζει περισσότερο στα θεμελιώδη, αλλά θα σας βοηθήσει να επιλέξετε τη σωστή τεχνολογία: TensorFlow, Caffe, Theano, DeepDrive, Keras, κλπ.

Το Μέρος 2 (20%) εισάγει το Theano – μια βιβλιοθήκη Python που καθιστά εύκολη τη γραφή μοντέλων βαθιάς μάθησης.

Το Μέρος 3 (40%) της εκπαίδευσης θα βασιστεί εκτενώς στο TensorFlow – το API της βιβλιοθήκης ανοικτού κώδικα της Google για Βαθιά Μάθηση. Τα παραδείγματα και οι πρακτικές ασκήσεις θα γίνουν όλα στο TensorFlow.

Κοινό

Αυτό το μάθημα απευθύνεται σε μηχανικούς που επιθυμούν να χρησιμοποιήσουν το TensorFlow για τα έργα Βαθιάς Μάθησής τους

Με την ολοκλήρωση του μαθήματος, οι συμμετέχοντες θα:

• έχουν καλή κατανόηση των βαθιών νευρωνικών δικτύων (DNN), των Συνελικτικών Νευρωνικών Δικτύων (CNN) και των Αναδρομικών Νευρωνικών Δικτύων (RNN)
• κατανοούν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• είναι σε θέση να πραγματοποιούν εγκατάσταση / εργασίες παραγωγικού περιβάλλοντος / αρχιτεκτονικής και ρυθμίσεις
• μπορούν να αξιολογούν την ποιότητα κώδικα, να εκτελούν αποσφαλμάτωση, παρακολούθηση
• μπορούν να υλοποιούν προηγμένη παραγωγή όπως εκπαίδευση μοντέλων, δημιουργία γραφημάτων και καταγραφή

Αυτή η εκπαίδευση με εισηγητή, ζωντανά σε Ελλάδα (διαδικτυακά ή με φυσική παρουσία), απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εξερευνήσουν προηγμένες τεχνικές XAI για μοντέλα βαθιάς μάθησης, με έμφαση στη δημιουργία ερμηνεύσιμων συστημάτων Τεχνητής Νοημοσύνης.

Με την ολοκλήρωση της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τις προκλήσεις της επεξηγησιμότητας στη βαθιά μάθηση.
• Εφαρμόζουν προηγμένες τεχνικές XAI για νευρωνικά δίκτυα.
• Ερμηνεύουν τις αποφάσεις που λαμβάνονται από μοντέλα βαθιάς μάθησης.
• Αξιολογούν τις αντισταθμίσεις μεταξύ απόδοσης και διαφάνειας.