Αναγνώριση Ατυπών 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.

Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν «έξυπνες» εργασίες. Neural Networks χρησιμοποιούνται συνήθως σε εφαρμογές Machine Learning (ML), οι οποίες αποτελούν οι ίδιες μία υλοποίηση της τεχνητής νοημοσύνης. Το Deep Learning είναι ένα υποσύνολο του ML.

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την τεχνητή νοημοσύνη και την εφαρμογή της. Υπάρχει μια επιλογή να έχετε μια επιπλέον ημέρα για να αναλάβετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την τεχνητή νοημοσύνη και την εφαρμογή της χρησιμοποιώντας τη γλώσσα προγραμματισμού Python. Υπάρχει μια επιλογή να έχετε μια επιπλέον ημέρα για να αναλάβετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.

Αυτή η εκπαίδευση με οδηγό (μέσω διαδίκτου ή ενώπιον) στη Ελλάδα προσβάλλει διαστασιοχωρημένους δεδομένων επιστήμονες και στατιστικούς που θέλουν να αναθέσουν δεδομένα, να κατασκευάσουν μοντέλα και να εφαρμόσουν τεχνητή συναισθηματικότητα (machine learning) αποτελεσματικά στις επαγγελματικές περιοχές τους.

Ταξιδιωτής την τελική φάση αυτής της εκπαιδεύσεις, οι συμμετέχοντες θα μπορούν να:

• Συνιέσουν και πράξουν διάφορα Machine Learning αλγόριθμους.
• Αντίζεστε τα δεδομένα και τα μοντέλα για εφαρμογές τεχνητής συναισθηματικότητας.
• Εκτελούνται ανάλυση μετά την πρώτη εφαρμογή και υποδηλώνουν τα αποτελέσματα αποτελεσματικά.
• Εφαρμόζουν τεχνητή συναισθηματικότητα (machine learning) μέθοδοι σε πραγματικοί κλάδο-εξατομίτευτο επιχειρήσεις.

Το Τυπικό Νευρωνικό Δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Τεχνητής Νοημοσύνης (AI) ικανών να εκτελούν "νοημόνικες" εργασίες. Τα Νευρωνικά Δίκτυα χρησιμοποιούνται συχνά σε εφαρμογές Μηχανικής Μάθησης (ML), που αποτελούν μία υλοποίηση της AI. Η Βαθιά Μάθηση είναι ένα υποσύνολο του ML.

Το βαθύ επικεντρωμένο μάθηση (DRL) συνδυάζει τους κανόνες του επικεντρωμένου μαθήματος με αρχιτεκτονικές βαθύτητας μάθησης για να επιτρέψει σε ουσιακοί να λαμβάνουν αποφάσεις μέσω της διαδραστικότητας με το περιβάλλον τους. Υποστηρίζει πολλές σύγχρονες εξελίξεις της ΤΕΙ, όπως αυτόδικαια οχήματα, διαχείριση ρομποτικών, αλγοριθμικές συναλλαγές και προσαρμοστικά συστήματα προτάσεων. Το DRL επιτρέπει σε τεχνητό υπολογιστικό μοντέλο να μαθαίνει στρατηγικές, να βελτιώνει πολιτικές και να λαμβάνει αυτόνομες αποφάσεις με βάση δοκιμές-λαθή χρησιμοποιώντας επίδραση-βασισμένο μάθημα.

Αυτή η διδακτική ανάγνωση υπό την καθοδήγηση εξειδικευμένου (online ή on-site) απευθύνεται σε διαμεσαίο επίπεδο προγραμματιστές και επιστήμονες δεδομένων που θέλουν να μάθουν και να εφαρμόζουν τεχνικές βαθύτητας επικεντρωμένου μαθήματος για να φτιάξουν έξυπνους υπολογιστικά αντικείμενα που διαθέτουν την ικανότητα για αυτόνομη λήψη αποφάσεων σε περίπλοκα περιβάλλοντα.

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

• Να καταλάβουν τις θεωρητικές βάσεις και τα μαθηματικά αξιώματα του επικεντρωμένου μαθήματος.
• Να υλοποιήσουν κλειδί αλγόριθμους RL, περιλαμβανομένων του Q-Learning, Policy Gradients, και Actor-Critic μεθόδων.
• Να φτιάξουν και να εκπαιδεύσουν βαθιούς αγέντες επικεντρωμένου μαθήματος χρησιμοποιώντας TensorFlow ή PyTorch.
• Να εφαρμόζουν DRL σε πρακτικές εφαρμογές όπως παιχνίδια, ρομποτική και αποφασιστική βελτιστοποίηση.
• Να διαγνωστίζουν, να οπτικοποιούν και να βελτιώνουν την απόδοση εκπαίδευσης χρησιμοποιώντας σύγχρονα εργαλεία.

Μορφή του Μαθήματος

• Αλληλεπιδραστική παράσταση και οδηγούμενη συζήτηση.
• Πρακτικές εξασκήσεις και υλοποίηση πρακτικών.
• Ζωντανές δεμονστράσεις κώδικα και εφαρμογές με βάση έργα.

Επιλογές Προσαρμογής του Μαθήματος

• Για να παράσχετε μια εξατομικευμένη έκδοση αυτού του μαθήματος (π.χ., χρησιμοποιώντας PyTorch αντί TensorFlow), παρακαλούμε επικοινωνήστε μαζί μας για τη διαμόρφωση.

Σε αυτή την εκπαίδευση υπό την καθοδήγηση Εκπαιδευτή, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιήσουν το Matlab για τον σχεδιασμό, κατασκευή και οπτικοποίηση ενός πλέξιμου νευρωνικού δικτύου για την ανάγνωριση εικόνων.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Να δημιουργήσουν ένα μοντέλο βαθύτατης μάθησης
• Να αυτοματοποιήσουν την ετικετοποίηση δεδομένων
• Να εργάζονται με μοντέλα από το Caffe και TensorFlow-Keras
• Να κάνουν εκπαίδευση δεδομένων χρησιμοποιώντας πολλαπλά GPUs, την ένανεξίς ή σχούνες

Ακροατήριο

• Προγραμματιστές
• Μηχανικοί
• Ειδικοί τομέων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και έντονη πρακτική εμπειρία

Η κατάρτιση απευθύνεται σε ατομά που θέλουν να μάθουν τα βασικά για τα νευρωνικά δίκτυα και τις εφαρμογές τους.

Αυτή η εκπαιδευτική συνεδρία βασισμένη στην τάξη θα περιέχει παρουσιάσεις και παραδείγματα βασισμένα σε υπολογιστή και ασκήσεις περιπτωσιολογικής μελέτης που θα πραγματοποιηθούν με σχετικές βιβλιοθήκες νευρωνικών και βαθιών δικτύων

Pattern Matching είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό καθορισμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης καθορισμένων χαρακτηριστικών σε μια καταγεγραμμένη εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια εργοστασιακή γραμμή ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Διαφέρει από το "Pattern Recognition" (το οποίο αναγνωρίζει γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι υπαγορεύει συγκεκριμένα αυτό που ψάχνουμε και, στη συνέχεια, μας λέει εάν το αναμενόμενο μοτίβο υπάρχει ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στον τομέα της αντιστοίχισης προτύπων όπως ισχύει για το Machine Vision.

Αυτός ο κατεύθυνσης είναι μια εισαγωγή στην εφαρμογή νευρωνικών δικτύων σε πραγματικά προβλήματα χρησιμοποιώντας το λογισμικό R-project.

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