Pattern Recognition Training Course

In this instructor-led, live training, we go over the principles of neural networks and use OpenNN to implement a sample application.

Format of the course

• Lecture and discussion coupled with hands-on exercises.

Η αντιστοίχιση μοτίβων είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό συγκεκριμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης συγκεκριμένων χαρακτηριστικών μέσα σε μια ληφθείσα εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια γραμμή εργοστασίου ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Είναι διαφορετικό από το " Pattern Recognition " (το οποίο αναγνωρίζει τα γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι επιβάλλει συγκεκριμένα αυτό που ψάχνουμε και μας λέει εάν υπάρχει το αναμενόμενο πρότυπο ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .

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.

Η εκπαίδευση απευθύνεται σε άτομα που θέλουν να μάθουν τα βασικά των νευρωνικών δικτύων και τις εφαρμογές τους.

Αυτό το μάθημα είναι μια εισαγωγή στην εφαρμογή νευρωνικών δικτύων σε πραγματικά προβλήματα με το λογισμικό R-project.

Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν Machine Learning σε πρακτικές εφαρμογές.

Κοινό

Αυτό το μάθημα απευθύνεται σε επιστήμονες και στατιστικολόγους που έχουν κάποια εξοικείωση με στατιστικά στοιχεία και γνωρίζουν πώς να προγραμματίσουν R (ή Python ή άλλη επιλεγμένη γλώσσα). Η έμφαση δίνεται στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης.

Ο σκοπός είναι να δοθούν πρακτικές εφαρμογές στη Machine Learning σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία.

Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.

Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν "ευφυή" καθήκοντα. Neural Networks χρησιμοποιούνται συνήθως στις εφαρμογές Machine Learning (ML), οι οποίες είναι οι ίδιες μια υλοποίηση του AI. Deep Learning είναι ένα υποσύνολο του ML.

Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν "ευφυή" καθήκοντα. Neural Networks χρησιμοποιούνται συνήθως στις εφαρμογές Machine Learning (ML), οι οποίες είναι οι ίδιες μια υλοποίηση του AI. Deep Learning είναι ένα υποσύνολο του ML.

Αυτό το μάθημα δημιουργήθηκε για άτομα που δεν έχουν προηγούμενη εμπειρία σε πιθανότητες και στατιστικές.

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.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

Τύπος: Θεωρητική κατάρτιση με εφαρμογές που αποφασίστηκαν ανάντη με τους φοιτητές στη Λαζάνια ή Keras σύμφωνα με την παιδαγωγική ομάδα

Μέθοδος διδασκαλίας: παρουσίαση, ανταλλαγές και μελέτες περιπτώσεων

Η τεχνητή νοημοσύνη, αφού διέλυσε πολλά επιστημονικά πεδία, άρχισε να φέρνει επανάσταση σε μεγάλο αριθμό οικονομικών τομέων (βιομηχανία, ιατρική, επικοινωνία κλπ.). Παρ 'όλα αυτά, η παρουσίασή της στα μεγάλα μέσα μαζικής ενημέρωσης είναι συχνά φαντασία, μακριά από ό, τι είναι πραγματικά οι τομείς της Machine Learning ή της Deep Learning . Σκοπός αυτής της κατάρτισης είναι η παροχή στους μηχανικούς, οι οποίοι έχουν ήδη κατορθώσει να κατακτήσουν τα εργαλεία ηλεκτρονικών υπολογιστών (συμπεριλαμβανομένης βάσης προγραμματισμού λογισμικού), μια εισαγωγή στην Deep Learning και τους διάφορους τομείς εξειδίκευσής της και συνεπώς στις βασικές υπάρχουσες αρχιτεκτονικές δικτύων σήμερα. Αν οι μαθηματικές βάσεις ανακληθούν κατά τη διάρκεια του μαθήματος, ένα επίπεδο μαθηματικών τύπου BAC + 2 συνιστάται για περισσότερη άνεση. Είναι απολύτως δυνατό να παραλείψετε τον μαθηματικό άξονα να διατηρήσετε μόνο ένα όραμα "συστήματος", αλλά αυτή η προσέγγιση θα περιορίσει σε μεγάλο βαθμό την κατανόησή σας για το θέμα.

Σε αυτή τη ζωντανή εκπαίδευση στο Ελλάδα, καθοδηγούμενη από εκπαιδευτές, οι συμμετέχοντες θα μάθουν πώς να επωφελούνται από τις καινοτομίες στους επεξεργαστές TPU για να μεγιστοποιήσουν την απόδοση των δικών τους εφαρμογών τεχνητής νοημοσύνης.

Μέχρι το τέλος της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εκπαιδεύστε διάφορους τύπους νευρωνικών δικτύων σε μεγάλες ποσότητες δεδομένων.
• Χρησιμοποιήστε TPU για να επιταχύνετε τη διαδικασία συμπερασμάτων έως και δύο τάξεις μεγέθους.
• Χρησιμοποιήστε TPU για την επεξεργασία εντατικών εφαρμογών όπως η αναζήτηση εικόνων, το cloud vision και οι φωτογραφίες.

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

• Set up and configure PaddlePaddle
• Set up a Convolutional Neural Network (CNN) for image recognition and object detection
• Set up a Recurrent Neural Network (RNN) for sentiment analysis
• Set up deep learning on recommendation systems to help users find answers
• Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το Matlab για να σχεδιάσουν, να κατασκευάσουν και να απεικονίσουν ένα συνελικτικό νευρωνικό δίκτυο για αναγνώριση εικόνας.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Δημιουργήστε ένα μοντέλο βαθιάς μάθησης
• Αυτοματοποιήστε την επισήμανση δεδομένων
• Εργασία με μοντέλα από Caffe και TensorFlow - Keras
• Τα δεδομένα τρένων χρησιμοποιούν πολλαπλές GPU , το σύννεφο ή τα clusters

Κοινό

• Προγραμματιστές
• Μηχανικοί
• Εμπειρογνώμονες τομέα

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση