Εισαγωγή στη χρήση Νευρωνικών Δικτύων 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.

Αυτή η εξειδίκευση μαθημάτων, πρόσωπου διδασκάλου (διαδικτύου ή σε χώρο), παρέχει μια εισαγωγή στο πεδίο της αναγνώρισης δεξιοτήτων και της μηχανικής μάθησης. Τέμνει πρακτικές εφαρμογές στατιστικών, υπολογιστικής επιστήμης, επεξεργασίας σήματος, υπολογιστικής οπτικής, δεδομένων εξόρυξης και βιοϊνφορματικής.

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

• Εφαρμόζουν βασικά πολυτελή μεθόδους στην αναγνώριση δεξιοτήτων.
• Χρησιμοποιούν κλειδί μοντέλα όπως νευρωνικά δίκτυα και παραγώγοι για ανάλυση δεδομένων.
• Εφαρμόζουν προχωρημένες τεχνικές για επίλυση περιπλοκών προβλημάτων.
• Βελτιώνουν την ακρίβεια πρόβλεψης με τη σύγχυση διαφορετικών μοντέλων.

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

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

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

Σε αυτή τη διαμορφωτική εκπαιδευτική μάθηση στο Ελλάδα, οι συνventus θα μάθουν πώς να καταλαβούν τις καινοτομίες στους επεξεργαστές TPU για να μεγιστοποιήσουν την απόδοση των ίδιων εφαρμογών AI.

Τελος της εκπαιδευτικής μάθησης, οι συνventus θα είναι ικανοί να:

• Εκπαιδεύσουν διάφορους τύπους νευρωνικών δικτύων σε μεγάλες ποσότητες δεδομένων.
• Χρησιμοποιήσουν TPU για τη επεξεργασία της φάσης αποδοχής μέχρι και δύο λόγων.
• Χρησιμοποιήσουν TPU για την επεξεργασία αυξημένων εφαρμογών όπως αναζήτηση εικόνων, κλειδωμένη ορατικότητα και φωτογραφίες.

Αυτό το μάθημα ξεκινά παρέχοντας συγκεκριμένη γνώση στα νευρωνικά δίκτυα και γενικά σε αλγόριθμους μηχανικής μάθησης, βαθιάς μάθηση (αλγόριθμοι και εφαρμογές).

Η Μέρος-1 (40%) αυτής της εκπαίδευσης εστιάζει περισσότερο στα βασικά, αλλά θα σας βοηθήσει να επιλέξετε την κατάλληλη τεχνολογία: TensorFlow, Caffe, Theano, DeepDrive, Keras, κλπ.

Η Μέρος-2 (20%) αυτής της εκπαίδευσης παρουσιάζει το Theano - μια βιβλιοθήκη Python που καθιστά εύκολη την γραφή αλγόριθμων βαθιάς μάθησης.

Η Μέρος-3 (40%) της εκπαίδευσης θα βασίζεται εξτενώς στο TensorFlow - τη Δεύτερη Γενιά API της ελεύθερης λογισμικής βιβλιοθήκης του Google για Βαθιά Μάθηση. Τα παραδείγματα και τα χειρονομήματα θα είναι όλα σε TensorFlow.

Συμμετέχοντες

Αυτό το μάθημα απευθύνεται σε μηχανικούς που επιδίδονται να χρησιμοποιήσουν το TensorFlow για τα έργα βαθιάς μάθησης τους.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα:

• έχουν καλή κατανόηση για βαθιά δίκτυα νευρώνων (DNN), CNN και RNN

• κατανοούν την δομή και τους μηχанизμούς απόδοσης του TensorFlow

• θα είναι σε θέση να εκτελέσουν εγκατάσταση, προϊστορικό περιβάλλον, αρχιτεκτονική και ρύθμιση

• θα είναι σε θέση να αξιολογούν την ποιότητα του κώδικα, να επιβάλλουν όρους, μόνιμη παρακολούθηση

• θα είναι σε θέση να εφαρμόζουν προηγμένη παραγωγή όπως η εκπαίδευση μοντέλων, κατασκευή γραφημάτων και καταγραφή