Introduction to the Use of Neural Networks 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.

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.

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.

Αυτή η μάθημα καθοδηγείται από εκπαιδευτές παρέχει μια εισαγωγή στο πεδίο της αναγνώρισης προτύπων και της μηχανικής μάθησης. Ασχολείται με πρακτικές εφαρμογές στις στατιστικές, την επιστήμη των υπολογιστών, την επεξεργασία σήματος, την ηλεκτρονική όραση, την εξόρυξη δεδομένων και τη βιοπληροφορική.

Το μάθημα είναι διαδραστικό και περιλαμβάνει πολλές πρακτικές ασκήσεις, ανατροφοδότηση εκπαιδευτών και δοκιμή γνώσεων και δεξιοτήτων που αποκτήθηκαν.

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

Αυτό το μάθημα ξεκινά με την παροχή εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, τη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Μέρος-1 (40%) αυτής της εκπαίδευσης είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέγετε τη σωστή τεχνολογία: TensorFlow , Caffe , Θεανώ, DeepDrive, Keras , κ.λπ.

Μέρος-2 (20%) αυτής της εκπαίδευσης εισάγει Theano - μια βιβλιοθήκη python που καθιστά εύκολη τη σύνταξη εγγράφων βαθιάς μάθησης.

Το τμήμα 3 (40%) της κατάρτισης θα βασίζεται σε μεγάλο βαθμό στο Tensorflow - API δεύτερης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Τα παραδείγματα και το handson θα γίνουν όλα στο TensorFlow .

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• έχουν μια καλή κατανόηση για τα βαθιά νευρωνικά δίκτυα (DNN), το CNN και το RNN

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow

• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση

• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση

• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή