Εισαγωγή στη χρήση του Neural Networks Training Course

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.

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 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.

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.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να μάθουν τις βασικές αρχές του Deep Reinforcement Learning καθώς προχωρούν στη δημιουργία ενός Deep Learning Agent.

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

• Κατανοήστε τις βασικές έννοιες πίσω από το Deep Reinforcement Learning και μπορείτε να το ξεχωρίσετε από τη Μηχανική Μάθηση.
• Εφαρμόστε προηγμένους Reinforcement Learning αλγόριθμους για την επίλυση προβλημάτων του πραγματικού κόσμου.
• Δημιουργήστε έναν πράκτορα βαθιάς μάθησης.

Τύπος: Θεωρητική εκπαίδευση με αιτήσεις που έχουν αποφασιστεί εκ των προτέρων με τους μαθητές στο Lasagne ή Keras σύμφωνα με την εκπαιδευτική ομάδα

Μέθοδος διδασκαλίας: παρουσίαση, συζητήσεις και μελέτες περιπτώσεων

Η τεχνητή νοημοσύνη, αφού έχει διαταράξει πολλά επιστημονικά πεδία, έχει αρχίσει να φέρει επανάσταση σε μεγάλο αριθμό οικονομικών τομέων (βιομηχανία, ιατρική, επικοινωνία κ.λπ.). Ωστόσο, η παρουσίασή του στα κύρια μέσα μαζικής ενημέρωσης είναι συχνά μια φαντασίωση, πολύ μακριά από αυτό που πραγματικά είναι οι τομείς του Machine Learning ή του Deep Learning. Ο σκοπός αυτής της εκπαίδευσης είναι να παρέχει στους μηχανικούς που έχουν ήδη γνώση των εργαλείων πληροφορικής (συμπεριλαμβανομένου ενός βασικού προγραμματισμού λογισμικού) μια εισαγωγή στο Deep Learning καθώς και στους διαφορετικούς τομείς εξειδίκευσής του και επομένως στις κύριες αρχιτεκτονικές δικτύου που υπάρχουν σήμερα. Εάν τα βασικά μαθηματικά καλύπτονται κατά τη διάρκεια του μαθήματος, συνιστάται ένα επίπεδο μαθηματικών BAC+2 για μεγαλύτερη άνεση. Είναι απολύτως δυνατό να αγνοήσετε τον μαθηματικό άξονα και να διατηρήσετε μόνο ένα «συστημικό» όραμα, αλλά αυτή η προσέγγιση θα περιορίσει πάρα πολύ την κατανόησή σας για το θέμα.

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

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 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