
Τα τοπικά μαθήματα κατάρτισης Artificial Intelligence (AI), καθοδηγούμενα από εκπαιδευτές, καταδεικνύουν μέσω πρακτικών πρακτικών πώς να εφαρμόσουν λύσεις AI για την επίλυση πραγματικών προβλημάτων. Η εκπαίδευση AI είναι διαθέσιμη ως "onsite live training" ή "remote live training". Η επιτόπια κατάρτιση σε πραγματικό χρόνο μπορεί να πραγματοποιηθεί σε τοπικό επίπεδο στις εγκαταστάσεις του πελάτη Ελλάδα ή σε εταιρικά κέντρα κατάρτισης NobleProg στο Ελλάδα . Η απομακρυσμένη ζωντανή προπόνηση πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας. NobleProg - Ο τοπικός παροχέας εκπαίδευσης.
Machine Translated
Testimonials
Ήταν πολύ ενημερωτικό και εξυπηρετικό.
Pratheep Ravy
Course: Predictive Modelling with R
Machine Translated
Ήταν πολύ διαδραστικό και πιο χαλαρό και άτυπο από το αναμενόμενο. Καλύψαμε πολλά θέματα την εποχή εκείνη και ο εκπαιδευτής ήταν πάντα δεκτικός να μιλάει πιο λεπτομερώς ή γενικότερα για τα θέματα και τον τρόπο με τον οποίο συσχετίζονταν. Αισθάνομαι ότι η κατάρτιση μου έδωσε τα εργαλεία για να συνεχίσω να μαθαίνω, σε αντίθεση με το γεγονός ότι είναι μια μοναδική σύνοδος όπου η μάθηση σταματάει μόλις τελειώσετε κάτι που είναι πολύ σημαντικό δεδομένης της κλίμακας και της πολυπλοκότητας του θέματος.
Jonathan Blease
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Η Ann δημιούργησε ένα εξαιρετικό περιβάλλον για να κάνει ερωτήσεις και να μάθει. Είχαμε πολύ διασκέδαση και μάθαμε πολλά ταυτόχρονα.
Gudrun Bickelq
Course: Introduction to the use of neural networks
Machine Translated
το διαδραστικό μέρος, προσαρμοσμένο στις συγκεκριμένες ανάγκες μας
Thomas Stocker
Course: Introduction to the use of neural networks
Machine Translated
Μου άρεσαν οι ασκήσεις
Office for National Statistics
Course: Natural Language Processing with Python
Machine Translated
Η πρακτική προσέγγιση
Kevin De Cuyper
Course: Computer Vision with OpenCV
Machine Translated
εύρος υλικού
Maciej Jonczyk
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
συστηματική γνώση στον τομέα του ML
Orange Polska
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
Ο εκπαιδευτής ήταν τόσο γνώστης και περιείχε τομείς στους οποίους με ενδιέφερε
Mohamed Salama
Course: Data Mining & Machine Learning with R
Machine Translated
Το θέμα είναι πολύ ενδιαφέρον
Wojciech Baranowski
Course: Introduction to Deep Learning
Machine Translated
Οι εκπαιδευτές θεωρητικές γνώσεις και προθυμία να λύσουν τα προβλήματα με τους συμμετέχοντες μετά την εκπαίδευση
Grzegorz Mianowski
Course: Introduction to Deep Learning
Machine Translated
Θέμα. Πολύ ενδιαφέρον!
Piotr
Course: Introduction to Deep Learning
Machine Translated
Οι ασκήσεις μετά από κάθε θέμα ήταν πραγματικά χρήσιμες, παρά το γεγονός ότι ήταν πολύ περίπλοκες στο τέλος. Γενικά, το υλικό που παρουσιάστηκε ήταν πολύ ενδιαφέρον και ενδιαφέροντα! Οι ασκήσεις με αναγνώριση εικόνας ήταν εξαιρετικές.
Dolby Poland Sp. z o.o.
Course: Introduction to Deep Learning
Machine Translated
Νομίζω ότι εάν η εκπαίδευση θα γίνει στη βουλγαρία θα επιτρέψει στον εκπαιδευτή να μοιραστεί τις γνώσεις του πιο αποτελεσματικά
Radek
Course: Introduction to Deep Learning
Machine Translated
Η γενική επισκόπηση της βαθιάς μάθησης
Bruno Charbonnier
Course: Advanced Deep Learning
Machine Translated
Οι ασκήσεις είναι επαρκώς πρακτικές και δεν χρειάζονται μεγάλη γνώση στην Python για να γίνουν.
Alexandre GIRARD
Course: Advanced Deep Learning
Machine Translated
Να κάνετε ασκήσεις με πραγματικά παραδείγματα χρησιμοποιώντας Keras. Ο Μιχάλυ κατανόησε πλήρως τις προσδοκίες μας για αυτή την εκπαίδευση.
Paul Kassis
Course: Advanced Deep Learning
Machine Translated
Εκτιμώ πραγματικά τις πεντακάθαρες απαντήσεις του Chris στις ερωτήσεις μας.
Léo Dubus
Course: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Γνωστός εκπαιδευτής
Sridhar Voorakkara
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ήμουν έκπληκτος με το πρότυπο αυτής της κατηγορίας - θα έλεγα ότι ήταν πανεπιστημιακό πρότυπο.
David Relihan
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Πολύ καλή γενική επισκόπηση. Go από το φόντο στο γιατί ο Tensorflow λειτουργεί όπως έχει.
Kieran Conboy
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Μου άρεσαν οι ευκαιρίες να θέσω ερωτήσεις και να δώσω περισσότερες σε βάθος εξηγήσεις για τη θεωρία.
Sharon Ruane
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Έχουμε αποκτήσει πολύ περισσότερη διορατικότητα στο θέμα. Κάποια ωραία συζήτηση έγινε με κάποια πραγματικά θέματα στην εταιρεία μας
Sebastiaan Holman
Course: Machine Learning and Deep Learning
Machine Translated
Η εκπαίδευση μας έδωσε το σωστό υπόβαθρο που μας επιτρέπει να επεκτείνουμε περαιτέρω, δείχνοντας πώς η θεωρία και η πρακτική συμβαδίζουν. Στην πραγματικότητα με ενδιέφερε περισσότερο το θέμα από ό, τι πριν.
Jean-Paul van Tillo
Course: Machine Learning and Deep Learning
Machine Translated
Κάλυψη και βάθος των θεμάτων
Anirban Basu
Course: Machine Learning and Deep Learning
Machine Translated
Ο εκπαιδευτής πολύ εύκολα εξηγούσε τα δύσκολα και προηγμένα θέματα.
Leszek K
Course: Artificial Intelligence Overview
Machine Translated
νέες γνώσεις στη βαθιά μηχανική μάθηση
Josip Arneric
Course: Neural Network in R
Machine Translated
Έχουμε αποκτήσει κάποιες γνώσεις σχετικά με το NN γενικά, και αυτό που ήταν το πιο ενδιαφέρον για μένα ήταν οι νέοι τύποι NN που είναι δημοφιλείς στις μέρες μας.
Tea Poklepovic
Course: Neural Network in R
Machine Translated
Γραφήματα σε R :)))
Faculty of Economics and Business Zagreb
Course: Neural Network in R
Machine Translated
Η βαθιά γνώση του εκπαιδευτή για το θέμα.
Sebastian Görg
Course: Introduction to Deep Learning
Machine Translated
Πολύ ενημερωμένη προσέγγιση ή api (tensorflow, kera, tflearn) για να κάνει μηχανική μάθηση
Paul Lee
Course: TensorFlow for Image Recognition
Machine Translated
Πολύ ευέλικτο
Frank Ueltzhöffer
Course: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
ευκαμψία
Werner Philipp
Course: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Λαμβάνοντας υπόψη τις προοπτικές της τεχνολογίας: ποια τεχνολογία / διαδικασία μπορεί να γίνει πιο σημαντική στο μέλλον; δείτε τι μπορεί να χρησιμοποιηθεί η τεχνολογία
Commerzbank AG
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Επιλογή θέματος. Στυλ εκπαίδευσης. Πρακτικός προσανατολισμός
Commerzbank AG
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Μου αρέσει πάρα πολύ.
蒙 李
Course: Machine Learning Fundamentals with Python
Machine Translated
τρόπος διεξαγωγής και παράδειγμα από τον εκπαιδευτή
ORANGE POLSKA S.A.
Course: Machine Learning and Deep Learning
Machine Translated
Δυνατότητα να συζητήσετε μόνοι σας τα προτεινόμενα θέματα
ORANGE POLSKA S.A.
Course: Machine Learning and Deep Learning
Machine Translated
Επικοινωνία με τον καθηγητή
文欣 张
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Μου αρέσει
lisa xie
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Σε βάθος κάλυψη των θεμάτων μηχανικής μάθησης, ιδιαίτερα των νευρωνικών δικτύων. Απομονώθηκε ένα μεγάλο μέρος του θέματος.
Sacha Nandlall
Course: Python for Advanced Machine Learning
Machine Translated
Αυτό είναι ένα από τα καλύτερα hands-on με ασκήσεις μαθήματα προγραμματισμού που έχω πάρει ποτέ.
Laura Kahn
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Machine Translated
Αυτή είναι μια από τις καλύτερες online εκπαιδευτικές ασκήσεις που έχω πάρει ποτέ στην καριέρα μου για 13 χρόνια. Συνεχίστε την καλή δουλειά!
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Machine Translated
πολλές ασκήσεις που μπορώ να χρησιμοποιήσω άμεσα στη δουλειά μου
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
Παραδείγματα πραγματικών δεδομένων
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC σε βρόχο
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
Το στυλ εκπαίδευσης του Richard το διατήρησε ενδιαφέρον, τα παραδείγματα του πραγματικού κόσμου που χρησιμοποιήθηκαν συνέβαλαν στην οδήγηση των εννοιών στο σπίτι.
Jamie Martin-Royle - NBrown Group
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
Το περιεχόμενο, όπως το βρήκα πολύ ενδιαφέρον και νομίζω ότι θα με βοήθησε στο τελευταίο μου έτος στο Πανεπιστήμιο.
Krishan Mistry - NBrown Group
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
Μου αρέσουν πραγματικά οι ασκήσεις
L M ERICSSON LIMITED
Course: Machine Learning
Machine Translated
τις εργαστηριακές ασκήσεις
Marcell Lorant - L M ERICSSON LIMITED
Course: Machine Learning
Machine Translated
Αυτή είναι μια από τις καλύτερες online εκπαιδευτικές ασκήσεις που έχω πάρει ποτέ στην καριέρα μου για 13 χρόνια. Συνεχίστε την καλή δουλειά!
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Machine Translated
Artificial Intelligence Course Outlines
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
-
Κατανοήστε τις βασικές αρχές του AlphaFold.
Μάθετε πώς λειτουργεί AlphaFold.
Μάθετε πώς να ερμηνεύσετε AlphaFold τις προβλέψεις και τα αποτελέσματα.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
-
Εγκατάσταση και διαμόρφωση Weka
Κατανοήστε το Weka περιβάλλον και το εργοστάσιο.
Εκτέλεση εργασιών εξόρυξης δεδομένων χρησιμοποιώντας Weka.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
- Learn what is ProjectQ and what it is used for.
- Use the ProjectQ framework to perform quantum programming.
- Translate quantum programs to any back-end.
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
- PART διάλεξη, μέρος συζήτηση, βαριά πρακτική εξάσκηση, περιστασιακές δοκιμές για να μετρήσει την κατανόηση
- Καταλαβαίνει τα κλειδιά σύμφωνα μετά τη Δυνατότητα Reinforcement Learning και θα μπορούσε να την διαφωνήσει από Machine Learning Αποτελέσεις προηγούμενων αλγότυμων Reinforcement Learning για να λύσουν τα πραγματικά προβλήματα παγκόσμιο Διάθεση ένας Deep Learning Πράκτοντος
- Αναπτυξιαστές δεδομένων Επιστημονών
- Μέρος, συζήτηση μέρη, εκμετάλλευση και βάρος χειροκρατικός πρακτικής
-
Εγκαταστήστε και ρυθμίστε το Cloud Pak για δεδομένα.
Ενώστε τη συλλογή, την οργάνωση και την ανάλυση των δεδομένων.
Ενσωματώστε το Cloud Pak for Data με μια ποικιλία υπηρεσιών για την επίλυση κοινών επιχειρηματικών προβλημάτων.
Εφαρμογή ροών εργασίας για τη συνεργασία με τα μέλη της ομάδας για την ανάπτυξη μιας λύσης AI.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
-
Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης.
Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στην τηλεπικοινωνία.
Χρησιμοποιήστε Python, Keras και TensorFlow για να δημιουργήσετε μοντέλα βαθιάς μάθησης για τηλεπικοινωνίες.
Δημιουργήστε το δικό σας βαθιά μάθηση μοντέλο προβλέψεων πελατών χρησιμοποιώντας Python.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
- Explore how data is being interpreted by machine learning models
- Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it
- Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals.
- Explore the properties of a specific embedding to understand the behavior of a model
- Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
- Εγκαταστήστε και διαμορφώστε το UiPath IPA.
- Ενεργοποιήστε τα ρομπότ για τη διαχείριση άλλων ρομπότ.
- Εφαρμόστε την όραση του υπολογιστή για να εντοπίσετε αντικείμενα οθόνης με ακρίβεια.
- Ενεργοποιήστε τα ρομπότ που μπορούν να ανιχνεύσουν τα πρότυπα γλωσσών και να πραγματοποιήσουν ανάλυση αισθήσεων σε αδόμητο περιεχόμενο.
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Χειροκίνητη εφαρμογή σε περιβάλλον εργαστηριακού εργαστηρίου.
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
- Για να μάθετε περισσότερα σχετικά με το UiPath IPA, επισκεφθείτε τη διεύθυνση: https: // www. UiPath .com / rpa / έξυπνη διαδικασία-αυτοματοποίηση
- Αυτοματοποιήστε την παραγωγή δοκιμής μονάδων και την παραμετρογράφηση με AI.
- Εφαρμόστε μηχανική μάθηση σε μια πραγματική χρήση-Case.
- Αυτοματοποιήστε τη γενιά και τη συντήρηση των εξετάσεων API με την τεχνητή νοημοσύνη.
- Χρησιμοποιήστε μεθόδους εκμάθησης μηχανών για να θεραπεύσετε την εκτέλεση των δοκιμών Selenium.
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και εξάσκηση.
- Πρακτική εφαρμογή σε περιβάλλον ζωντανών εργαστηρίων.
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσετε.
-
Ενεργοποίηση λογισμικού AI για τη βελτίωση του τρόπου με τον οποίο τα εμπορικά σήματα συνδέονται με τους χρήστες.
Χρησιμοποιήστε chatbots για να βελτιστοποιήσετε την εμπειρία του χρήστη.
Αύξηση της παραγωγικότητας και των εσόδων μέσω της αυτοματοποίησης των εργασιών.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
-
Εφαρμογή φίλτρων (Kalman και σωματίδια) για να επιτρέψει στο ρομπότ να εντοπίσει κινούμενα αντικείμενα στο περιβάλλον του.
Εφαρμογή αλγόριθμων αναζήτησης και προγραμματισμού κινήσεων.
Εφαρμογή PID ελέγχους για να ρυθμίσει την κίνηση ενός ρομπότ μέσα σε ένα περιβάλλον.
Εφαρμογή αλγόριθμων SLAM για να επιτρέψει σε ένα ρομπότ να χαρτογραφήσει ένα άγνωστο περιβάλλον.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
-
Κατανοήστε τις βασικές έννοιες που χρησιμοποιούνται στις ρομποτικές τεχνολογίες.
Κατανοήστε και διαχειριστείτε την αλληλεπίδραση μεταξύ λογισμικού και υλικού σε ένα ρομποτικό σύστημα.
Κατανοήστε και εφαρμόστε τα συστατικά λογισμικού που υποστηρίζουν τη ρομποτική.
Δημιουργήστε και λειτουργήστε ένα προσομοιωμένο μηχανικό ρομπότ που μπορεί να δει, να αισθάνεται, να επεξεργάζεται, να πλοηγεί και να αλληλεπιδρά με τους ανθρώπους μέσω της φωνής.
Κατανοήστε τα απαραίτητα στοιχεία της τεχνητής νοημοσύνης (μάθηση μηχανής, βαθιά μάθηση κλπ.) Χρησιμοποιείται για την κατασκευή ενός έξυπνου ρομπότ.
Οι φίλτρα εφαρμογής (Kalman και Particle) επιτρέπουν στο ρομπότ να εντοπίζει κινούμενα αντικείμενα στο περιβάλλον του.
Εφαρμογή αλγόριθμων αναζήτησης και προγραμματισμού κινήσεων.
Εφαρμογή PID ελέγχους για να ρυθμίσει την κίνηση ενός ρομπότ μέσα σε ένα περιβάλλον.
Εφαρμογή αλγόριθμων SLAM για να επιτρέψει σε ένα ρομπότ να χαρτογραφήσει ένα άγνωστο περιβάλλον.
Δοκιμάστε και επιλύστε ένα ρομπότ σε ρεαλιστικά σενάρια.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Οι συσκευές υλικού θα επιβεβαιωθούν από τον εκπαιδευτή πριν από την προπόνηση. Τα κιτ θα περιέχουν περισσότερα ή λιγότερα από τα ακόλουθα συστατικά:
[ 4 ] Οδηγός
Ελέγχου κινητήρα
Ο αισθητήρας απόστασης
Bluetooth σκλάβος
Πρωτότυπος πίνακας και καλώδια
USB καλώδιο
Αυτοκίνητο Κίτ
-
Για να προσαρμόσετε οποιοδήποτε μέρος αυτού του μαθήματος (γλώσσα προγραμματισμού, ρομπότ μοντέλο, microcontroller, κλπ.) Παρακαλούμε επικοινωνήστε μαζί μας για να διορθώσετε.
-
Κατανοήστε τις βασικές έννοιες που χρησιμοποιούνται στις ρομποτικές τεχνολογίες.
Κατανοήστε και διαχειριστείτε την αλληλεπίδραση μεταξύ λογισμικού και υλικού σε ένα ρομποτικό σύστημα.
Κατανοήστε και εφαρμόστε τα συστατικά λογισμικού που υποστηρίζουν τη ρομποτική.
Δημιουργήστε και λειτουργήστε ένα προσομοιωμένο μηχανικό ρομπότ που μπορεί να δει, να αισθάνεται, να επεξεργάζεται, να πλοηγεί και να αλληλεπιδρά με τους ανθρώπους μέσω της φωνής.
Κατανοήστε τα απαραίτητα στοιχεία της τεχνητής νοημοσύνης (μάθηση μηχανής, βαθιά μάθηση κλπ.) Χρησιμοποιείται για την κατασκευή ενός έξυπνου ρομπότ.
Οι φίλτρα εφαρμογής (Kalman και Particle) επιτρέπουν στο ρομπότ να εντοπίζει κινούμενα αντικείμενα στο περιβάλλον του.
Εφαρμογή αλγόριθμων αναζήτησης και προγραμματισμού κινήσεων.
Εφαρμογή PID ελέγχους για να ρυθμίσει την κίνηση ενός ρομπότ μέσα σε ένα περιβάλλον.
Εφαρμογή αλγόριθμων SLAM για να επιτρέψει σε ένα ρομπότ να χαρτογραφήσει ένα άγνωστο περιβάλλον.
Επέκταση της ικανότητας ενός ρομπότ να εκτελεί πολύπλοκα καθήκοντα μέσω Deep Learning.
Δοκιμάστε και επιλύστε ένα ρομπότ σε ρεαλιστικά σενάρια.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να προσαρμόσετε οποιοδήποτε μέρος αυτού του μαθήματος (γλώσσα προγραμματισμού, ρομπότ μοντέλο, κλπ.) Παρακαλούμε επικοινωνήστε μαζί μας για να διορθώσετε.
Last Updated: