AI-ingeniørfaglig mestring: Fra Python-utvikling til produksjonsklare AI-systemer Treningskurs

Dette kurset dekker AI (emphasizing Machine Learning og Deep Learning) i Automotive Industri. Det bidrar til å bestemme hvilken teknologi som kan (potentielt) brukes i flere situasjoner i en bil: fra enkel automatisering, bildeoppdagelse til selvstendig beslutningstaking.

Utforskning av KI-fundamentene viser hvordan intelligent teknologi former digital strategi, automatisering og beslutningstaking i virksomhetsdrift. Undersøker grunnleggende konsepter som spenner over KI-historie, problemløsingsrammeverk, kunnskapsreprersentasjon, usikker resonnement og maskinlæringsparadigmer i sammenheng med kommunikasjon, persepsjon og autonom handling. Veileder ledere og arkitekter i å vurdere muligheter for KI-drevet transformasjon, analysere trendene i ny teknologi og integrere praktiske intelligente løsninger for å akselerere forretningsagilitet.

Denne instruktørledede, live-opplæringen i <lok> (online eller på stedet) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruke AlphaFold-modeller som veiledning i deres eksperimentelle studier.

Et sluttføringen av denne opplæringen, deltakerne vil være i stand til å:

• Forstå de grunnleggende prinsippene bak AlphaFold.
• Lære hvordan AlphaFold fungerer.
• Lære hvordan man tolker AlphaFold-prediksjoner og resultater.

Artificial Neural Network er en beregningsdatamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

Kurs i anvendt AI fra bunnen av i Python utstyrer programvareutviklere og dataanalytikere med grunnleggende teknikker for å bygge maskinlæringsløsninger fra grunnen av ved hjelp av Python. Omhandler grunnleggende prinsipper for veiledet læring (klassifisering og regresjon), ulvetet læring (klustering og unormalitetsdeteksjon) avanserte neuronettverksarkitekturer. Gjennomgår dokumenterte metoder for bruk av scikit-learn, Apache Spark MLlib og Jupyter-notbøker i praktisk AI-utvikling. Hjelper fagfolk med å implementere praktiske ML-modeller, evaluere algoritmenes begrensninger og gjennomføre anvendte prosjekter for å løse virkelige problemer.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot deltakere med varierende ekspertisenivåer som ønsker å utnytte Googles AutoML-plattform for å bygge tilpassede chatbots for ulike applikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om chatbot-utvikling.
• Naviger i Googgle Cloud Platform og få tilgang til AutoML.
• Forbered data for trening av chatbot-modeller.
• Tren og evaluer tilpassede chatbot-modeller ved å bruke AutoML.
• Distribuer og integrer chatbots i ulike plattformer og kanaler.
• Overvåk og optimaliser chatbot-ytelsen over tid.

Denne instruktørledede, live opplæring i Norge (online eller på sted) gir en introduksjon til feltet med mønstergjenkjenning og maskinlæring. Den berører praktiske anvendelser innen statistikk, datavitenskap, signalbehandling, datasyntese, datamining og bioinformasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke kjerne statistiske metoder til mønstergjenkjenning.
• Bruk nøkkelmodeller som neurale nettverk og kjerne-metoder for dataanalyse.
• Implementere avanserte teknikker for komplekse problemstillinger.
• Forbedre prediksjonsnøyaktigheten ved å kombinere forskjellige modeller.

Deep Reinforcement Learning (DRL) kombinerer prinsipper for forsterkende læring med dypelæringsarkitekturer for å la agenter ta beslutninger gjennom interaksjon med sine omgivelser. Det ligger til grunn for mange moderne AI-fremskritt som selvkjørende kjøretøy, robotstyring, algoritmisk handel og adaptive anbefalingssystemer. DRL lar en kunstig agent lære strategier, optimalisere politikker og ta autonome beslutninger basert på prøve og feil ved bruk av belønningsbasert læring.

Denne instruktørledede, live opplæringen (online eller på sted) er rettet mot mellomnivåutviklere og datasientister som ønsker å lære og bruke Deep Reinforcement Learning-teknikker til å bygge intelligente agenter som kan ta autonome beslutninger i komplekse miljøer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå teoretiske grunnlag og matematiske prinsipper for forsterkende læring.


• Implementere viktige RL-algoritmer, inkludert Q-Learning, Policy Gradients og Actor-Critic-metoder.


• Bygge og trene Deep Reinforcement Learning-agenter ved bruk av TensorFlow eller PyTorch.


• Bruk DRL på virkelige applikasjoner som spill, robotikk og beslutningsoptimalisering.


• Feilsøke, visualisere og optimalisere treningsyten ved bruk av moderne verktøy.

Kursformat

• Interaktiv forelesning og veiledet diskusjon.


• Hender på øvelser og praktiske implementasjoner.


• Live kode demonstrasjoner og prosjektbaserte applikasjoner.

Tilpasningsmuligheter for kurs

• For å be om en tilpasset versjon av dette kurset (for eksempel ved bruk av PyTorch i stedet for TensorFlow), ta kontakt med oss for å avtale.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot mellomnivåutviklere, datavitere og AI-praktikere som ønsker å utnyttet TensorFlow Lite for Edge AI-applikasjoner.

Etter denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for TensorFlow Lite og dens rolle i Edge AI.
• Utvikke og optimalisere AI-modeller ved hjelp av TensorFlow Lite.
• Implementere TensorFlow Lite-modeller på forskjellige kantenheter.
• Bruk verktøy og teknikker for modellkonvertering og optimalisering.
• Implementere praktiske Edge AI-applikasjoner ved hjelp av TensorFlow Lite.

Kubeflow er et open-source-plattform designet for å forenkle bygging, trening og distribusjon av maskinlæringsoppgaver på Kubernetes.

Dette instruktørbaserte, live-treningen (online eller på sted) er rettet mot beginner- til mellomnivå profesjonelle som ønsker å bygge pålitelige ML-arbeidsflyter ved hjelp av Kubeflow.

Etter fullføring av denne treningen, vil deltakerne ha oppnådd ferdighetene til å:

• Navigere i Kubeflow-økosystemet og kjernekomponenter.
• Bygge gjentakelige arbeidsflyter med Kubeflow Pipelines.
• Kjøre skalerbare treningstasker på Kubernetes.
• Serve maskinlæringsmodeller effektivt ved hjelp av Kubeflow Serving.

Kursformat

• Veiledede presentasjoner og kolaborative diskusjoner.
• Hands-on lab med reelle Kubeflow-komponenter.
• Praktiske øvelser for å bygge end-to-end ML-arbeidsflyter.

Kursanpassningsalternativer

• Tilpassede versjoner av denne treningen kan arrangeres for å tilpasses teamets teknologistakk og prosjektbehov.

Dette instruktørdrevne, live-utdanningstilbudet i Norge (online eller på stasjon) retter seg til utviklere og dataforskere som ønsker å bygge, distribuere og administrere maskinlæringsarbeidsflyter på Kubernetes.

Etter å ha gjennomført denne utdanningen skal deltakerne kunne:

• Installere og konfigurere Kubeflow lokalt (on-premise) og i skyen.
• Bygge, distribuere og administrere ML-arbeidsflyter basert på Docker-containere og Kubernetes.
• Kjøre hele maskinlæringsrørledninger på ulike arkitekturer og skymiljøer.
• Bruke Kubeflow til å opprette og administrere Jupyter-notebooks.
• Bygge ML-trening, hyperparameter-optimering og serving-arbeidsbelastninger over flere plattformer.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataanalytikere på middels nivå som ønsker å lære å bruke RapidMiner til å estimere og projisere verdier og bruke analytiske verktøy for tidsserieprognoser.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lær å bruke CRISP-DM-metodikken, velg passende maskinlæringsalgoritmer og forbedre modellkonstruksjon og ytelse.
• Bruk RapidMiner til å estimere og projisere verdier, og bruk analytiske verktøy for tidsserieprognoser.

Dette kurset begynner med å gi deg konseptuell kunnskap om nevrale nettverk og generelt i maskinlæringsalgoritmer, dyp læring (algoritmer og anvendelser).

Del 1 (40%) av dette treningen fokuserer mer på grunnleggende kunnskaper, men vil hjelpe deg med å velge riktig teknologi: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Del 2 (20%) av denne treningen introducerer Theano - en Python-bibliotek som gjør det enkelt å skrive dype læring-modeller.

Del 3 (40%) av treningen vil være sterkt basert på TensorFlow - API for Google's open source programvarebibliotek for Dyp Læring. Eksemplene og praktiske øvelser vil alle være utført i TensorFlow.

Målgruppe

Dette kurset er ment for ingeniører som ønsker å bruke TensorFlow i sine dype læring-prosjekter

Etter fullført kurs vil deltakerne:

• ha en godt forståelse av dype nevrale nettverk (DNN), CNN og RNN
• forstå TensorFlow's struktur og distribueringsmekanismer
• kunne utføre installasjons-, produksjonsmiljø- og arkitekturaufgaben samt konfigurasjon
• kunne vurdere koden kvalitet, utføre feilsøking, overvåkning
• kunne implementere avanserte produksjonsoppgaver som trening av modeller, bygging av grafer og logging

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å utforske state-of-the-art XAI-teknikker for dyplæringsmodeller, med fokus på å bygge tolkbare AI-systemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå utfordringene med forklarbarhet i dyp læring.
• Implementer avanserte XAI-teknikker for nevrale nettverk.
• Tolke avgjørelser tatt av dyplæringsmodeller.
• Vurder avveiningene mellom ytelse og åpenhet.