Introduksjon til bruk av Neural Networks 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.

Dette kurset er laget for ledere, løsningsarkitekter, innovasjonsansvarlige, CTOer, programvarearkitekter og alle som er interessert i en oversikt over anvendt kunstig intelligens og nærmeste prognose for utviklingen.

Denne instruktørledede, live opplæringen på Norge (online eller på stedet) er rettet mot deltakere på begynnernivå som ønsker å lære essensielle konsepter innen sannsynlighet, statistikk, programmering og maskinlæring, og bruke disse i AI-utvikling.

Ved slutten av denne opplæringen vil deltakere kunne:

• Forstå grunnleggende konsepter innen sannsynlighet og statistikk, og bruke disse i virkelige scenarier.
• Skrive og forstå prosedyreorientert, funksjonell og objektorientert programmeringskode.
• Implementere maskinlæringsmetoder som klassifisering, klusterisering og neuronnettverk.
• Utvikle AI-løsninger ved bruk av regelmaskiner og ekspertsystemer for problemløsning.

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.

Dette er et 4-dagers kurs som introduserer AI og dens applikasjon. Det er en mulighet for å ha en ekstra dag til å gjennomføre et AI-prosjekt etter fullføring av dette kurset.

Denne instruktørledede, live opplæringskursen (online eller på sted) er rettet mot mellomnivådataforskere og statistikere som ønsker å forberede data, bygge modeller og bruke maskinlæringsmetoder effektivt i sine faglige domener.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå og implementere ulike Machine Learning algoritmer.
• Forberede data og modeller for maskinlæringsapplikasjoner.
• Utføre post hoc-analyser og visualisere resultater effektivt.
• Bruk maskinlæringsmetoder på virkelige, sektorspesifikke scenarier.

Artificial Neural Network er en beregningsmessig datamodell 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.

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.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å lære det grunnleggende om Deep Reinforcement Learning mens de går gjennom opprettelsen av en Deep Learning Agent.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå nøkkelbegrepene bak Deep Reinforcement Learning og være i stand til å skille det fra Machine Learning.
• Bruk avanserte Reinforcement Learning algoritmer for å løse problemer i den virkelige verden.
• Bygg en Deep Learning Agent.

Type: Teoretisk opplæring med forhåndsbestemte søknader med studentene på Lasagne eller Keras i henhold til utdanningsgruppen

Undervisningsform: presentasjon, diskusjoner og casestudier

Kunstig intelligens, etter å ha forstyrret mange vitenskapelige felt, har begynt å revolusjonere et stort antall økonomiske sektorer (industri, medisin, kommunikasjon, etc.). Imidlertid er presentasjonen i mainstream media ofte en fantasi, veldig langt fra hva domenene til Machine Learning eller Deep Learning egentlig er. Formålet med denne opplæringen er å gi ingeniører som allerede mestrer IT-verktøy (inkludert en grunnleggende programvareprogrammering) en introduksjon til Deep Learning så vel som til de forskjellige spesialområdene og derfor til de viktigste nettverksarkitekturene som eksisterer i dag. Hvis det matematiske grunnleggende dekkes i løpet av kurset, anbefales et BAC+2-nivå i matematikk for større komfort. Det er absolutt mulig å ignorere den matematiske aksen og bare beholde en "system" visjon, men denne tilnærmingen vil enormt begrense din forståelse av emnet.

I denne instruktørledede liveopplæringen vil deltakerne lære hvordan de bruker Matlab til å designe, bygge og visualisere et innviklet nevralt nettverk for bildegjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bygge en dyp læringsmodell
• Automatiser datamerking
• Arbeid med modeller fra Caffe og TensorFlow - Keras
• Tren data ved å bruke flere GPU er, skyen eller klyngene

Publikum

• Utviklere
• ingeniører
• Domeneeksperter

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Denne klasseromsbaserte treningsøkten vil inneholde presentasjoner og datamaskinbaserte eksempler og casestudieøvelser å gjennomføre med relevante nevrale og dype nettverksbiblioteker

Dette kurset er en innføring i å anvende neuronnettverk i virkelige problemer ved bruk av R-project-programvaren.

I denne instruktørlede, direkte treningen i Norge, vil deltakerne lære å dra nytte av innovasjonene i TPU-prosessorene for å maksimere ytelsen til egne AI-applikasjoner.

Ved slutten av treningen vil deltakerne kunne:

• Trenne ulike typer nevrale nettverk på store mengder data.
• Bruke TPUer til å akselerere inferensprosessen med opp til to størrelsesordner.
• Bruke TPUer til å behandle ressurskrevende applikasjoner som bilde søk, skybasert syn og fotoprosessering.

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

Del-1 (40%) av denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denne opplæringen introduserer Theano - et pytonbibliotek som gjør det enkelt å skrive dype læringsmodeller.

Del 3 (40%) av opplæringen vil være omfattende basert på Tensorflow - 2nd Generation API of Go ogles open source programvarebibliotek for Deep Learning . Eksemplene og håndsonen ville alle være laget i TensorFlow .

Publikum

Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine

Etter fullført kurs vil delegatene:

• ha god forståelse for dype nevrale nettverk (DNN), CNN og RNN

• forstå TensorFlow struktur og distribusjonsmekanismer

• kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon

• kunne vurdere kodekvalitet, utføre feilsøking, overvåking

• kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging