Avansert maskinlæring med R 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 forskere og utviklere som ønsker å bruke Chainer til å bygge og trene nevrale nettverk i Python samtidig som koden er enkel å feilsøke.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle nevrale nettverksmodeller.
• Definer og implementer nevrale nettverksmodeller ved å bruke en forståelig kildekode.
• Utfør eksempler og modifiser eksisterende algoritmer for å optimalisere treningsmodeller for dyp læring mens du utnytter GPUer for høy ytelse.

Denne instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å dyppe seg dypere inn i datavisjon og utforske TensorFlows kapasiteter for å utvikle sofistikerte visjonsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nevrale nettverk (CNNs) ved hjelp av TensorFlow.
• Bruke Google Colab for skalerbar og effektiv skybasert modellutvikling.
• Implementere bildeforarbeidingsmetoder for datavisjonstider.
• Sette i drift datavisjonsmodeller for virkelige anvendelser.
• Bruke overføringsslur for å forbedre ytelsen på CNN-modeller.
• Visualisere og tolke resultater fra bildeklassifiseringsmodeller.

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.

Dette instruktørledede, live-kurset i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å akselerere sanntidsmaskinlæringsapplikasjoner og deployere dem i stor skala.

Ved slutten av kurset vil deltakerne kunne:

• Installere OpenVINO-verktøysettet.
• Akselerere en datamaskinseansjonsapplikasjon ved hjelp av en FPGA.
• Utføre ulike CNN-lag på FPGA-en.
• Skale applikasjonen på tvers av flere noder i et Kubernetes-cluster.

Dette instruktørledede, live kurset i Norge (online eller på stedet) er rettet mot utviklere eller datasikere som ønsker å bruke Horovod til å kjøre distribuert dyp lærings trening og skalere det til å kjøre på tvers av flere GPU-er parallelt.

Ved slutten av dette kurset vil deltakerne kunne:

• Sette opp nødvendig utviklingsmiljø for å starte dyp lærings trening.
• Installere og konfigurere Horovod for å trene modeller med TensorFlow, Keras, PyTorch og Apache MXNet.
• Skalere dyp lærings trening med Horovod for å kjøre på flere GPU-er.

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.