Introduction to the Use of Neural Networks Träningskurs

Denna kurs täcker AI (emphasizing Machine Learning och Deep Learning) i Automotive Industri. Det hjälper till att bestämma vilken teknik som kan (potentiellt) användas i flera situationer i en bil: från enkel automatisering, bildupplysning till självständigt beslutsfattande.

Den här kursen har skapats för chefer, lösningsarkitekter, innovationsansvariga, CTO:er, mjukvaruarkitekter och alla som är intresserade av en översikt över tillämpad artificiell intelligens och närmaste prognos för dess utveckling.

• Förstå grundläggande begrepp inom sannolikhetslära och statistik och tillämpa dessa på verkliga scenarier.
• Skriva och förstå procedurorienterad, funktionell och objektorienterad programmeringskod.
• Implementera maskininlärningstekniker såsom klassificering, klustring och neurala nätverk.
• Utveckla AI-lösningar med hjälp av regelbaserade system och expertsystem för problemlösning.

Artificiellt neuralt nätverk är en beräkningsdatamodell som används vid utvecklingen av Artificial Intelligence (AI) system som kan utföra "intelligenta" uppgifter. Neural Networks används ofta i Machine Learning (ML) applikationer, som i sig är en implementering av AI. Deep Learning är en delmängd av ML.

Detta är en 4-dagars kurs som introducerar AI och dess tillämpning. Det finns möjlighet att få en extra dag för att genomföra ett AI-projekt efter avslutad kurs. 

Denna instruktörsledda, live genomförda utbildning, på plats eller online, riktar sig till datavetare och statistiker på mellannivå som vill förbereda data, bygga modeller och tillämpa maskininlärningstekniker effektivt i sina yrkesområden.

Vid kursens slut kommer deltagarna att kunna:

• Förstå och implementera olika Machine Learning algoritmer.
• Förbereda data och modeller för maskininlärningsapplikationer.
• Utföra post hoc- analyser och visualisera resultat effektivt.
• Tillämpa maskininlärningstekniker på verkliga, sektorspecifika scenarier.

Artificial Neural Network är en beräkningsmodell som används vid utvecklingen av Artificial Intelligence (AI) -system som kan utföra "intelligenta" uppgifter. Neural Networks används ofta i Machine Learning (ML) -applikationer, som själva är en implementering av AI. Deep Learning är en delmängd av ML.

Denna instruktörsledda, live-träning i Sverige (online eller på plats) ger en introduktion till området mönsterigenkänning och maskininlärning. Den berör praktiska tillämpningar inom statistik, datavetenskap, signalbehandling, datorseende, datagruvning och bioinformatik.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Använda grundläggande statistiska metoder för mönsterigenkänning.
• Använda nyckelmodeller som neurala nätverk och kärnmetoder för dataanalys.
• Implementera avancerade tekniker för komplicerat problemlösning.
• Förbättra prediktionsnoggrannhet genom att kombinera olika modeller.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill lära sig grunderna i Deep Reinforcement Learning när de går igenom skapandet av en Deep Learning Agent.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå nyckelbegreppen bakom Deep Reinforcement Learning och kunna skilja det från Machine Learning.
• Använd avancerade Reinforcement Learning algoritmer för att lösa verkliga problem.
• Bygg en Deep Learning Agent.

Typ: Teoretisk utbildning med ansökningar som bestäms i förväg med eleverna på lasagne eller Keras beroende på pedagogisk grupp

Undervisningsform: presentation, utbyten och fallstudier

Artificiell intelligens, efter att ha stört många vetenskapliga områden, har börjat revolutionera ett stort antal ekonomiska sektorer (industri, medicin, kommunikation, etc.). Icke desto mindre är dess presentation i mainstream-media ofta en fantasi, långt ifrån vad fälten Machine Learning eller Deep Learning verkligen är. Syftet med denna utbildning är att ge ingenjörer som redan behärskar datorverktyg (inklusive grundläggande programvaruprogrammering) en introduktion till Deep Learning samt till dess olika specialiseringsområden och därmed till de viktigaste nätverksarkitekturerna som finns idag. Om grunderna i matematik återkallas under kursens gång rekommenderas en nivå av matematik av typen BAC+2 för mer komfort. Det är absolut möjligt att hoppa över den matematiska axeln för att bara behålla en "system"-vision, men detta tillvägagångssätt kommer i hög grad att begränsa din förståelse av ämnet.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig att använda Matlab för att designa, bygga och visualisera ett invändigt neuralt nätverk för bildigenkänning.

I slutet av denna träning kommer deltagarna att kunna:

• Bygg en djup inlärningsmodell
• Automatisera datamärkning
• Arbeta med modeller från Caffe och TensorFlow - Keras
• Träna data med hjälp av flera GPU er, molnet eller kluster

Publik

• utvecklare
• ingenjörer
• Domänexperter

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Denna klassrumsbaserade träning kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar att genomföra med relevanta neurala och djupa nätverksbibliotek

Den här kursen är en introduktion till att använda neurala nätverk för att lösa verkliga problem med R-projektprogramvaran.

I denna ledda utbildning på plats kommer deltagarna att lära sig hur de kan dra nytta av innovationerna i TPU-processorer för att maximera prestandan i sina egna AI-applikationer.

Vid slutet av utbildningen kommer deltagarna att kunna:

• Träna olika typer av neuronnätverk på stora mängder data.
• Använda TPUer för att accelerera inferensprocessen med upp till två storleksordningar.
• Använda TPUer för att bearbeta krävande applikationer som bildsökning, cloud vision och foto.

Denna kurs börjar med att ge dig konceptuell kunskap i neurala nätverk och generellt i maskininlärningsalgoritm, djupinlärning (algoritmer och applikationer).

Del-1 (40%) av denna utbildning är mer fokus på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denna utbildning introducerar Theano - ett pythonbibliotek som gör det enkelt att skriva djupa inlärningsmodeller.

Del-3 (40%) av utbildningen skulle i stor utsträckning baseras på Tensorflow - 2nd Generation API of Go ogles open source software bibliotek för Deep Learning . Exemplen och handson skulle alla göras i TensorFlow .

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för sina Deep Learning projekt

Efter avslutad kurs kommer delegaterna att:

• ha god förståelse för djupa neurala nätverk (DNN), CNN och RNN

• förstå TensorFlow struktur och distributionsmekanismer

• kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration

• kunna bedöma kodkvalitet, utföra felsökning, övervakning

• kunna implementera avancerad produktion som träningsmodeller, bygga grafer och logga