Curs de pregatire Matlab pentru Învățare Profundă

Acest curs acoperă Inteligența Artificială (cu accent pe Învățarea Automată și Învățarea Profundă) în Industria Automobilă. Ajută la determinarea tehnologiei care poate fi (potențial) utilizată în multiple situații într-o mașină: de la automatizarea simplă, recunoașterea imaginilor până la luarea deciziilor autonome.

Explorarea fundamentelor inteligenței artificiale dezvăluie modul în care tehnologia inteligentă redefinește strategia digitală, automatizarea și luarea deciziilor în cadrul operațiunilor enterprise. Examinați conceptele de bază care acoperă istoria IA, cadre de rezolvare a problemelor, reprezentarea cunoștințelor, raționamentul în condiții de incertitudine și paradigme de învățare automată, alături de comunicare, percepție și acțiune autonomă. Ghid pentru manageri și arhitecți în evaluarea oportunităților de transformare bazate pe IA, evaluarea tendințelor tehnologice emergente și integrarea soluțiilor inteligente practice pentru a accelera agilitatea afacerii.

Acest training condus de un instructor, live în România (online sau onsite) este destinat biologiilor care doresc să înțeleagă cum funcționează AlphaFold și să utilizeze modelele AlphaFold ca ghid în studiile lor experimentale.

La finalul acestui training, participanții vor putea:

• Să înțeleagă principiile de bază ale AlphaFold.
• Să învețe cum funcționează AlphaFold.
• Să învețe cum să interpreteze predicțiile și rezultatele AlphaFold.

Rețeaua Neurală Artificială este un model de date computațional utilizat în dezvoltarea sistemelor de Inteligență Artificială (IA) capabile să efectueze sarcini „inteligente”. Rețelele Neuronale sunt utilizate în mod obișnuit în aplicațiile de Învățare Automată (ML), care la rândul lor reprezintă o implementare a IA. Învățarea Profundă este un subset al ML.

AI Aplicat de la Zero în Python îi înzestrează pe programatori și analiști de date cu tehnici fundamentale pentru construirea de soluții de învățare automată de la zero folosind Python. Acoperă principiile de bază ale clasificării și regresiei în învățarea supervizată, clusteringului și detectării de anomalii în învățarea nesupervizată, precum și arhitecturi avansate de rețele neuronale. Examinează metode dovedite pentru lucrul cu scikit-learn, Apache Spark MLlib și Jupyter notebooks pentru dezvoltarea practică a IA. Ajută profesioniștii să implementeze modele practice de ML, să evalueze limitările algoritmilor și să finalizeze proiecte aplicate pentru rezolvarea problemelor din lumea reală.

Acest training condus de un instructor, live în România (online sau la fața locului) este destinat cercetătorilor și dezvoltatorilor care doresc să folosească Chainer pentru a construi și antrena rețele neuronale în Python, făcând codul ușor de depanat.

La finalul acestui training, participanții vor putea:

• Să configureze mediul de dezvoltare necesar pentru a începe dezvoltarea modelelor de rețele neuronale.
• Să definească și să implementeze modele de rețele neuronale folosind un cod sursă ușor de înțeles.
• Să execute exemple și să modifice algoritmi existenți pentru a optimiza modelele de antrenament de învățare profundă, utilizând GPU-uri pentru performanțe ridicate.

Această formare condusă de un instructor, live în România (online sau la fața locului), este destinată profesioniștilor de nivel avansat care doresc să-și aprofundeze înțelegerea computer vision și să exploreze capacitățile TensorFlow pentru dezvoltarea de modele sofisticate de vedere folosind Google Colab.

La finalul acestei formări, participanții vor putea:

• Să construiască și să antreneze rețele neuronale convoluționale (CNN) folosind TensorFlow.
• Să utilizeze Google Colab pentru dezvoltarea scalabilă și eficientă a modelelor bazate pe cloud.
• Să implementeze tehnici de preprocesare a imaginilor pentru sarcini de computer vision.
• Să implementeze modele de computer vision pentru aplicații din lumea reală.
• Să folosească transfer learning pentru a îmbunătăți performanța modelelor CNN.
• Să vizualizeze și să interpreteze rezultatele modelelor de clasificare a imaginilor.

Acest training condus de un instructor, live în România (online sau la fața locului), oferă o introducere în domeniul recunoașterii modelelor și al învățării automate. Acesta abordează aplicații practice în statistică, informatică, procesarea semnalelor, vizualizarea computerizată, exploatarea datelor și bioinformatică.

La sfârșitul acestui training, participanții vor putea:

• Aplica metode statistice de bază în recunoașterea modelelor.
• Utiliza modele cheie precum rețele neuronale și metode bazate pe nuclee pentru analiza datelor.
• Implementa tehnici avansate pentru rezolvarea problemelor complexe.
• Îmbunătăți acuratețea predicțiilor prin combinarea diferitelor modele.

Învățarea Profundă prin Reforțare (DRL) combină principiile învățării prin reforțare cu arhitecturile de învățare profundă pentru a permite agenților să ia decizii prin interacțiunea cu mediile lor. Aceasta stă la baza multor avansuri moderne în domeniul inteligenței artificiale, cum ar fi vehiculele autonome, controlul roboticii, tranzacționarea algoritmică și sistemele de recomandare adaptivă. DRL permite unui agent artificial să învețe strategii, să optimizeze politici și să ia decizii autonome bazate pe încercare și eroare folosind învățarea bazată pe recompense.

Acest antrenament condus de un instructor, live (online sau la fața locului), este destinat dezvoltatorilor și oamenilor de știință de date de nivel intermediar care doresc să învețe și să aplice tehnici de Învățare Profundă prin Reforțare pentru a construi agenți inteligenți capabili să ia decizii autonome în medii complexe.

La sfârșitul acestui antrenament, participanții vor putea:

• Să înțeleagă fundamentele teoretice și principiile matematice ale Învățării prin Reforțare.
• Să implementeze algoritmi cheie de RL, inclusiv Q-Learning, Policy Gradients și metode Actor-Critic.
• Să construiască și să antreneze agenți de Învățare Profundă prin Reforțare folosind TensorFlow sau PyTorch.
• Să aplice DRL în aplicații din lumea reală, cum ar fi jocuri, robotică și optimizarea deciziilor.
• Să depaneze, să vizualizeze și să optimizeze performanța antrenamentului folosind instrumente moderne.

Formatul Cursului

• Prelegere interactivă și discuție ghidată.
• Exerciții practice și implementări practice.
• Demonstrații live de codare și aplicații bazate pe proiecte.

Opțiuni de Personalizare a Cursului

• Pentru a solicita o versiune personalizată a acestui curs (de exemplu, folosind PyTorch în loc de TensorFlow), vă rugăm să ne contactați pentru a aranja.

Această formare condusă de un instructor, live în România (online sau la fața locului) este destinată dezvoltatorilor de nivel intermediar, oamenilor de știință de date și practicienilor AI care doresc să exploateze TensorFlow Lite pentru aplicații Edge AI.

La finalul acestei formări, participanții vor putea:

• Înțelege noțiunile de bază ale TensorFlow Lite și rolul său în Edge AI.
• Dezvolta și optimiza modele de AI folosind TensorFlow Lite.
• Implementa modele TensorFlow Lite pe diverse dispozitive de margine.
• Utiliza instrumente și tehnici pentru conversia și optimizarea modelelor.
• Implementa aplicații practice Edge AI folosind TensorFlow Lite.

Această instruire condusă de un instructor, livrată în România (online sau la fața locului), este destinată oamenilor de știință care lucrează cu date și care doresc să accelereze aplicațiile de învățare automată în timp real și să le implementeze la scară largă.

La sfârșitul acestei instruiri, participanții vor putea:

• Să instaleze toolkit-ul OpenVINO.
• Să accelereze o aplicație de vizualizare pe calculator folosind un FPGA.
• Să execute diferite straturi CNN pe FPGA.
• Să extindă aplicația pe mai multe noduri într-un cluster Kubernetes.

Acest training condus de un instructor, disponibil în România (online sau la fața locului), este destinat dezvoltatorilor sau oamenilor de știință de date care doresc să folosească Horovod pentru a rula antrenamente de învățare profundă distribuită și să le scaleze pentru a rula pe mai multe GPU-uri în paralel.

La finalul acestui training, participanții vor putea:

• Să configureze mediul de dezvoltare necesar pentru a începe rularea antrenamentelor de învățare profundă.
• Să instaleze și să configureze Horovod pentru a antrena modele cu TensorFlow, Keras, PyTorch și Apache MXNet.
• Să scaleze antrenamentele de învățare profundă folosind Horovod pentru a rula pe mai multe GPU-uri.

Acest curs începe prin a vă oferi cunoștințe conceptuale despre rețele neuronale și, în general, despre algoritmii de învățare automată, învățarea profundă (algoritmi și aplicații).

Partea 1 (40%) a acestui training se concentrează mai mult pe fundamente, dar vă va ajuta să alegeți tehnologia potrivită: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Partea 2 (20%) a acestui training introduce Theano - o bibliotecă Python care facilitează scrierea modelelor de învățare profundă.

Partea 3 (40%) a trainingului va fi în mare parte bazată pe TensorFlow - API-ul bibliotecii de software open source a Google pentru Învățarea Profundă. Exemplele și exercițiile practice vor fi realizate în TensorFlow.

Publicul țintă

Acest curs este destinat inginerilor care doresc să folosească TensorFlow pentru proiectele lor de Învățare Profundă.

După finalizarea acestui curs, participanții vor:

• avea o bună înțelegere a rețelelor neuronale profunde (DNN), CNN și RNN
• înțelege structura și mecanismele de implementare ale TensorFlow
• să poată efectua sarcini de instalare / configurare a mediului de producție / arhitectură
• să poată evalua calitatea codului, să efectueze depanare și monitorizare
• să poată implementa procese avansate de producție, cum ar fi antrenarea modelelor, construirea de grafice și înregistrarea de loguri

Acest training condus de un instructor, în format live România (online sau la fața locului), este destinat profesioniștilor de nivel avansat care doresc să exploreze cele mai moderne tehnici XAI pentru modelele de învățare profundă, cu accent pe construirea sistemelor AI interpretabile.

La finalul acestui training, participanții vor fi capabili să:

• Înțeleagă provocările legate de explicabilitatea în învățarea profundă.
• Aplice tehnici avansate XAI pentru rețele neuronale.
• Interpreteze deciziile luate de modelele de învățare profundă.
• Evalueze compromisurile dintre performanță și transparență.