AI-Driven Drug Discovery and Development 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.

Denna instruktörsledda, levande utbildning i Sverige (online eller på plats) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använda AlphaFolds modeller som underlag i deras experimentella studier.

När du har genomfört utbildningen kommer du att kunna:

• Förstå de grundläggande principerna bakom AlphaFold.
• Lära dig hur AlphaFold fungerar.
• Lära dig att tolka AlphaFolds prediktioner och resultat.

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-dagarskurs som introducerar AI och dess tillämpning med hjälp av programmeringsspråket Python. Det finns möjlighet att få en extra dag för att genomföra ett AI-projekt efter avslutad kurs. 

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till forskare och utvecklare som vill använda Chainer för att bygga och träna neurala nätverk i Python samtidigt som koden är lätt att felsöka.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den utvecklingsmiljö som krävs för att börja utveckla neurala nätverksmodeller.
• Definiera och implementera neurala nätverksmodeller med hjälp av en begriplig källkod.
• Kör exempel och modifiera befintliga algoritmer för att optimera träningsmodeller för djupinlärning samtidigt som du utnyttjar GPUs för hög prestanda.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till avancerade professionella som önskar fördjupa sin förståelse av datorseende och utforska TesnorsFlows möjligheter att utveckla sofistikerade visningsmodeller med hjälp av Google Colab.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Bygga och träna konvolutionella neuronnät (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalarbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbearbetningsmetoder för datorseendeuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transfer learning för att förbättra prestandan på CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

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.

Deep Reinforcement Learning (DRL) kombinerar förstärkning av inlärningsprinciper med djupinlärningsarkitekturer för att låta agenter fatta beslut genom interaktion med sin omgivning. Det ligger till grund för många moderna AI-framsteg såsom självkörande fordon, robotstyrning, algoritmisk handel och adaptiva rekommendationssystem. DRL låter en artificiell agent lära sig strategier, optimera policys och fatta självständiga beslut baserat på försök och fel med hjälp av belöningsbaserat lärande.

Denna ledarledda, live-träning (online eller på plats) riktar sig till utvecklare och dataforskare på mellan-nivå som vill lära sig och tillämpa Deep Reinforcement Learning-tekniker för att bygga intelligenta agenter som kan fatta självständiga beslut i komplexa miljöer.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå de teoretiska grunderna och matematiska principerna för Reinforcement Learning.
• Implementera nyckel RL-algoritmer inklusive Q-Learning, Policy Gradients och Actor-Critic-metoder.
• Bygga och träna Deep Reinforcement Learning-agenter med TensorFlow eller PyTorch.
• Tillämpa DRL på praktiska applikationer som spel, robotik och beslutsoptimering.
• Felsöka, visualisera och optimera träningsprestanda med moderna verktyg.

Format för Kursen

• Interaktiv föreläsning och vägledd diskussion.
• Hands-on-övningar och praktiska implementeringar.
• Live-kodningsdemonstrationer och projektbaserade tillämpningar.

Kursanpassningsalternativ

• För att begära en anpassad version av denna kurs (t.ex. med PyTorch istället för TensorFlow), kontakta oss för att ordna.

Denna kurs i ledande undervisning (online eller på plats) vänder sig till utvecklare, datavetare och AI-praktiker på mellanavancerad nivå som vill utnyttja TensorFlow Lite för Edge AI-applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i TensorFlow Lite och dess roll inom Edge AI.
• Utveckla och optimera AI-modeller med TensorFlow Lite.
• Distribuera TensorFlow Lite-modeller på olika kantenheter.
• Använda verktyg och tekniker för modellkonvertering och optimering.
• Implementera praktiska Edge AI-applikationer med TensorFlow Lite.

Denna instruktörsledda, liveutbildning på Sverige (online eller på plats) riktar sig till datavetare som vill snabba upp realtidsmaskininlärningsapplikationer och distribuera dem i stor skala.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Installera OpenVINO-verktyget.
• Snabba upp en datorseendeapplikation med hjälp av en FPGA.
• Köra olika CNN-lager på FPGA.
• Skala applikationen över flera noder i ett Kubernetes-cluster.

Denna instruktörledda, liveutbildning på Sverige (online eller på plats) riktar sig till utvecklare eller datavetare som önskar använda Horovod för att köra distribuerad djupinlärningsträning och skala den så att den kan köras över flera GPU:er parallellt.

Genom utbildningens slut kommer deltagarna att kunna:

• Ställa upp den nödvändiga utvecklingsmiljön för att påbörja djupinlärningsträning.
• Installera och konfigurera Horovod för att träna modeller med TensorFlow, Keras, PyTorch och Apache MXNet.
• Skala djupinlärningsträning med Horovod så att den kan köras på flera GPU:er.

Detta kurs ger dig begreppskunskap inom neuronnät och generellt inom maskininlärningsalgoritmer, djupinlärning (algoritmer och tillämpningar).

Del 1 (40%) av detta träningsprogram fokuserar mer på grunderna men kommer att hjälpa dig att välja rätt teknik: TensorFlow, Caffe, Theano, DeepDrive, Keras etc.

Del 2 (20%) av träningsprogrammet introducerar Theano - en Python-bibliotek som gör det enkelt att skriva djupinlärningsmodeller.

Del 3 (40%) av träningsprogrammet baserar sig på TensorFlow - API för Googles öppen källkodsbibliotek för djupinlärning. Exemplen och praktiska delarna kommer att göras i TensorFlow.

Målgrupp

Denna kurs är tänkt för tekniker som vill använda TensorFlow för sina djupinlärningsprojekt

Efter att ha avslutat denna kurs kommer deltagarna att:

• ha en bra förståelse för djupinlärningsnätverk (DNN), CNN och RNN
• förstå TensorFlow:s struktur och distributionsmekanismer
• kunna utföra installations-, produktionsmiljö-, arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, genomföra felsökning, övervakning
• kunna implementera avancerade produktionsscenarier som träning av modeller, bygga grafer och loggning

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill utforska toppmoderna XAI-tekniker för djupinlärningsmodeller, med fokus på att bygga tolkningsbara AI-system.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med förklarbarhet inom djupinlärning.
• Implementera avancerade XAI-tekniker för neurala nätverk.
• Tolka beslut som fattas av djupinlärningsmodeller.
• Utvärdera kompromisserna mellan prestanda och transparens.