AI Engineering Mastery: Från Python-utveckling till produktionsklara AI-system 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.

Genom att utforska grunderna i artificiell intelligens framgår hur intelligent teknik omvandlar digital strategi, automatisering och beslutsfattande inom enterprise-verksamheter. Kursen behandlar centrala begrepp som AI:s historia, ramverk för problemlösning, kunskapsrepresentation, resonemang vid osäkerhet och inlärningsparadigm, samt kommunikation, perception och autonom handling. Den vägleder chefer och arkitekter att utvärdera möjligheter till AI-driven transformation, bedöma nya tekniktrend och integrera praktiska intelligenta lösningar för att öka företagets agilitet.

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.

Tillämpad AI från grunden i Python ger programmerare och dataanalytiker de grundläggande teknikerna för att bygga maskininlärningslösningar från grunden med Python. Den täcker kärnprinciperna för övervakad inlärning inom klassificering och regression, oövervakad inlärning inom clustering och avvikelsedetektering samt avancerade arkitekturer för neurala nätverk. Boken undersöker beprövade metoder för arbete med scikit-learn, Apache Spark MLlib och Jupyter-notböcker för praktisk AI-utveckling. Den hjälper yrkesverksamma att implementera praktiska ML-modeller, utvärdera algoritmers begränsningar och slutföra tillämpade projekt för lösa verkliga problem.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till deltagare med olika kompetensnivåer som vill utnyttja Googles AutoML plattform för att bygga skräddarsydda chatbots för olika applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna för chatbot-utveckling.
• Navigera i Google Cloud Platform och få åtkomst till AutoML.
• Förbereda data för träning av chattrobotmodeller.
• Träna och utvärdera anpassade chattrobotmodeller med hjälp av AutoML.
• Distribuera och integrera chatbots i olika plattformar och kanaler.
• Övervaka och optimera chatbotens prestanda över tid.

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.

Kubeflow är en källkodsplattform som är utformad för att underlätta utveckling, träning och implementering av maskininlärningsarbetsbelastningar på Kubernetes.

Denna instruktörsledda, liveutbildning (online eller på plats) är avsedd för professionella med nybörjarnivå till mellannivå som vill bygga pålitliga ML-flöden med hjälp av Kubeflow.

När du har slutfört denna utbildning kommer deltagarna att ha fått färdigheter för att:

• Ställa in sig i Kubeflow-ekosystemet och de centrala komponenterna.
• Bygga reproducerbara flöden med Kubeflow Pipelines.
• Köra skalbara träningsjobb på Kubernetes.
• Servera maskininlärningsmodeller effektivt med hjälp av Kubeflow Serving.

Kursens upplägg

• Valet presentationer och samarbetsdiskussioner.
• Hands-on-laborationer med verkliga Kubeflow-komponenter.
• Praktiska övningar för att bygga hela ML-flöden från början till slut.

Möjligheter att anpassa kursen

• Anpassade versioner av denna utbildning kan ordnas för att matcha ditt teams teknikstack och projektkrav.

Den här instruktörsledda, direkta utbildningen i Sverige (online eller på plats) är avsedd för utvecklare och datavetare som vill bygga, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

När utbildningen är avslutad ska deltagarna kunna:

• Installera och konfigurera Kubeflow lokalt och i molnet.
• Bygga, distribuera och hantera ML-arbetsflöden baserade på Docker-containers och Kubernetes.
• Köra hela maskininlärningspipeline i olika arkitekturer och molnmiljöer.
• Använda Kubeflow för att skapa och hantera Jupyter-notebooks.
• Bygga arbetsbelastningar för ML-träning, hyperparameterjustering och servering över flera plattformar.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till dataanalytiker på mellannivå som vill lära sig att använda RapidMiner för att uppskatta och projicera värden och använda analysverktyg för tidsserieprognoser.

I slutet av denna utbildning kommer deltagarna att kunna:

• Lär dig att tillämpa CRISP-DM-metodiken, välja lämpliga maskininlärningsalgoritmer och förbättra modellkonstruktion och prestanda.
• Använd RapidMiner för att uppskatta och projicera värden och använda analysverktyg för tidsserieprognoser.

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.