Neural Networks Kurs i Uppsala

Denna instruktörsledda, liveutbildning i Uppsala (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.

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. 

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.

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 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.

Denna handledare-ledna, live-träning i Uppsala (online eller på plats) är riktad till nybörjarnivådeltagare som önskar lära sig grundläggande koncept inom sannolikhetsteori, statistik, programmering och maskininlärning, och tillämpa dessa på AI-utveckling.

Till slut av denna träning kommer deltagarna att kunna:

• Förstå grundläggande koncept inom sannolikhetsteori och statistik, och tillämpa dem i praktiska situationer.
• Skapa och förstå procedur-, funktions- och objektorienterad programmeringskod.
• Implementera maskininlärningstekniker som klassificering, klustrering 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.

Artificiella neurala nätverk är en datamodell som används för utveckling av artificiella intelligens (AI) system som kan utföra "intelligenta" uppgifter. Neurala nätverk används ofta i maskininlärnings (ML) applikationer, som i sin tur är en implementering av AI. Djuplärning är en underkategori av ML.

Denna instruktörsledda, liveträning i Uppsala (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, live-träning i Uppsala (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.

I denna handledningsledda, live-träning kommer deltagarna att lära sig hur man använder Matlab för att designa, bygga och visualisera ett konvolutionsnätverk för bildigenkänning.

Till slutet av detta träningsprogram kommer deltagarna att kunna:

• Bygga en djupinlärningsmodell
• Autmatta dataetikettering
• Arbeta med modeller från Caffe och TensorFlow-Keras
• Traffa data med flera GPU:er, molnet eller kluster

Målgrupp

• Utvecklare
• Ingenjörer
• Fackexperts

Kursens struktur

• Del föreläsning, del diskussion, övningar och mycket praktiskt arbete

Utbildningen vänder sig till personer som vill lära sig grunderna i neurala nätverk och deras tillämpningar.

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.

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