Курс за обучение по Майсторство в AI Engineering: От Python инженерия до готови за продукция AI системи

Този курс обхваща AI (с акцент върху машинното обучение и дълбокото обучение) в автомобилната индустрия. Той помага да се определи коя технология може (потенциално) да се използва в разнообразни ситуации в автомобила: от проста автоматизация и разпознаване на изображения до автономно вземане на решения.

Изследването на основите на изкуствения интелект разкрива как интелигентните технологии трансформират цифровата стратегия, автоматизацията и вземането на решения в корпоративните операции. Разглеждат се основни концепции, обхващащи историята на ИИ, рамки за решаване на проблеми, представяне на знания, разсъждения в условия на несигурност и парадигми на машинното обучение, заедно с комуникация, възприятие и автономни действия. Насочва ръководители и архитекти да оценяват възможностите за трансформация, задвижвана от ИИ, да анализират нововъзникващите технологични тенденции и да интегрират практически интелигентни решения за ускоряване на бизнес гъвкавостта.

Това обучение с инструктор на живо в България (онлайн или на място) е насочено към биолози, които желаят да разберат как работи AlphaFold и да използват моделите на AlphaFold като ориентири в своите експериментални изследвания.

До края на това обучение участниците ще могат да:

• Разбират основните принципи на AlphaFold.
• Научат как работи AlphaFold.
• Научат как да интерпретират прогнозите и резултатите от AlphaFold.

Изкуствената невронна мрежа е изчислителен модел на данни, използван при разработването на системи с изкуствен интелект (AI), способни да изпълняват „интелигентни“ задачи. Невронните мрежи обикновено се използват в приложения за машинно обучение (ML), които сами по себе си са една реализация на AI. Задълбоченото обучение (Deep Learning) е подмножество на ML.

Курсът „Приложен изкуствен интелект от нулата с Python“ предоставя на програмисти и анализатори на данни основни техники за изграждане на решения за машинно обучение от самото начало с помощта на Python. Обхваща ключови принципи на контролираното обучение (класификация и регресия), неконтролираното обучение (клъстеризация и откриване на аномалии) и усъвършенствани архитектури на невронни мрежи. Разглежда утвърдени методи за работа с инструменти като scikit-learn, Apache Spark MLlib и Jupyter notebooks за практическа разработка на изкуствен интелект. Помага на специалистите да внедряват практични модели за машинно обучение, да оценяват ограниченията на алгоритмите и да завършват приложни проекти за решаване на реални проблеми.

Това обучение, водено от инструктор на живо в България (онлайн или на място), е насочено към участници с различен опит, които желаят да използват платформата AutoML на Google за създаване на персонализирани чатботове за различни приложения.

До края на това обучение участниците ще могат да:

• Разбират основите на разработването на чатботове.
• Навигират в Google Cloud Platform и да достигат до AutoML.
• Подготвят данни за обучение на модели за чатботове.
• Обучават и оценяват персонализирани модели за чатботове, използвайки AutoML.
• Внедряват и интегрират чатботове в различни платформи и канали.
• Следят и оптимизират представянето на чатботовете във времето.

Това обучение с инструктор на живо в България (онлайн или на място) предоставя въведение в областта на разпознаването на образи и машинното обучение. Засягат се практически приложения в статистиката, компютърните науки, обработката на сигнали, компютърното зрение, извличането на данни и биоинформатиката.

До края на това обучение участниците ще могат да:

• Прилагат основни статистически методи за разпознаване на образи.
• Използват ключови модели като невронни мрежи и ядрови методи за анализ на данни.
• Внедряват напреднали техники за решаване на сложни проблеми.
• Подобряват точността на прогнозите чрез комбиниране на различни модели.

Задълбоченото обучение с утвърждение (Deep Reinforcement Learning - DRL) съчетава принципите на обучението с утвърждение с архитектури за дълбоко обучение, за да позволи на агентите да вземат решения чрез взаимодействие със своята среда. То е в основата на много съвременни постижения в ИИ, като самоуправляващи се превозни средства, роботизиран контрол, алгоритмична търговия и адаптивни системи за препоръки. DRL позволява на изкуствен агент да научава стратегии, да оптимизира политики и да взема автономни решения въз основа на проба и грешка, използвайки обучение, базирано на награди.

Това обучение с инструктор на живо (онлайн или присъствено) е насочено към разработчици на средно ниво и специалисти по данни, които желаят да научат и прилагат техники за задълбочено обучение с утвърждение, за да изграждат интелигентни агенти, способни на автономно вземане на решения в сложни среди.

До края на това обучение участниците ще могат да:

• Разбират теоретичните основи и математическите принципи на обучението с утвърждение.
• Внедряват ключови алгоритми за ОУ, включително Q-Learning, Policy Gradients и методите Actor-Critic.
• Изграждат и обучават агенти за задълбочено обучение с утвърждение, използвайки TensorFlow или PyTorch.
• Прилагат DRL в реални приложения като игри, роботика и оптимизация на решения.
• Отстраняват проблеми, визуализират и оптимизират ефективността на обучението, използвайки съвременни инструменти.

Формат на курса

• Интерактивна лекция и ръководена дискусия.
• Практически упражнения и внедряване.
• Демонстрации с програмиране на живо и приложения, базирани на проекти.

Опции за персонализиране на курса

• За да заявите персонализирана версия на този курс (например, използване на PyTorch вместо TensorFlow), моля, свържете се с нас за уговорка.

Това обучение с инструктор на живо в България (онлайн или на място) е насочено към разработчици на средно ниво, специалисти по данни и AI практици, които желаят да използват TensorFlow Lite за Edge AI приложения.

До края на това обучение участниците ще могат:

• Да разбират основите на TensorFlow Lite и ролята му в Edge AI.
• Да разработват и оптимизират AI модели с помощта на TensorFlow Lite.
• Да внедряват TensorFlow Lite модели на различни крайни устройства.
• Да използват инструменти и техники за конвертиране и оптимизиране на модели.
• Да реализират практически Edge AI приложения, използвайки TensorFlow Lite.

Kubeflow е платформа с отворен код, създадена за опростяване на изграждането, обучението и разполагането на машинни обучения (ML) workloads върху Kubernetes.

Това е обучителен курс с преки инструкции (на живо, онлайн или на място), предназначен за професионалисти от начинаещо до средно ниво, които искат да изградят надеждни ML процеси с помощта на Kubeflow.

След завършването на обучението, участниците ще придобият уменията да:

• Ориентират се в екосистемата и основните компоненти на Kubeflow.
• Изграждат възпроизвежими процеси с Kubeflow Pipelines.
• Изпълняват мащабируеми задачи за обучение върху Kubernetes.
• Предоставят ефективно ML модели, използвайки Kubeflow Serving.

Формат на курса

• Напътствовани презентации и съвместни дискусии.
• Практически лабове с реални компоненти на Kubeflow.
• Практически упражнения за изграждане на пълни ML процеси (end-to-end).

Опции за персонализация на курса

• Могат да се организираха персонализирани версии на това обучение, за да се съобразят с технологичния стек и проектните изисквания на вашия екип.

Това обучение с водач, провеждано на живо на България (онлайн или на място), е предназначено за разработчици и учени в областта на данните, които искат да създават, разпространяват и управляват потоци за машинно обучение върху Kubernetes.

След завършването на обучението участниците ще бъдат в състояние да:

• Инсталират и конфигурират Kubeflow в локални среди и в облака.
• Създават, разпространяват и управляват ML потоци, базирани на Docker контейнери и Kubernetes.
• Изпълняват цели машинно-обучаващи пайплайни върху разнообразни архитектури и облачни среди.
• Използват Kubeflow за стартиране и управление на Jupyter ноутбъкове.
• Създават работни натоварвания за ML обучение, тюнинг на хиперпараметри и сервиране през множество платформи.

Това обучение с инструктор на живо в България (онлайн или на място) е насочено към анализатори на данни на средно ниво, които желаят да научат как да използват RapidMiner за оценка и проектиране на стойности и да прилагат аналитични инструменти за прогнозиране на времеви редове.

До края на обучението участниците ще могат да:

• Научат как да прилагат методологията CRISP-DM, да избират подходящи алгоритми за машинно обучение и да подобряват изграждането и производителността на моделите.
• Използват RapidMiner за оценка и проектиране на стойности и да прилагат аналитични инструменти за прогнозиране на времеви редове.

Този курс започва с предоставяне на концептуални знания за невронни мрежи и като цяло за алгоритми за машинно обучение, както и за дълбоко обучение (алгоритми и приложения).

Част 1 (40%) от обучението се фокусира повече върху основите, но ще ви помогне да изберете правилната технология: TensorFlow, Caffe, Theano, DeepDrive, Keras и др.

Част 2 (20%) от обучението въвежда Theano – библиотека на Python, която улеснява писането на модели за дълбоко обучение.

Част 3 (40%) от обучението ще бъде широко базирана на Tensorflow – API на софтуерната библиотека с отворен код на Google за дълбоко обучение. Примерите и практическите упражнения ще бъдат изцяло реализирани в TensorFlow.

Аудитория

Този курс е предназначен за инженери, които искат да използват TensorFlow за своите проекти за дълбоко обучение.

След завършване на курса участниците ще:

• имат добро разбиране за дълбоки невронни мрежи (DNN), CNN и RNN
• разбират структурата и механизмите за внедряване на TensorFlow
• могат да извършват инсталация и задачи по конфигуриране на производствена среда и архитектура
• могат да оценяват качеството на кода, да извършват отстраняване на грешки и наблюдение
• могат да внедряват усъвършенствани производствени процеси като обучение на модели, изграждане на графи и логване

Това обучение, водено от инструктор и провеждано на живо в България (онлайн или на място), е насочено към професионалисти на напреднало ниво, които желаят да изследват съвременни XAI техники за модели за дълбоко обучение, с фокус върху изграждането на интерпретируеми AI системи.

До края на това обучение участниците ще могат да:

• Разбират предизвикателствата на обяснимостта в дълбокото обучение.
• Прилагат напреднали XAI техники за невронни мрежи.
• Интерпретират решения, взети от модели за дълбоко обучение.
• Оценяват компромисите между производителност и прозрачност.