Pattern Recognition Training Course

In this instructor-led, live training, we go over the principles of neural networks and use OpenNN to implement a sample application.

Format of the course

• Lecture and discussion coupled with hands-on exercises.

Pattern Matching е техника, използвана за локализиране на определени модели в изображение. Може да се използва за определяне на съществуването на определени характеристики в заснето изображение, например очаквания етикет върху дефектен продукт във фабрична линия или определените размери на компонент. Той е различен от "Pattern Recognition" (който разпознава общи модели, базирани на по-големи колекции от свързани проби) по това, че конкретно диктува какво търсим, след което ни казва дали очакваният модел съществува или не.

Този курс представя подходите, технологиите и алгоритмите, използвани в областта на съпоставянето на шаблони, както се прилага към Machine Vision.

Този курс е създаден за мениджъри, архитекти на решения, служители по иновациите, технически директори, софтуерни архитекти и всеки, който се интересува от общ преглед на приложния изкуствен интелект и най-близката прогноза за неговото развитие.

Обучението е насочено към хора, които искат да научат основите на невронните мрежи и техните приложения.

Този курс е въведение в прилагането на невронни мрежи в реални проблеми с помощта на софтуер R-project.

Този обучителен курс е за хора, които биха искали да приложат Machine Learning в практически приложения.

Публика

Този курс е за специалисти по данни и статистици, които са запознати със статистиката и знаят как да програмират R (или Python или друг избран език). Акцентът на този курс е върху практическите аспекти на подготовката на данни/модел, изпълнението, пост-хок анализ и визуализация.

Целта е да се дадат практически приложения на Machine Learning на участниците, които се интересуват от прилагането на методите на работа.

Използват се специфични за сектора примери, за да се направи обучението подходящо за аудиторията.

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

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

Този курс е създаден за хора, които нямат предишен опит в областта на вероятностите и статистиката.

Този курс обхваща AI (инфазиране Machine Learning и Deep Learning) в Automotive Индустрия. Той помага да се определи каква технология може (потенциално) да се използва в много ситуации в автомобила: от проста автоматизация, разпознаване на изображенията до автономно вземане на решения.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

Тип: Теоретично обучение с предварително решени с учениците приложения по Лазаня или Keras според образователната група

Методи на преподаване: презентации, дискусии и казуси

Изкуственият интелект, след като разруши много научни области, започна да революционизира голям брой икономически сектори (индустрия, медицина, комуникация и др.). Въпреки това, представянето му в големите медии често е фантазия, много далеч от това, което са областите на Machine Learning или Deep Learning в действителност. Целта на това обучение е да предостави на инженерите, които вече владеят ИТ инструменти (включително базова основа за софтуерно програмиране), въведение в Deep Learning, както и в различните му области на специализация и следователно в основните съществуващи мрежови архитектури. Ако математическите основи са обхванати по време на курса, се препоръчва ниво BAC+2 по математика за по-голям комфорт. Абсолютно възможно е да пренебрегнете математическата ос и да запазите само „системна“ визия, но този подход ще ограничи изключително много вашето разбиране на темата.

В това водено от инструктор обучение на живо в България участниците ще се научат как да се възползват от иновациите в TPU процесорите, за да увеличат максимално производителността на собствените си AI приложения.

До края на обучението участниците ще могат:

• Обучете различни видове невронни мрежи върху големи количества данни.
• Използвайте TPU, за да ускорите процеса на извод с до два порядъка.
• Използвайте TPU за обработка на интензивни приложения като търсене на изображения, облачно виждане и снимки.

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

• Set up and configure PaddlePaddle
• Set up a Convolutional Neural Network (CNN) for image recognition and object detection
• Set up a Recurrent Neural Network (RNN) for sentiment analysis
• Set up deep learning on recommendation systems to help users find answers
• Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

В това водено от инструктор обучение на живо участниците ще се научат как да използват Matlab за проектиране, изграждане и визуализиране на конволюционна невронна мрежа за разпознаване на изображения.

До края на това обучение участниците ще могат:

Изградете модел за задълбочено обучение Автоматизирайте етикетирането на данни Работете с модели от Caffe и TensorFlow-Keras Train данни, като използвате множество GPU, облака или клъстери

Публика

Разработчици Инженери Експерти в областта

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика