Oбучения по Deep Learning в София

Това обучение с инструктор на живо в София (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.

Това обучение с инструктор на живо в София (онлайн или на място) е насочено към професионалисти на напреднало ниво, които желаят да задълбочат разбирането си за компютърното зрение и да изследват възможностите на TensorFlow за разработване на сложни модели за зрение с помощта на Google Colab.

До края на това обучение участниците ще могат да:

• Изграждат и обучават конволюционни невронни мрежи (CNN) с помощта на TensorFlow.
• Използват Google Colab за мащабируемо и ефикасно разработване на модели в облак.
• Прилагат техники за предварителна обработка на изображения за задачи, свързани с компютърно зрение.
• Внедряват модели за компютърно зрение за приложения в реалния свят.
• Използват трансферно обучение, за да подобрят производителността на CNN моделите.
• Визуализират и интерпретират резултатите от модели за класификация на изображения.

Това обучение с инструктор, на живо в София (онлайн или на място), е насочено към специалисти по данни и разработчици на средно ниво, които желаят да разберат и прилагат техники за задълбочено обучение, използвайки средата Google Colab.

До края на това обучение участниците ще могат да:

• Настройват и навигират в Google Colab за проекти за задълбочено обучение.
• Разбират основите на невронните мрежи.
• Внедряват модели за задълбочено обучение с помощта на TensorFlow.
• Обучават и оценяват модели за задълбочено обучение.
• Използват разширените функции на TensorFlow за задълбочено обучение.

Това обучение, водено от инструктор на живо в София (онлайн или на място), е насочено към професионалисти на напреднало ниво, които желаят да се специализират в авангардни техники за дълбоко обучение за NLU.

До края на това обучение участниците ще могат да:

• Разбират основните разлики между NLU и NLP моделите.
• Прилагат усъвършенствани техники за дълбоко обучение към NLU задачи.
• Изследват задълбочени архитектури като трансформъри и механизми за внимание.
• Използват бъдещите тенденции в NLU за изграждане на сложни AI системи.

Това обучение, водено от инструктор и провеждано на живо в София (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.

Това обучение с инструктор на живо в София (онлайн или на място) е насочено към специалисти по данни, инженери по машинно обучение, изследователи в областта на задълбоченото обучение и експерти по компютърно зрение със средно до напреднало ниво, които желаят да разширят своите познания и умения в областта на задълбоченото обучение за генериране на изображения от текст.

До края на това обучение участниците ще могат да:

• Разбират усъвършенствани архитектури и техники за задълбочено обучение за генериране на изображения от текст.
• Имплементират сложни модели и оптимизации за синтез на висококачествени изображения.
• Оптимизират производителността и мащабируемостта за големи набори от данни и сложни модели.
• Настройват хиперпараметри за по-добра производителност на модела и генерализация.
• Интегрират Stable Diffusion с други рамки и инструменти за задълбочено обучение

Това обучение с инструктор на живо в София (онлайн или на място) е насочено към професионалисти на напреднало ниво, които желаят да използват AI техники, за да революционизират процесите на откриване и разработване на лекарства.

До края на това обучение участниците ще могат да:

• Разбират ролята на AI в откриването и разработването на лекарства.
• Прилагат техники за машинно обучение за прогнозиране на молекулни свойства и взаимодействия.
• Използват модели за дълбоко обучение за виртуален скрининг и оптимизация на водещи съединения.
• Интегрират подходи, базирани на AI, в процеса на клинични изпитвания.

Това обучение с инструктор на живо в София (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.

Това обучение с инструктор на живо в София (онлайн или на място) е насочено към разработчици от начинаещо до средно ниво, които желаят да използват големи езикови модели за различни задачи в областта на естествения език.

До края на това обучение участниците ще могат:

• Да настроят среда за разработка, включваща популярен LLM.
• Да създадат базов LLM и да го донастроят (fine-tune) с персонализиран набор от данни.
• Да използват LLM за различни задачи с естествен език, като обобщаване на текст, отговаряне на въпроси, генериране на текст и други.
• Да дебъгват и оценяват LLM, използвайки инструменти като TensorBoard, PyTorch Lightning и Hugging Face Datasets.

Това обучение с инструктор на живо (онлайн или на място) е насочено към специалисти по данни, инженери по машинно обучение и изследователи в областта на компютърното зрение, които желаят да използват Stable Diffusion за генериране на висококачествени изображения за разнообразни приложения.

До края на това обучение участниците ще могат да:

• Разбират принципите на Stable Diffusion и как работи той за генериране на изображения.
• Изграждат и обучават модели на Stable Diffusion за задачи за генериране на изображения.
• Прилагат Stable Diffusion в различни сценарии за генериране на изображения, като дорисуване на липсващи части (inpainting), разширяване на изображения (outpainting) и транслиране от изображение към изображение.
• Оптимизират производителността и стабилността на моделите на Stable Diffusion.

В това обучение с инструктор на живо в София участниците ще усвоят най-актуалните и напредничави техники за машинно обучение в Python, като създадат серия от демонстрационни приложения, свързани с изображения, музика, текст и финансови данни.

До края на обучението участниците ще могат да:

• Прилагат алгоритми и техники за машинно обучение за решаване на сложни проблеми.
• Използват задълбочено и полу-контролирано обучение в приложения с изображения, музика, текст и финансови данни.
• Разгърнат максималния потенциал на алгоритмите в Python.
• Използват библиотеки и пакети като NumPy и Theano.

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.

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.

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.

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.

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.

Това обучение с инструктор на живо в София (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.

Това ръководено от инструктор живо обучение в София (онлайн или на място) е предназначено за софтуерни разработчици, анализатори на данни и технически специалисти, които искат да използват TensorFlow 2.x и Keras за изграждане, трениране и внедряване на модели за дълбоко обучение за компютърно зрение, обработка на естествен език и мултимодални приложения.

Това обучение с инструктор на живо в София (онлайн или на място) е насочено към специалисти по данни, които желаят да използват TensorFlow за анализ на данни за потенциални измами.

До края на това обучение участниците ще могат:

• Да създават модел за откриване на измами с Python и TensorFlow.
• Да изграждат линейни регресии и модели на линейна регресия за прогнозиране на измами.
• Да разработят цялостно AI приложение за анализ на данни за измами.

В това обучение с инструктор на живо участниците ще 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 да:

• Изграждат модел за дълбоко обучение
• Автоматизират етикетирането на данни
• Работят с модели от Caffe и TensorFlow-Keras
• Обучават данни, използвайки множество GPU, облак или клъстери

Аудитория

• Разработчици
• Инженери
• Експерти в областта

Формат на курса

• Частично лекция, частично дискусия, упражнения и интензивна практическа работа

Това обучение, водено от инструктор на живо в София (онлайн или на място), е насочено към разработчици и учени в областта на данните, които желаят да използват TensorFlow 2.x за изграждане на предиктори, класификатори, генеративни модели, невронни мрежи и други.

До края на това обучение участниците ще могат:

• Да инсталират и конфигурират TensorFlow 2.x.
• Да разберат предимствата на TensorFlow 2.x спрямо предишните версии.
• Да изграждат модели за задълбочено обучение.
• Да внедрят усъвършенстван класификатор на изображения.
• Да разгръщат модел за задълбочено обучение в облак, мобилни и IoT устройства.

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