Mély Erősítési Tanulás Pythonnal Képzés

Ez a kurzus magában foglalja az AI (emphasizing Machine Learning és Deep Learning) az iparban. Segít meghatározni, hogy melyik technológia (potenciálisan) használható több helyzetben egy autóban: az egyszerű automatizálástól, a képfelismeréstől az autonóm döntéshozatalig.

Ez a kurzus felügyelők, megoldás-tervezők, innovációs igazgatók, CTO-k, szoftvertervezők és bárki érdeklődésére készült, aki átfogó áttekintést szeretne kapni az alkalmazott mesterséges intelligencia-ról és annak legközelebbi fejlődési előrejelzéseiről.

Ez az instruktor vezetésű élő tanfolyam Magyarország (online vagy helyszíni) kezdő szintű résztvevőkre vonatkozik, akik alapvető valószínűségszámítási, statisztikai, programozási és gépi tanulási fogalmakat szeretnék megtanulni, és ezeket az AI fejlesztéshez szeretnék alkalmazni.

A tanfolyam végén a résztvevők képesek lesznek:

• A valószínűségszámítás és statisztika alapvető fogalmait megérteni, és ezeket alkalmazni a valós életben.
• Eljárásos, függvényes és objektumorientált programozási kódot írni és megérteni.
• Gépi tanulási technikákat, például osztályozást, felcsoportosítást és neurális hálózatokat implementálni.
• A problémamegoldásra szolgáló szabálymotorokat és expert rendszereket használva AI megoldásokat fejleszteni.

A mesterséges neurális hálózat egy számítási adatmodell, amelyet „intelligens” feladatok elvégzésére képes Artificial Intelligence (AI) rendszerek fejlesztésében használnak. Neural Networks általánosan használt Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítását jelentik. Deep Learning az ML egy részhalmaza.

Ez a tanár vezetett, élő képzés Magyarország-ban (online vagy helyszínen) a középhaladó szintű adatfuturisták és statisztikusok számára készült, akik adatait, modelleiket fel szeretnének készíteni és hatékonyan alkalmazni gépi tanulási technikákat a szakmai területeken.

A képzés végére a résztvevők:

• Megérteni és megvalósítani különböző gépi tanulási algoritmusokat.
• Felkészíteni adatokat és modelleket a gépi tanulás alkalmazása érdekében.
• Későbbi elemzéseket végezni és hatékonyan vizualizálni az eredményeket.
• Gépi tanulási technikákat alkalmazni a valóságos, szektor-specifikus forgatókönyvekben.

A mesterséges neuronhálózat egy számítógépes adattípus, amelyet mesterséges intelligencia (AI) rendszerek kifejlesztésében használnak intelligens feladatok végrehajtására. A neuronhálózatok gyakran használatosak gépi tanulás (ML) alkalmazásokban, amelyek saját maga egy AI megvalósítása. A mélytanulás az ML egy alrendje.

Ez az oktatóvezetett élő tanfolyam (online vagy helyszínen) bemutatkozik a mintafelismerés és a gépi tanulás területébe. Érinti a gyakorlati alkalmazásokat a statisztikában, az informatikában, a jelelkészítésben, a számítógépes látásban, az adatbányászatban és a bioinformatikában.

E tanfolyam végén a résztvevők képesek lesznek:

• Alapvető statisztikai módszereket alkalmaznak a mintafelismerésre.
• Fő modelleket, mint például neurális hálózatokat és keresőmódszereket használnak az adatelemzésre.
• Fejlett technikákat valósítanak meg bonyolult problémamegoldásra.
• Növelik a előrejelzés pontosságát különböző modellek kombinálásával.

Ez az oktatás, melyet tanárok vezetnek, élőben (online vagy helyszínen) a haladó szintű gépi tanulási mérnökök és mesterséges intelligencia kutatók számára készült, akik szeretnék RLHF-t alkalmazni nagy AI modellek finomhangolásához az eredmények, biztonság és igazságosság javítása érdekében.

Ez az oktatás végén a résztvevők képesek lesznek:

• Az RLHF elméleti alapjait megérteni, valamint miért fontos az a modern AI-fejlesztésben.
• Belsődiagramokat kialakítani emberi visszajelződés alapján az erősítő tanulási folyamatok irányításához.
• Nagy nyelvi modelleket RLHF technikák segítségével finomhangolni, hogy a kimenetek emberi preferenciákkal igazodjanak meg.
• Beszerezni a legjobb gyakorlatokat az RLHF folyamatainak teljes méretű AI rendszerekre való méretezéséhez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű adattudósoknak szól, akik átfogó ismeretekre és gyakorlati készségekre szeretnének szert tenni mind a Large Language Models (LLMs)-ban, mind az Reinforcement Learning-ben (RL).

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a transzformátormodellek összetevőit és funkcióit.
• Optimalizálja és finomhangolja az LLM-eket meghatározott feladatokhoz és alkalmazásokhoz.
• Ismerje meg a megerősítő tanulás alapelveit és módszertanát.
• Ismerje meg, hogy a megerősítő tanulási technikák hogyan javíthatják az LLM-ek teljesítményét.

Ez az oktató által vezetett élő képzés során a résztvevők megtanulják, hogyan használhatják a Matlab-ot konvolúciós neurális háló kialakítására, építésére és megjelenítésére képes felismeréshez.

Ez a képzés végén a résztvevők képesek lesznek:

• Melyek mély tanulási modelleket építenek
• Az adatzarfók automatizálására
• Caffe és TensorFlow-Keras modelljeivel munkavégzésre
• Több GPU-val, felhőben vagy fürtökkel való tanulási adatok betanítására

Célcsoport

• Fejlesztők
• Mérnökök
• Tudományterületi szakember

Képzés formája

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorló feladatok

A kiképzés azoknak az embereknek szánva, akik megtanulni szeretnék a neurális hálózatok alapjait és alkalmazásait.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik a hagyományos gépi tanulási megközelítéseken túlmenően meg akarnak tanítani egy számítógépes programot, hogy kitaláljon dolgokat (problémákat oldjon meg) címkézett adatok és nagy adathalmazok.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és alkalmazza a Reinforcement Learning megvalósításához szükséges könyvtárakat és programozási nyelvet.
• Hozzon létre egy szoftverügynököt, amely képes visszacsatoláson keresztül tanulni a felügyelt tanulás helyett.
• Programozzon egy ügynököt olyan problémák megoldására, ahol a döntéshozatal szekvenciális és véges.
• Alkalmazza a tudást olyan szoftverek tervezésére, amelyek az emberek tanulásához hasonló módon tudnak tanulni.

Ez a tanárvezetett, élő tréning Magyarország (online vagy helyszíni) fejlett szintű szakemberekre irányul, akik szeretnék mélyebben megérteni a reinforcement learning-et és annak praktikus alkalmazásait az AI fejlesztésben Google Colab segítségével.

A tréning végén a résztvevők képesek lesznek:

• Megérteni a reinforcement learning algoritmusok központi fogalmait.
• Implementálni reinforcement learning modellt a TensorFlow és az OpenAI Gym segítségével.
• Fejleszteni olyan intelligens ügynököket, amelyek kísérletekkel és hibákkal tanulnak.
• Optimalizálni az ügynökök teljesítményét a Q-learning és a mély Q-hálózatok (DQNs) ilyen fejlett technikáival.
• Képességeket tanítani az ügynököknek a szimulált környezetekben az OpenAI Gym segítségével.
• Alkalmazni a reinforcement learning modellt valós világi feladatokra.

Ez a kurz bevezető az R-project szoftver használatára valós világbeli problémák megoldására neural hálózatok alkalmazásával.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják ki a TPU processzorok innovációit, hogy maximalizálják saját AI alkalmazásaik teljesítményét.

A képzés végén a résztvevők képesek lesznek:

• Various types of neural networks training on large amounts of data.
• TPU használata az inference folyamat gyorsításához akár két nagyságrenddel.
• TPU felhasználása intenzív alkalmazások feldolgozására, mint például képkeresés, felhővizion, és fotók.