Pattern Recognition Treningskurs

Dette kurset dekker AI (emphasizing Machine Learning og Deep Learning) i Automotive Industri. Det bidrar til å bestemme hvilken teknologi som kan (potentielt) brukes i flere situasjoner i en bil: fra enkel automatisering, bildeoppdagelse til selvstendig beslutningstaking.

Dette kurset er laget for ledere, løsningsarkitekter, innovasjonsansvarlige, CTOer, programvarearkitekter og alle som er interessert i en oversikt over anvendt kunstig intelligens og nærmeste prognose for utviklingen.

This instructor-led, live training in Norge (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.

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

• Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
• Write and understand procedural, functional, and object-oriented programming code.
• Implement machine learning techniques such as classification, clustering, and neural networks.
• Develop AI solutions using rules engines and expert systems for problem-solving.

Artificial Neural Network er en beregningsdatamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

Dette er et 4-dagers kurs som introduserer AI og dens applikasjon. Det er en mulighet for å ha en ekstra dag til å gjennomføre et AI-prosjekt etter fullføring av dette kurset.

Dette er et 4-dagers kurs som introduserer AI og applikasjonen som bruker programmeringsspråket Python. Det er en mulighet for å ha en ekstra dag til å gjennomføre et AI-prosjekt etter fullføring av dette kurset.

This instructor-led, live training in Norge (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.

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

• Understand and implement various Machine Learning algorithms.
• Prepare data and models for machine learning applications.
• Conduct post hoc analyses and visualize results effectively.
• Apply machine learning techniques to real-world, sector-specific scenarios.

Artificial Neural Network er en beregningsmessig datamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot forskere og utviklere som ønsker å bruke Chainer til å bygge og trene nevrale nettverk i Python samtidig som koden er enkel å feilsøke.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle nevrale nettverksmodeller.
• Definer og implementer nevrale nettverksmodeller ved å bruke en forståelig kildekode.
• Utfør eksempler og modifiser eksisterende algoritmer for å optimalisere treningsmodeller for dyp læring mens du utnytter GPUer for høy ytelse.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å lære det grunnleggende om Deep Reinforcement Learning mens de går gjennom opprettelsen av en Deep Learning Agent.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå nøkkelbegrepene bak Deep Reinforcement Learning og være i stand til å skille det fra Machine Learning.
• Bruk avanserte Reinforcement Learning algoritmer for å løse problemer i den virkelige verden.
• Bygg en Deep Learning Agent.

Type: Teoretisk opplæring med forhåndsbestemte søknader med studentene på Lasagne eller Keras i henhold til utdanningsgruppen

Undervisningsform: presentasjon, diskusjoner og casestudier

Kunstig intelligens, etter å ha forstyrret mange vitenskapelige felt, har begynt å revolusjonere et stort antall økonomiske sektorer (industri, medisin, kommunikasjon, etc.). Imidlertid er presentasjonen i mainstream media ofte en fantasi, veldig langt fra hva domenene til Machine Learning eller Deep Learning egentlig er. Formålet med denne opplæringen er å gi ingeniører som allerede mestrer IT-verktøy (inkludert en grunnleggende programvareprogrammering) en introduksjon til Deep Learning så vel som til de forskjellige spesialområdene og derfor til de viktigste nettverksarkitekturene som eksisterer i dag. Hvis det matematiske grunnleggende dekkes i løpet av kurset, anbefales et BAC+2-nivå i matematikk for større komfort. Det er absolutt mulig å ignorere den matematiske aksen og bare beholde en "system" visjon, men denne tilnærmingen vil enormt begrense din forståelse av emnet.

I denne instruktørledede liveopplæringen vil deltakerne lære hvordan de bruker Matlab til å designe, bygge og visualisere et innviklet nevralt nettverk for bildegjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bygge en dyp læringsmodell
• Automatiser datamerking
• Arbeid med modeller fra Caffe og TensorFlow - Keras
• Tren data ved å bruke flere GPU er, skyen eller klyngene

Publikum

• Utviklere
• ingeniører
• Domeneeksperter

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å lære om anvendeligheten av kunstig intelligens på mekatroniske systemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Få en oversikt over kunstig intelligens, maskinlæring og beregningsmessig intelligens.
• Forstå begrepene nevrale nettverk og ulike læringsmetoder.
• Velg kunstig intelligens tilnærminger effektivt for virkelige problemer.
• Implementere AI-applikasjoner i mekatronikkteknikk.

Opplæringen er rettet mot mennesker som vil lære det grunnleggende i nevrale nettverk og bruksområder.

Pattern Matching er en teknikk som brukes til å lokalisere spesifiserte mønstre i et bilde. Den kan brukes til å bestemme eksistensen av spesifiserte egenskaper i et tatt bilde, for eksempel forventet etikett på et defekt produkt i en fabrikklinje eller de spesifiserte dimensjonene til en komponent. Det er forskjellig fra "Pattern Recognition" (som gjenkjenner generelle mønstre basert på større samlinger av relaterte prøver) ved at det spesifikt dikterer hva vi leter etter, og deretter forteller oss om det forventede mønsteret eksisterer eller ikke.

Kursets format

• Dette kurset introduserer tilnærmingene, teknologiene og algoritmene som brukes innen mønstertilpasning slik det gjelder Machine Vision.