Introduction to the use of neural networks培訓

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

本課程是為經理、解決方案架構師、創新官、首席技術官、軟體架構師以及任何對應用人工智慧概述及其發展的最新預測感興趣的人創建的。

本課程為講師指導的台灣（線上或線下）培訓，旨在幫助初學者學習概率、統計、編程和機器學習的基本概念，並將其應用於人工智能開發。

在培訓結束時，學員將能夠：

• 理解概率和統計的基本概念，並將其應用於現實場景。
• 編寫並理解程序化、函數式和面向對象的編程代碼。
• 實施機器學習技術，如分類、聚類和神經網絡。
• 使用規則引擎和專家系統開發人工智能解決方案，以解決問題。

人工神經網路是一種計算數據模型，用於開發能夠執行“智慧”任務的 Artificial Intelligence (AI) 系統。Neural Networks 通常用於 Machine Learning （ML） 應用程式，這些應用程式本身就是 AI 的一種實現。Deep Learning 是 ML 的一個子集。

這是一個為期 4 天的課程，介紹人工智慧及其應用。完成本課程后，可以選擇額外有一天的時間來開展 AI 專案。 

這門由講師指導的台灣（線上或線下）培訓課程，針對中級數據科學家和統計學家，旨在幫助他們準備數據、建立模型，並在其專業領域中有效應用機器學習技術。

培訓結束後，參與者將能夠：

• 理解並實現各種Machine Learning算法。
• 為機器學習應用準備數據和模型。
• 進行事後分析並有效可視化結果。
• 將機器學習技術應用於現實世界中的特定行業場景。

人工神經網絡是一種計算數據模型，用於開發能夠執行“智能”任務的Artificial Intelligence (AI)系統。 Neural Networks通常用於Machine Learning （ML）應用程序，它們本身就是AI的一種實現。 Deep Learning是ML的一個子集。

這門由講師指導的台灣（線上或線下）培訓課程，介紹了模式識別和機器學習的領域，並涵蓋了統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

通過本培訓，參與者將能夠：

• 應用核心統計方法於模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施高級技術以解決複雜問題。
• 通過結合不同模型來提高預測準確性。

This instructor-led, live training in 台灣 (online or onsite) is aimed at developers and data scientists who wish to learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent.

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

• Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning.
• Apply advanced Reinforcement Learning algorithms to solve real-world problems.
• Build a Deep Learning Agent.

類型：理論培訓，應用事先由學生決定，在烤寬麵條或Keras上，取決於教學組

教學方法：演講、交流和案例研究

人工智慧在顛覆了許多科學領域之後，已經開始徹底改變許多經濟部門（工業、醫學、通信等）。然而，它在主流媒體上的呈現往往是一種幻想，與Machine Learning或Deep Learning領域的真實情況相去甚遠。本培訓的目的是為已經掌握計算機工具（包括基本軟體程式設計）的工程師介紹 Deep Learning 及其不同的專業領域，從而介紹當今存在的主要網路架構。如果在課程中回憶起數學的基礎知識，建議學習 BAC+2 類型的數學水準，以獲得更舒適的體驗。跳過數學軸，只保持“系統”的視野是絕對可能的，但這種方法會極大地限制你對主題的理解。

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.

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

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

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

这个基于课堂的培训课程将包含演示和基于计算机的示例和案例研究练习，以与相关的神经和深层网络库进行

本課程介紹如何使用 R-project 軟件將神經網絡應用於現實世界中的問題。

在這個講師指導的台灣線下培訓中，參與者將學習如何利用TPU處理器的創新技術，最大限度地提升其AI應用的性能。

在培訓結束時，參與者將能夠：

• 在大數據上訓練各種類型的神經網絡。
• 使用TPU將推理過程的速度提升至多兩個數量級。
• 利用TPU處理密集型應用，如圖像搜索、雲視覺和照片處理。

本課程首先介紹神經網絡的概念知識，通常還包括機器學習算法，深度學習（算法和應用程序）。

本次培訓的一部分-1（40％）更注重基本面，但會幫助你選擇合適的技術： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培訓的第2部分（20％）介紹了Theano--一個python庫，可以輕鬆編寫深度學習模型。

第3部分（40％）的培訓將廣泛基於Tensorflow - Go ogle的Deep Learning開源軟件庫的第二代API。示例和動手都將在TensorFlow 。

聽眾

本課程面向希望將TensorFlow用於Deep Learning項目的工程師

完成本課程後，代表們將：

• 對深度神經網絡（DNN），CNN和RNN有很好的理解

• 了解TensorFlow的結構和部署機制

• 能夠執行安裝/生產環境/架構任務和配置

• 能夠評估代碼質量，執行調試，監控

• 能夠實現高級生產，如培訓模型，構建圖形和記錄