Pattern Recognition培训

Pattern Matching 是一种用于在图像中定位指定模式的技术。它可用于确定捕获的图像中是否存在指定特征，例如工厂生产线中缺陷产品上的预期标签或元件的指定尺寸。它与 “Pattern Recognition” 的不同之处在于 “Pattern Recognition” （它根据更大的相关样本集合识别一般模式），因为它具体指示我们正在寻找什么，然后告诉我们预期的模式是否存在。

课程形式

• 本课程介绍了模式匹配领域中使用的方法、技术和演算法，因为它适用于 Machine Vision。

这门课程涵盖了人工智能(在工业中简化 Machine Learning和 Deep Learning)。 它有助于确定哪种技术可以(潜在)在汽车中的多种情况下使用:从简单的自动化,图像识别到自主决策。

本课程是为经理、解决方案架构师、创新官、首席技术官、软件架构师以及任何对应用人工智能概述及其发展的最新预测感兴趣的人创建的。

本课程是为以前没有概率和统计经验的人创建的。

人工神经网络是一种计算数据模型，用于开发能够执行“智能”任务的 Artificial Intelligence (AI) 系统。Neural Networks 通常用于 Machine Learning （ML） 应用程序，这些应用程序本身就是 AI 的一种实现。Deep Learning 是 ML 的一个子集。

这是一个为期 4 天的课程，介绍人工智能及其应用。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

这是一个为期 4 天的课程，介绍了 AI 及其使用 Python 编程语言的应用程序。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

本培训课程面向希望在实际应用中应用Machine Learning人员。

听众

本课程适用于对统计学有一定了解并且知道如何编写R（或Python或其他选定语言）的数据科学家和统计学家。本课程的重点是数据/模型准备，执行，事后分析和可视化的实践方面。

目的是为有兴趣在工作中应用这些方法的参与者提供Machine Learning实际应用。

行业特定示例用于使培训与受众相关。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

这种由讲师指导的中国现场（现场或远程）现场培训面向希望在创建深度学习代理时学习Deep Reinforcement Learning基础知识的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 了解 Deep Reinforcement Learning 背后的关键概念，并能够将其与机器学习区分开来。
• 应用高级 Reinforcement Learning 算法来解决实际问题。
• 构建深度学习代理。

这种以讲师为主导的现场培训（现场或远程）针对希望使用GAN和变分自动编码器来生成新的图像，视频和音频合成实例的数据科学家。

在培训结束时，参与者将能够：

• 在 Python 中使用机器学习库构建 GAN。
• 使用 TensorFlow 创建变分自动编码器。
• 提高GANs的训练稳定性。

类型：理论培训，应用事先由学生决定，在烤宽面条或Keras上，取决于教学组

教学方法：演讲、交流和案例研究

人工智能在颠覆了许多科学领域之后，已经开始彻底改变许多经济部门（工业、医学、通信等）。然而，它在主流媒体上的呈现往往是一种幻想，与Machine Learning或Deep Learning领域的真实情况相去甚远。本培训的目的是为已经掌握计算机工具（包括基本软件编程）的工程师介绍 Deep Learning 及其不同的专业领域，从而介绍当今存在的主要网络架构。如果在课程中回忆起数学的基础知识，建议学习 BAC+2 类型的数学水平，以获得更舒适的体验。跳过数学轴，只保持“系统”的视野是绝对可能的，但这种方法会极大地限制你对主题的理解。

在这一由讲师引导的现场培训中，参与者将学习如何使用Matlab来设计、构建、可视化用于图像识别的卷积神经网络。

在培训结束后，参与者将能够：

• 建立深度学习的模式
• 使数据分类自动化
• 使用Caffe和TensorFlow-Keras的模型
• 使用多个GPU、云或群集训练数据

受众

• 开发人员
• 工程师
• 领域专家

课程形式

• 部分讲座、部分讨论、练习和大量实操