Introduction to the Use of Neural Networks 培训

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。

本课程为讲师指导的中国（线上或线下）培训，旨在帮助初学者学习概率、统计、编程和机器学习的基本概念，并将其应用于人工智能开发。

在培训结束时，学员将能够：

• 理解概率和统计的基本概念，并将其应用于现实场景。
• 编写并理解程序化、函数式和面向对象的编程代码。
• 实施机器学习技术，如分类、聚类和神经网络。
• 使用规则引擎和专家系统开发人工智能解决方案，以解决问题。

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。 

这门由讲师指导的中国（线上或线下）培训课程，针对中级数据科学家和统计学家，旨在帮助他们准备数据、建立模型，并在其专业领域中有效应用机器学习技术。

培训结束后，参与者将能够：

• 理解并实现各种Machine Learning算法。
• 为机器学习应用准备数据和模型。
• 进行事后分析并有效可视化结果。
• 将机器学习技术应用于现实世界中的特定行业场景。

这门由讲师指导的中国（线上或线下）培训课程，介绍了模式识别和机器学习的领域，并涵盖了统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学中的实际应用。

通过本培训，参与者将能够：

• 应用核心统计方法于模式识别。
• 使用神经网络和核方法等关键模型进行数据分析。
• 实施高级技术以解决复杂问题。
• 通过结合不同模型来提高预测准确性。

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。

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

这种以讲师为主导的中国现场培训（现场或远程）针对希望了解人工智能对机电一体化系统的适用性的工程师。

在培训结束时，参与者将能够：

• 大致了解人工智能、机器学习和计算智能。
• 了解神经网络的概念和不同的学习方法。
• 有效地选择人工智能方法来解决现实生活中的问题。
• 在机电一体化工程中实施 AI 应用。

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

本课程介绍了使用R-project软件将神经网络应用于现实世界的问题。

本课程首先介绍神经网络的概念知识，通常还包括机器学习算法，深度学习（算法和应用程序）。

本次培训的一部分-1（40％）更注重基本面，但会帮助你选择合适的技术： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培训的第2部分（20％）介绍了Theano--一个python库，可以轻松编写深度学习模型。

第3部分（40％）的培训将广泛基于Tensorflow - Go ogle的Deep Learning开源软件库的第二代API。示例和动手都将在TensorFlow 。

听众

本课程面向希望将TensorFlow用于Deep Learning项目的工程师

完成本课程后，代表们将：

• 对深度神经网络（DNN），CNN和RNN有很好的理解

• 了解TensorFlow的结构和部署机制

• 能够执行安装/生产环境/架构任务和配置

• 能够评估代码质量，执行调试，监控

• 能够实现高级生产，如培训模型，构建图形和记录