-
Тип ступеня: Сертифікат "Дизайн-мислення
Сертифікат "Спеціаліст зі штучного інтелекту"
Сертифікат "Підкріплювальне навчання -
Додаткові кваліфікації: Сертифікат "Машинне навчання
Сертифікат "Глибинне навчання -
Підсумковий іспит: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Час занять: Повна зайнятістьЗ понеділка по п'ятницю з 8:30 до 15:35 (у святкові дні з 8:30 до 17:10)
-
Мова викладання: Німецька
-
Тривалість: 13 Тижні
Дизайнерське мислення
Вступ до дизайн-мислення (приблизно 1 день)
Процес дизайн-мислення з першого погляду
Найважливіші правила та фази дизайн-мислення
Практично-орієнтовані підходи та застосування
5 етапів реального проекту (приблизно 3 дні)
5 етапів реального проекту
Етап дослідження
Методологічний внесок у якісне дослідження
Реалізація через практичні вправи на реальному проекті
Етап синтезу
Методичні вказівки щодо аналізу та синтезу
Реалізація через практичні вправи на реальному проекті
Етап розробки ідеї
Методичний посібник з креативних технік та розробки ідей
Реалізація через практичні вправи на реальному проекті
Етап створення прототипів
Методичні поради щодо візуалізації та прототипування (включаючи макети, манекени, 3D-друк та швидке прототипування)
Реалізація через практичні вправи на реальному проекті
Етап тестування
Методичні вказівки щодо методів тестування та ітерацій, гнучкого підходу
Впровадження через практичні вправи на реальному проекті
Штучний інтелект (ШІ) в робочому процесі
Презентація конкретних технологій ШІ
та можливих застосувань у професійному середовищі
Робота над проектом (приблизно 1 день)
Закріплення вивченого матеріалу
Презентація результатів проекту
Машинне навчання
Вступ до машинного навчання (близько 5 днів)
Чому машинне навчання?
Приклади застосування
Навчання під контролем, навчання без контролю, частково контрольоване навчання, навчання з підкріпленням
Приклади наборів даних
Знайомство з даними
Навчальні, валідаційні та тестові дані
Перегляд даних
Прогнозування
Навчання під наглядом (приблизно 5 днів)
Класифікація та регресія
Узагальнення, надмірна та недостатня підгонка
Розмір набору даних
Алгоритми для керованого навчання
Лінійні моделі
Байєсівські класифікатори
Дерева рішень
Випадковий ліс
Градієнтний бустінг
k-найближчих сусідів
Машини опорних векторів
Умовне випадкове поле
Нейронні мережі та глибоке навчання
Ймовірності
Самостійне навчання (близько 5 днів)
Типи самостійного навчання
Попередня обробка та масштабування
Перетворення даних
Масштабування навчальних і тестових даних
Зменшення розмірності
Інженерія особливостей
Навчання на множині
Декомпозиція головних компонент (PCA)
Невід'ємна матрична факторизація (NMF)
Навчання на множині з t-SNE
Кластерний аналіз
Кластеризація k-середніх
Агломеративна кластеризація
Ієрархічний кластерний аналіз
DBSCAN
Кластерні алгоритми
Оцінка та вдосконалення (приблизно 2 дні)
Вибір моделі та оцінка моделі
Налаштування гіперпараметрів оцінювача
Перехресна перевірка
Пошук по сітці
Метрики оцінки
Класифікація
Робота над проектом (близько 3 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Глибоке навчання
Вступ до глибокого навчання (приблизно 1 день)
Глибинне навчання як різновид машинного навчання
Основи нейронних мереж (близько 4 днів)
Персептрон
Розрахунок нейронних мереж
Оптимізація параметрів моделі, регресія
Бібліотеки глибокого навчання
Регресія проти класифікації
Криві навчання, перенавчання та регуляризація
Гіперпараметрична оптимізація
Стохастичний градієнтний спуск (SGD)
Momentum, Adam Optimiser
Швидкість навчання
Згорткова нейронна мережа (CNN) (приблизно 2 дні)
Класифікація зображень
Згорткові шари, об'єднання шарів
Переформування шарів, згладжування, глобальне середнє об'єднання
Архітектури CNN ImageNet-Competition
Глибокі нейронні мережі, зникаючі градієнти, пропуск зв'язків, пакетна нормалізація
Трансферне навчання (приблизно 1 день)
Адаптація моделей
Попереднє навчання без нагляду
Доповнення даних зображення, зрозумілий ШІ
Регіональний CNN (приблизно 1 день)
Локалізація об'єктів
Регресійні задачі
Розгалужені нейронні мережі
Методи створення креативного іміджу (близько 1 дня)
Генеративні мережі суперництва (GAN)
Deepfakes
Дифузійні моделі
Рекурентні нейронні мережі (приблизно 2 дні)
Аналіз послідовностей
Рекурентні шари
Поширення в часі (BPTT)
Аналіз часових рядів
Проблеми градієнта, що вибухає та зникає
LSTM (Довга короткочасна пам'ять)
GRU (Gated Recurrent Unit)
Глибокий RNN
Deep LSTM
Обробка тексту за допомогою нейронних мереж (близько 2 днів)
Попередня обробка тексту
Вбудовування шарів
Класифікація тексту
Аналіз настрою
Трансферне навчання в NLP
Переклади
Метод "від послідовності до послідовності", архітектура кодер-декодер
Мовні моделі (приблизно 1 день)
BERT, GPT
Шари уваги, трансформатори
Конвеєри генерації тексту
Підсумовування
чат-боти
Навчання з глибоким підкріпленням (приблизно 1 день)
Управління динамічними системами
Агентні системи
Навчання через винагороду
Градієнти політики
Глибоке Q-навчання
Байєсівські нейронні мережі (приблизно 1 день)
Невизначеності в нейронних мережах
Статистична оцінка прогнозів
Достовірність, середньоквадратичне відхилення
Незбалансовані дані
Методи вибірки
Робота над проектом (близько 3 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Навчання з підкріпленням
Вступ до навчання з підкріпленням (приблизно 1 день)
Визначення та основні поняття
Відмінності від інших методів навчання
Сфери застосування та приклади
Марковські процеси прийняття рішень (МПР) (приблизно 2 дні)
Визначення та властивості ПДП
Функції цінності та політика
Рівняння Беллмана
Підхід динамічного програмування
Q-навчання (приблизно 2 дні)
Визначення та алгоритм
Розвідка проти експлуатації
Властивості збіжності та оптимізації
Застосування в іграх, робототехніці та інших сферах
Глибоке навчання з підкріпленням (близько 3 днів)
Глибоке Q-навчання
Глибокі детерміновані градієнти політики (DDPG)
Акторно-критичні методи
Методи градієнта політики
Поглиблені теми (приблизно 4 дні)
Навчання з підкріпленням на основі моделей
Багатоагентне навчання з підкріпленням
Зворотне навчання з підкріпленням
Метанавчання з підкріпленням
Практичне застосування (близько 3 днів)
Реалізація алгоритмів навчання з підкріпленням
Застосування до вибраних проблем та кейсів
Оцінка та налаштування алгоритмів
Підсумки та перспективи (приблизно 2 дні)
Короткий виклад найважливіших концепцій та результатів
Виклики та майбутні розробки в навчанні з підкріпленням
Робота над проектом (близько 3 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Можливі зміни. Зміст курсу регулярно оновлюється.
Після закінчення курсу ви матимете актуальні знання на теми машинного навчання та глибокого навчання. Ви будете знати найважливіші причини використання машинного навчання, сфери застосування та різні категорії та концепції машинного навчання. Ви також будете розуміти сфери застосування глибинного навчання і те, як працюють нейронні мережі. Ви зможете забезпечити машинне навчання та документувати процеси.
Ви також зрозумієте основні концепції навчання з підкріпленням і знатимете відмінності від інших методів навчання. Ви будете знайомі з марковськими процесами прийняття рішень, Q-навчанням та глибоким навчанням з підкріпленням і зможете застосовувати такі складні теми, як мультиагентне навчання та навчання з підкріпленням на основі моделей.
Курс також навчає підходу дизайн-мислення, який може бути використаний для розробки інноваційних рішень для складних проблем. Підхід дизайн-мислення є чітко структурованим, ітеративним і залишає багато місця для нових перспектив. Курс розкриває значення, процес та принципи методу.
Комп'ютерні науки, математика, електротехніка та люди з вищою освітою в галузі (бізнес) інженерії
Як фахівець зі штучного інтелекту, ви маєте високу кваліфікацію в галузі машинного та глибокого навчання, можете працювати в усіх галузях промисловості і тому користуєтеся високим попитом на ринку праці. Ви можете аналізувати великі обсяги даних для виявлення закономірностей і моделей. Глибоке навчання часто використовується в контексті штучного інтелекту для розпізнавання облич, об'єктів або мови.
Навчання з підкріпленням часто використовується в робототехніці та технологіях автоматизації, а також в автомобільній промисловості, наприклад, для функцій допомоги водієві або при розробці та оптимізації автономних транспортних систем. Фахівці з відповідними знаннями користуються високим попитом на ринку праці в усіх галузях.
Ваш змістовний сертифікат дає детальне уявлення про отриману кваліфікацію та покращує ваші кар'єрні перспективи.
Дидактична концепція
Ваші викладачі мають високу професійну та дидактичну кваліфікацію і навчатимуть вас від першого до останнього дня (без системи самонавчання).
Ви будете навчатися в ефективних малих групах. Курси зазвичай складаються з 6-25 учасників. Загальні заняття доповнюються численними практичними вправами з усіх модулів курсу. Практичний етап є важливою частиною курсу, оскільки саме в цей час ви опрацьовуєте вивчене, набуваєте впевненості та рутинності в його застосуванні. Заключний розділ курсу передбачає виконання проекту, кейс-стаді або підсумковий іспит.
Віртуальний клас alfaview®
BildungszentrumЗаняття проходять з використанням сучасної відеотехнології alfaview® - або з комфорту вашого власного будинку, або в нашому приміщенні за адресою . Весь курс може бачити один одного віч-на-віч через alfaview®, спілкуватися один з одним в якості голосу, синхронізованого по губах, і працювати над спільними проектами. Звичайно, ви також можете бачитись і спілкуватись зі своїми тренерами наживо в будь-який час, і протягом усього курсу викладачі навчатимуть вас у режимі реального часу. Уроки не є електронним навчанням, а справжнім живим викладанням віч-на-віч за допомогою відеотехнологій.
alfatraining Agentur für Arbeit Навчальні курси субсидуються та сертифікуються відповідно до положення про затвердження AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinЯкщо ви подаєте заявку на або , всі витрати на курс, як правило, покриває організація, яка його фінансує.
Europäischen Sozialfonds Deutsche Rentenversicherung Фінансування також можливе через (ESF), (DRV) або регіональні програми фінансування. Berufsförderungsdienst Як військовослужбовець строкової служби, ви можете відвідувати курси підвищення кваліфікації через (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компанії також можуть підвищити кваліфікацію своїх працівників за допомогою програми фінансування від .