Спочатку курс знайомить тебе з підходом «дизайн-мислення» (Design Thinking) до вирішення проблем та розробки нових ідей. Далі ти ознайомишся з повним робочим процесом машинного навчання — від підготовки даних і розробки моделей до їхньої оцінки та інтерпретації. Ви ознайомитеся з такими методами, як регресія, класифікація, нейронні мережі, генеративна штучна інтелігенція та обробка природної мови, а також із розгортанням моделей. Далі курс пояснює методи глибокого навчання на основі нейронних мереж. Глибоке навчання, як частина машинного навчання, використовує алгоритми для інтелектуальних процесів навчання.
-
Тип ступеня: Сертифікат "Дизайн-мислення
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: 9 Тижні
Дизайнерське мислення
Вступ до дизайн-мислення (приблизно 1,5 дні)
Процес дизайн-мислення з першого погляду
Найважливіші правила та фази дизайн-мислення
Практичні підходи та застосування
Цифрові інструменти та штучний інтелект в інноваційному процесі
Етап 1: Дослідження (приблизно 0,5 дня)
Методи дослідження, орієнтованого на користувача
Методи інтерв'ю та аналіз потреб
Дослідження та обробка інформації за допомогою штучного інтелекту
Етап 2: Синтез (приблизно 0,5 дня)
Аналіз та структурування результатів
Розробка формулювань проблем та персонажів
Візуалізація та кластеризація результатів
Етап 3: Розробка ідеї (приблизно 0,5 дня)
Креативні техніки для розробки ідей
Методи пошуку та оцінки рішень
Використання генеративного ШІ в процесі розробки ідей
Етап 4: Створення прототипу (приблизно 0,5 дня)
Розробка початкових підходів до рішення та макетів
Вступ до швидкого прототипування та клік-манекенів
Цифрові інструменти для візуалізації концепцій
Етап 5: Тестування (приблизно 0,5 дня)
Методика проведення тестів та раундів зворотного зв'язку
Аналіз та оптимізація підходів до вирішення проблеми
Ітеративна робота та гнучкий подальший розвиток
Робота над проектом (приблизно 1 день)
Закріплення вивченого матеріалу
Презентація результатів проекту
Машинне навчання
Вступ до машинного навчання та робочого процесу ML (приблизно 3 дні)
Основи, сфери застосування та види машинного навчання
Систематизація сучасних методів штучного інтелекту та машинного навчання
Робочий процес машинного навчання з використанням scikit-learn
Дані для навчання, валідації та тестування
Недостатнє пристосування, надмірне пристосування та оцінка моделей
Перехресна валідація
Підготовка даних та інженерія ознак (приблизно 2 дні)
Якість даних та попередня обробка даних
Масштабування, нормалізація та кодування
Інженерія ознак та вибір ознак
Робота з відсутніми значеннями, випадаючими значеннями та незбалансованими наборами даних
Навчання з наглядом — регресія та класифікація (приблизно 5 днів)
Методи регресії та класифікації
Лінійні та регуляризовані моделі
Методи, засновані на відстані, ймовірності та деревах
Ансамблеві та бустінгові методи
Порівняння моделей та оптимізація гіперпараметрів
Показники оцінки та ймовірнісні прогнози
Важливість ознак та пояснювана штучна інтелігенція
Автономне навчання (приблизно 2 дні)
Зменшення розмірності та виокремлення ознак
Методи кластеризації та оцінка результатів кластеризації
Виявлення аномалій
Аналіз часових рядів та прогнози (приблизно 1 день)
Основи та аналіз даних часових рядів
Методи прогнозування та машинне навчання для часових рядів
Нейронні мережі та сучасний штучний інтелект (приблизно 2 дні)
Основи нейронних мереж та глибокого навчання
Машинне навчання для текстових даних та обробка природної мови
Базові моделі, великі мовні моделі та генеративний штучний інтелект
Розгортання моделей машинного навчання (приблизно 1 день)
Зберігання та надання навчених моделей
Розробка простих додатків машинного навчання
Інтерфейси та платформи для моделей машинного навчання
Робота над проектом (приблизно 4 дні)
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)
Багатошарові персептрони
Розрахунок нейронних мереж
Оптимізація параметрів моделі, регресія
Бібліотеки глибокого навчання
Регресія проти класифікації
Типові функції втрат та активації
Оцінка прогнозу моделі за допомогою метрик
Метрики регресії та класифікації
Криві навчання, перенавчання та регуляризація
Гіперпараметрична оптимізація
L1/12 регуляризація
Відсіювання
Рання зупинка
Стохастичний градієнтний спуск (SGD)
Momentum, Adam Optimiser
Оптимізація швидкості навчання
Динамічне регулювання швидкості навчання
Зменшення швидкості навчання на плато
Оптимізація швидкості навчання за допомогою TensorBoard
Контролюйте процес підгонки за допомогою зворотних дзвінків
Збереження та завантаження моделей
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 та комбінування моделей
Попереднє навчання без нагляду
Доповнення даних зображень, зрозумілий ШІ
Завантажувач даних
Регіональний CNN (приблизно 1 день)
Локалізація об'єктів
Семантична сегментація
Регресійні задачі
Розгалужені нейронні мережі
Архітектура YOLO
U-Net моделі
Методи створення креативного іміджу (близько 1 дня)
Генеративні мережі суперництва (GAN)
Deepfakes
Дифузійні моделі
Надвисока роздільна здатність
Доповнення областей зображення
Нанесення базових моделей від Hugging Face
Мультимодальні моделі
LoRA-Fine-Tuning
Області застосування генеративних моделей
Юридичні обмеження
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
Обробка природної мови (NLP)
Переклади
Генерація тексту
Метод "від послідовності до послідовності", архітектура кодер-декодер
Моделі тільки кодера та тільки декодера
Локальне застосування великих мовних моделей
Мовні моделі (приблизно 1 день)
Архітектура трансфомерів
Увага та багатоголова увага
Позиційні кодування
Тонке налаштування великих мовних моделей
Підказки
Конвеєри генерації тексту
Підсумовування
Чат-боти
Пошукове доповнене покоління
Агенти штучного інтелекту
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
Можливі зміни, зміст курсу регулярно оновлюється.
Після проходження курсу ти зможеш готувати дані для застосувань машинного навчання, обирати відповідні методи контрольованого та неконтрольованого навчання, а також навчати, оцінювати та оптимізувати моделі. Ви зможете інтерпретувати результати моделювання та реалізовувати базові додатки машинного навчання. Крім того, ви будете обізнані з сучасними розробками у сфері глибокого навчання та генеративної штучного інтелекту.
Ви також знайомі зі сферами застосування глибинного навчання та принципами роботи нейронних мереж. Ви розумієте, як нейронні мережі можуть розпізнавати об'єкти на зображеннях і здатні забезпечити машинне навчання та документування процесів.
Крім того, курс знайомить із підходом «дизайн-мислення», за допомогою якого можна розробляти інноваційні та орієнтовані на користувача рішення для складних завдань. Ти ознайомишся з принципами та структурованим, ітеративним процесом «дизайн-мислення» і дізнаєшся, як практичні інструменти, цифрові технології та штучний інтелект сприяють творчим та міждисциплінарним інноваційним процесам.
Комп'ютерні науки, математика, електротехніка та люди з вищою освітою в галузі (бізнес) інженерії
Машинне навчання застосовується в різних галузях для аналізу великих обсягів даних, виявлення закономірностей, оптимізації процесів та складання прогнозів. Відповідні знання знаходять застосування, зокрема, в ІТ, промисловості, логістиці, фінансах та маркетингу. Знання мови Python, а також навички розробки, оцінки та застосування моделей машинного навчання відкривають можливості для роботи в сферах, орієнтованих на дані та штучний інтелект.
Глибоке навчання можна використовувати для аналізу великих обсягів даних на предмет виявлення закономірностей і моделей. Саме тому його часто використовують у контексті штучного інтелекту для розпізнавання облич, об'єктів або мови, наприклад, у розпізнаванні медичних зображень, розпізнаванні тексту і мови в продажах, безпеці ІТ-даних або моніторингу фінансових транзакцій. Тому фахівці з цими знаннями можуть бути використані в різних сферах і користуються високим попитом на ринку праці.
Дизайн-мислення спочатку було інноваційним методом для розробки продуктів, але зараз воно поширилося на всю корпоративну культуру і тому користується попитом у всіх 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 .