Sztuczna inteligencja. Zaawansowane techniki AI

    Czas trwania
    Godzina rozpoczęcia
    Stopień trudności

      Sztuczna inteligencja. Zaawansowane techniki AI

      Szkolenia zdalne i stacjonarne

      Opis szkolenia

      Celem szkolenia Sztuczna inteligencja - zaawansowane techniki AI jest zapoznanie uczestników z zaawansowanymi technikami sztucznej inteligencji, takimi jak transfer learning, reinforcement learning oraz Generative Adversarial Networks (GAN), i ich praktycznym zastosowaniem w różnych dziedzinach. Uczestnicy nauczą się implementować algorytmy takie jak Q-learning, SARSA oraz policy gradient, a także będą mieli okazję zgłębić temat zaawansowanych algorytmów genetycznych i logiki rozmytej. 

      Poznaj program szkolenia AI

      Co zyskasz dzięki szkoleniu ?

      Cele szkolenia

      Celem szkolenia jest zapoznanie uczestników z zaawansowanymi technikami sztucznej inteligencji, takimi jak transfer learning, reinforcement learning oraz Generative Adversarial Networks (GAN), i ich praktycznym zastosowaniem w różnych dziedzinach. Uczestnicy nauczą się implementować algorytmy takie jak Q-learning, SARSA oraz policy gradient, a także będą mieli okazję zgłębić temat zaawansowanych algorytmów genetycznych i logiki rozmytej. 
      Szkolenie obejmie również wprowadzenie do teorii gier, ze szczególnym uwzględnieniem jej zastosowania w AI, takich jak negocjacje i podejmowanie decyzji w warunkach niepewności. Uczestnicy będą mieli możliwość zastosowania zdobytej wiedzy w praktycznych scenariuszach, w tym w robotyce, marketingu i grach komputerowych.

      Umiejętności

      Dzięki szkoleniu uczestnik będzie :

      • Wykorzystywał pretrenowane modele w transfer learningu do rozwiązywania problemów z zakresu rozpoznawania obrazów i klasyfikacji tekstów.
      • Stosował algorytmy reinforcement learning, takie jak Q-learning, SARSA oraz policy gradient, w różnych scenariuszach.
        Implementował Generative Adversarial Networks (GAN) w Pythonie do generowania obrazów oraz innych aplikacji, takich jak deepfake.
      • Projektował i optymalizował rozwiązania przy użyciu zaawansowanych algorytmów genetycznych, w tym NSGA-II, w kontekście systemów optymalizacyjnych i robotyki.
      • Integrował logikę rozmytą z sieciami neuronowymi i innymi algorytmami AI w celu poprawy analizy danych i prognozowania.
      • Wykorzystywał teorię gier w modelowaniu interakcji między agentami, w tym negocjacjach i podejmowaniu decyzji w warunkach niepewności.
      • Stosował algorytmy oparte na teorii gier w reinforcement learning do rozwiązywania problemów w systemach wieloagentowych.
      Czy to szkolenie jest dla Ciebie ?

      Profil uczestników

      To szkolenie jest skierowane do profesjonalistów i specjalistów z dziedziny sztucznej inteligencji, którzy posiadają już podstawową wiedzę na temat algorytmów machine learning i chcą poszerzyć swoje umiejętności o zaawansowane techniki AI. Uczestnicy mogą pochodzić z różnych branż, takich jak inżynieria oprogramowania, data science, robotyka, analiza danych, marketing cyfrowy czy projektowanie systemów optymalizacyjnych. Szkolenie będzie także przydatne dla osób zajmujących się tworzeniem i wdrażaniem aplikacji opartych na sztucznej inteligencji, które chcą zgłębić tematykę transfer learningu, reinforcement learningu, GAN-ów, logiki rozmytej i teorii gier w kontekście AI. Przewidziane jest także dla osób, które chcą zdobyć praktyczne umiejętności w implementacji tych algorytmów w Pythonie.

      Przygotowanie uczestników

      Aby w pełni skorzystać z tego szkolenia, uczestnicy powinni posiąść wiedzę i umiejętności prezentowane na szkoleniach „Sztuczna inteligencja” lub mieć solidne podstawy w zakresie sztucznej inteligencji i machine learningu. W szczególności, zaleca się, aby uczestnicy mieli doświadczenie w pracy z algorytmami klasyfikacyjnymi, regresyjnymi oraz podstawową znajomość technik uczenia nadzorowanego i nienadzorowanego. Powinni również być zaznajomieni z językiem Python, szczególnie w kontekście bibliotek takich jak NumPy, pandas, TensorFlow, Keras czy PyTorch, które będą wykorzystywane w implementacjach. Dodatkowo, wiedza na temat algorytmów optymalizacji, podstaw matematyki (takiej jak algebra liniowa, rachunek różniczkowy i całkowy) oraz teorii grafów będzie pomocna w zrozumieniu bardziej zaawansowanych tematów, takich jak algorytmy genetyczne, reinforcement learning i teoria gier. Uczestnicy powinni być również gotowi na aktywne uczestnictwo w ćwiczeniach praktycznych i implementacjach kodu.

      Czas trwania

      Przed nami:

      • 3 dni, 24 godziny szkoleniowe
      Szczegółowy program szkolenia

      Szczegółowy program szkolenia

      Transfer learning

      • Co to jest transfer learning i jak wykorzystać pretrenowane modele.
      • Przykłady zastosowań: rozpoznawanie obrazów, klasyfikacja tekstów.

      Reinforcement learning

      • Podstawy reinforcement learning: agent, środowisko, nagrody.
      • Q-learning, SARSA, algorytmy policy gradient.

      Generative Adversarial Networks (GAN)

      • Architektura GAN i zastosowania: generowanie obrazów, deepfake.
      • Implementacja GAN w Pythonie.

      Zaawansowane algorytmy genetyczne

      • Algorytmy ewolucyjne, algorytmy z wieloma celami (NSGA-II).
      • Przykłady zastosowań w projektowaniu systemów optymalizacyjnych, robotyce, planowaniu zasobów.

      Logika rozmyta w AI

      • Zastosowanie logiki rozmytej w analizie danych, prognozowaniu.
      • Integracja systemów rozmytych z sieciami neuronowymi i innymi algorytmami AI.

      Teoria gier w sztucznej inteligencji

      • Wprowadzenie do teorii gier: pojęcie strategii, równowagi Nasha, gry zero-sum.
      •  Zastosowanie teorii gier w AI: modelowanie interakcji pomiędzy agentami, negocjacje, podejmowanie decyzji w warunkach niepewności.
      • Gra o sumie zerowej: zastosowanie w problemach rywalizacyjnych, jak w algorytmach dla gier komputerowych, aukcjach.
      • Zastosowanie teorii gier w reinforcement learning: algorytmy oparte na teorii gier w kontekście multi-agent systems.
      • Przykłady z rzeczywistego świata: optymalizacja strategii w marketingu, automatyzacja negocjacji, gry komputerowe.

      Metoda realizacji szkolenia

      Szkolenie będzie realizowane w formie warsztatowej, łączącej teorię z praktycznymi ćwiczeniami. Uczestnicy wezmą udział w interaktywnych prezentacjach, które w przystępny sposób wprowadzą ich w kluczowe zagadnienia sztucznej inteligencji. Warsztaty praktyczne, realizowane na komputerach, pozwolą na budowanie i testowanie prostych modeli AI przy użyciu narzędzi takich jak Python i Jupyter Notebook. Dodatkowo przewidziane są dyskusje grupowe, studia przypadków oraz zadania indywidualne, aby uczestnicy mogli zastosować zdobytą wiedzę w praktycznych scenariuszach. Całość będzie prowadzona w atmosferze otwartej współpracy, z możliwością konsultacji z trenerem.

      POBIERZ PROGRAM W PDF

      W ramach szkolenia zapewniamy

      W ramach szkolenia zapewniamy

      • komplet materiałów szkoleniowych
      • certyfikat potwierdzający udział w kursie
      • pełna obsługa cateringowa (dla szkoleń stacjonarnych)
      Ścieżka rozwoju
      • Sztuczna inteligencja – poziom ekspercki
      • Sztuczna inteligencja – przygotowanie do tworzenia projektów

      Podobne szkolenia