В качестве первого основного направления курс знакомит слушателей с математическим моделированием с помощью MATLAB. MATLAB широко используется во всем мире для анализа данных и представления математических решений. Кроме того, курс посвящен моделированию систем с помощью Simulink и дает представление об использовании искусственного интеллекта в профессиональной деятельности. Второй основной темой курса являются ключевые задачи машинного обучения и глубокого обучения: от подготовки данных до оценки моделей и методов глубокого обучения на основе нейронных сетей. В дополнение к этому вы узнаете, как метод обучения с подкреплением (Reinforcement Learning) обучает программное обеспечение посредством непосредственного взаимодействия с окружающей средой методом проб и ошибок для достижения оптимальных результатов.
-
Тип степени: Сертификат "MATLAB и Simulink"
Сертификат "Машинное и глубокое обучение"
Сертификат "Reinforcement Learning -
Дополнительная квалификация: Сертификат "Машинное обучение
Сертификат "Глубокое обучение -
Итоговый экзамен: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Время уроков: Полный рабочий деньС понедельника по пятницу с 8:30 до 15:35 (в праздничные дни с 8:30 до 17:10).
-
Язык обучения: Немецкий
-
Продолжительность: 16 Недели
Математическое моделирование с помощью MATLAB и Simulink
Основы MATLAB (около 2 дней)
Пользовательский интерфейс MATLAB
Чтение данных из файла
Переменные, массивы, операторы, базовые функции
Графическое представление данных
Настройка диаграмм
Экспорт графиков
Переменные и команды (около 2 дней)
Реляционные и логические операторы
Наборы, наборы с двумерными твердыми телами (полиформа)
Проведение математических и статистических расчетов с помощью векторов
Графика в статистике
Анализ и визуализация (около 1 дня)
Создание и изменение матриц
Математические операции с матрицами
Графическое представление матричных данных
Применение матриц: отображения, вращение, линейные системы уравнений, метод наименьших квадратов
Искусственный интеллект (ИИ) в рабочем процессе
Презентация конкретных технологий ИИ
и возможного применения в профессиональной среде
Обработка данных (около 1 дня)
Типы данных: Структурные массивы, массивы ячеек, строка против char, категориальные, дататайм и многое другое.
Создание и организация табличных данных
Условный выбор данных
Импорт/экспорт в Matlab: структуры папок, данные .mat, табличные данные, непрерывные тексты
Программирование в MATLAB (около 3 дней)
Управляющие структуры: циклы, if-else, исключения
Функции
Объектно-ориентированное программирование
Дизайн приложений
Моделирование в MATLAB (около 5 дней)
Численное интегрирование и дифференцирование
Основы моделирования обыкновенных дифференциальных уравнений, варианты ODE и решателей в Matlab
Технология моделирования в Matlab: входные параметры, интерполяция данных, имитационные исследования
Управление моделированием: функции событий (пересечение нуля), функции выхода
Примеры применения, например, моделирование электродвигателя, моделирование ракеты
Simulink (около 4 дней)
Основы Simulink: Диаграммы, функции, сигналы и дифференциальные уравнения
Функции, подсистемы и библиотеки
Импорт/экспорт, таблицы поиска, управление
Пересечение нулей, автоматизация задач моделирования (доступ к Matlab)
Примеры применения, например, моделирование трансмиссии самолета
Работа над проектом (около 2 дней)
Закрепление изученного материала
Презентация результатов проекта
Машинное обучение
Введение в машинное обучение и рабочий процесс ML (около 3 дней)
Основы, области применения и виды машинного обучения
Систематизация современных методов искусственного интеллекта и машинного обучения
Рабочий процесс машинного обучения с использованием scikit-learn
Данные для обучения, валидации и тестирования
Недообучение, переобучение и оценка моделей
Кросс-валидация
Подготовка данных и инжиниринг признаков (около 2 дней)
Качество данных и предварительная обработка данных
Масштабирование, нормализация и кодирование
Инженерия признаков и выбор признаков
Работа с отсутствующими значениями, выбросами и несбалансированными наборами данных
Обучение с учителем — регрессия и классификация (около 5 дней)
Методы регрессии и классификации
Линейные и регуляризованные модели
Методы, основанные на расстоянии, вероятности и деревьях
Ансамблевые и бустинг-методы
Сравнение моделей и оптимизация гиперпараметров
Метрики оценки и вероятностные прогнозы
Важность признаков и объяснимый ИИ
Обучение без контроля (около 2 дней)
Сведение размерности и извлечение признаков
Методы кластеризации и оценка результатов кластеризации
Обнаружение аномалий
Анализ временных рядов и прогнозы (около 1 дня)
Основы и анализ данных временных рядов
Методы прогнозирования и машинное обучение для временных рядов
Нейронные сети и современный ИИ (около 2 дней)
Основы нейронных сетей и глубокого обучения
Машинное обучение для текстовых данных и обработка естественного языка
Базовые модели, крупные языковые модели и генеративный ИИ
Развертывание моделей машинного обучения (около 1 дня)
Хранение и предоставление обученных моделей
Разработка простых приложений машинного обучения
Интерфейсы и платформы для моделей машинного обучения
Работа над проектом (около 4 дней)
Закрепление изученного материала
Презентация результатов проекта
Глубокое обучение
Введение в глубокое обучение (около 1 дня)
Глубокое обучение как разновидность машинного обучения
Основы нейронных сетей (около 4 дней)
Многослойные перцептроны
Расчет нейронных сетей
Оптимизация параметров модели, обратное распространение
Библиотеки глубокого обучения
Регрессия и классификация
Типичные функции потерь и активации
Оценка прогноза модели с помощью метрик
Метрики регрессии и классификации
Кривые обучения, оверфиттинг и регуляризация
Оптимизация гиперпараметров
Регуляризация L1/12
Отсев
Ранняя остановка
Стохастический градиентный спуск (СГС)
Момент, оптимизатор Адама
Оптимизация скорости обучения
Динамическая регулировка скорости обучения
Снижение скорости обучения на плато
Оптимизация скорости обучения с помощью TensorBoard
Управление процессом подгонки с помощью обратных вызовов
Сохранение и загрузка моделей
Конволюционная нейронная сеть (CNN) (около 2 дней)
Классификация изображений
Конволюционные слои, объединяющие слои
Перестраивающие слои, сглаживание, объединение глобальных средних
Архитектуры CNN ImageNet-Competition
Глубокие нейронные сети, исчезающие градиенты, пропуск связей, пакетная нормализация
Трансферное обучение (около 1 дня)
Адаптация и комбинирование моделей
Предварительное обучение без контроля
Дополнение данных изображениями, объяснимый ИИ
Загрузчик данных
Региональный CNN (около 1 дня)
Локализация объектов
Семантическая сегментация
Проблемы регрессии
Разветвленные нейронные сети
Архитектура YOLO
Модели U-Net
Методы творческой генерации изображений (около 1 дня)
Генеративные адверсарные сети (GAN)
Глубокие подделки
Диффузионные модели
Суперразрешение
Дополнение областей изображения
Применение базовых моделей из Hugging Face
Мультимодальные модели
LoRA-Fine-Tuning
Области применения генеративных моделей
Правовые ограничения
Рекуррентные нейронные сети (около 2 дней)
Анализ последовательностей
Рекуррентные слои
Обратное распространение во времени (BPTT)
Анализ временных рядов
Проблемы разрыва и исчезающего градиента
LSTM (Long Short-Term Memory)
GRU (Gated Recurrent Unit)
Глубокий RNN
Глубокий LSTM
Обработка текста с помощью нейронных сетей (около 2 дней)
Предварительная обработка текста
Встраивание слоев
Классификация текста
Анализ настроения
Обработка естественного языка (NLP)
Переводы
Генерация текста
Метод "последовательность-последовательность", архитектура кодер-декодер
Модели, использующие только кодер и только декодер
Локальное применение больших языковых моделей
Языковые модели (около 1 дня)
Архитектура трансфомеров
Внимание и многоголовое внимание
Позиционные кодировки
Тонкая настройка больших языковых моделей
Подсказки
Конвейеры генерации текста
Резюме
Чат-боты
Поиск Расширенная генерация
ИИ-агенты
Глубокое обучение с подкреплением (около 1 дня)
Управление динамическими системами
Агентские системы
Обучение через вознаграждение
Градиенты политики
Глубокое Q-обучение
Байесовские нейронные сети (около 1 дня)
Неопределенности в нейронных сетях
Статистическая оценка прогнозов
Доверие, стандартное отклонение
Несбалансированные данные
Методы выборки
Работа над проектом (около 3 дней)
Закрепление изученного материала
Презентация результатов проекта
Обучение с подкреплением
Введение в обучение с подкреплением (около 1 дня)
Определение и основные понятия
Отличия от других методов обучения
Области применения и примеры
Марковские процессы принятия решений (МПП) (около 2 дней)
Определение и свойства MDP
Функции ценности и политика
Уравнения Беллмана
Подход динамического программирования
Q-Learning (около 2 дней)
Определение и алгоритм
Исследование и эксплуатация
Сходимость и свойства оптимизации
Применение в играх, робототехнике и других областях
Глубокое обучение с подкреплением (около 3 дней)
Глубокое Q-обучение
Глубокие детерминированные градиенты политики (DDPG)
Акторно-критические методы
Методы градиента политики
Продвинутые темы (около 4 дней)
Обучение с применением подкрепления на основе моделей
Многоагентное обучение с усилением
Инверсное обучение с усилением
Мета-обучение с усилением
Практические приложения (около 3 дней)
Реализация алгоритмов обучения с подкреплением
Применение к выбранным проблемам и тематическим исследованиям
Оценка и настройка алгоритмов
Резюме и перспективы (около 2 дней)
Краткое изложение наиболее важных концепций и результатов
Проблемы и будущие разработки в области обучения с подкреплением
Работа над проектом (около 3 дней)
Закрепление изученного материала
Презентация результатов проекта
Возможны изменения, содержание курса регулярно обновляется.
После прохождения курса вы будете обладать необходимыми знаниями по темам машинного обучения и глубокого обучения. Вы будете знать наиболее важные причины использования машинного обучения, области применения и различные категории и концепции машинного обучения. Вы также будете понимать области применения глубокого обучения и принцип работы нейронных сетей. Вы сможете обеспечить машинное обучение и документировать процессы.
Вы также поймете основные концепции обучения с подкреплением и узнаете, чем оно отличается от других методов обучения. Вы будете знакомы с марковскими процессами принятия решений, Q-обучением и глубоким обучением с подкреплением, а также сможете применять такие продвинутые темы, как многоагентное обучение с подкреплением и обучение на основе моделей.
Вы также знакомы с MATLAB и Simulink, стандартными математическими программами для студентов естественнонаучных и инженерных специальностей.
Компьютерные науки, математика, электротехника и люди со степенью в области (бизнес) инженерии.
Вы обладаете высокой квалификацией в специализированных областях машинного и глубокого обучения, можете применяться в различных отраслях и пользуетесь высоким спросом на рынке труда. Вы можете анализировать большие объемы данных для поиска закономерностей и моделей. Глубокое обучение часто используется в контексте искусственного интеллекта для распознавания лиц, объектов или речи.
Вы также изучите стандартные математические программы для инженерных и естественных наук с помощью MATLAB и Simulink.
Благодаря обучению с применением подкрепления вы также получите межотраслевые знания, которые часто используются в робототехнике и технологиях автоматизации, а также в автомобильной промышленности, например, для функций помощи водителю или при разработке и оптимизации автономных транспортных систем.
Ваш значимый сертификат дает подробное представление о приобретенных вами квалификациях и улучшает ваши карьерные перспективы.
Дидактическая концепция
Ваши преподаватели обладают высокой профессиональной и дидактической квалификацией и будут обучать вас с первого до последнего дня (никакой системы самообучения).
Вы будете учиться в эффективных небольших группах. Обычно курсы состоят из 6-25 человек. Общие занятия дополняются многочисленными практическими упражнениями во всех модулях курса. Практический этап - важная часть курса, поскольку именно в это время вы обрабатываете полученные знания и обретаете уверенность и практичность в их применении. Заключительный раздел курса включает в себя проект, разбор конкретных ситуаций или итоговый экзамен.
Виртуальный класс alfaview®
BildungszentrumЗанятия проводятся с использованием современной видеотехнологии alfaview® - не выходя из дома или в нашем офисе по адресу . Весь курс может видеть друг друга лицом к лицу через alfaview®, общаться друг с другом с помощью синхронизированного по губам голоса и работать над совместными проектами. Разумеется, вы также можете в любое время видеть и разговаривать со своими преподавателями в прямом эфире, и на протяжении всего курса вас будут обучать преподаватели в режиме реального времени. Уроки - это не электронное обучение, а настоящее живое очное преподавание с помощью видеотехнологий.
alfatraining Agentur für Arbeit Учебные курсы субсидируются и сертифицируются в соответствии с положением об утверждении AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinПри подаче заявки или заявки на обучение все расходы на курс обычно покрываются финансирующей организацией.
Europäischen Sozialfonds Deutsche Rentenversicherung Финансирование также возможно через программы (ESF), (DRV) или региональные программы финансирования. Berufsförderungsdienst Как постоянный солдат, вы можете посещать курсы повышения квалификации по программе (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компании также могут повысить квалификацию своих сотрудников по программе финансирования от .