Kursus Pelatihan Pengenalan Pola

Kursus ini mencakup AI (emphasizing Machine Learning dan Deep Learning) di Automotive Industri. Ini membantu menentukan teknologi apa yang dapat (potensial) digunakan dalam situasi berbilang dalam sebuah mobil: dari otomatisasi sederhana, pengenalan gambar hingga pengambilan keputusan otomatis.

Kursus ini telah diciptakan untuk manajer, arsitek solusi, pejabat inovasi, CTO, arsitek perangkat lunak dan siapa saja yang tertarik dengan gambaran keseluruhan kecerdasan buatan yang diterapkan dan ramalan terdekat untuk pengembangan.

Instruksi langsung ini dalam Indonesia (online atau di tempat) ditujukan untuk peserta pemula yang ingin belajar konsep-konsep dasar dalam probabilitas, statistik, pemrograman, dan pembelajaran mesin, serta menerapkannya pada pengembangan AI.

Setelah mengikuti pelatihan ini, peserta akan dapat:

• Mengerti konsep-konsep dasar dalam probabilitas dan statistik, serta menerapkannya pada situasi nyata.
• Menulis dan memahami kode pemrograman prosedural, fungsional, dan berorientasi objek.
• Melaksanakan teknik pembelajaran mesin seperti klasifikasi, klasterisasi, dan jaringan saraf.
• Mengembangkan solusi AI menggunakan mesin aturan dan sistem ahli untuk pemecahan masalah.

Jaringan Syaraf Tiruan adalah model data komputasi yang digunakan dalam pengembangan sistem Artificial Intelligence (AI) yang mampu melakukan tugas-tugas "cerdas". Neural Networks umumnya digunakan dalam aplikasi Machine Learning (ML), yang merupakan salah satu implementasi AI. Deep Learning adalah bagian dari ML.

Ini adalah kursus 4 hari yang memperkenalkan AI dan penerapannya. Ada opsi untuk memiliki satu hari tambahan untuk melaksanakan proyek AI setelah menyelesaikan kursus ini.

Ini adalah kursus 4 hari yang memperkenalkan AI dan aplikasinya menggunakan bahasa pemrograman Python. Ada opsi untuk memiliki satu hari tambahan untuk melaksanakan proyek AI setelah menyelesaikan kursus ini.

Pelatihan langsung yang dipimpin instruktur di Indonesia (daring atau offline) ini ditujukan untuk para ilmuwan data dan statistikian tingkat menengah yang ingin mempersiapkan data, membangun model, dan menerapkan teknik pembelajaran mesin secara efektif dalam domain profesional mereka.

Selesai pelatihan ini, peserta akan dapat:

• Mengerti dan mengimplementasikan berbagai algoritma Machine Learning.
• Mempersiapkan data dan model untuk aplikasi pembelajaran mesin.
• Melakukan analisis post hoc dan memvisualisasikan hasil secara efektif.
• Menerapkan teknik pembelajaran mesin pada skenario dunia nyata berbasis sektor.

Artificial Neural Network adalah model data komputasi yang digunakan dalam pengembangan sistem Kecerdasan Buatan (AI) yang mampu melaksanakan tugas-tugas "cerdas". Jaringan Saraf Tiruan sering digunakan dalam aplikasi Machine Learning (ML), yang merupakan salah satu implementasi AI. Deep Learning adalah subset dari ML.

Deep Reinforcement Learning (DRL) mengkombinasikan prinsip-prinsip reinforcement learning dengan arsitektur deep learning untuk memungkinkan agen membuat keputusan melalui interaksi dengan lingkungannya. Ini menjadi dasar banyak kemajuan AI modern seperti kendaraan otonom, kontrol robotika, trading algoritmik, dan sistem rekomendasi adaptif. DRL memungkinkan agen buatan untuk belajar strategi, memoptimalkan kebijakan, dan membuat keputusan autonomi berdasarkan pembelajaran berdasarkan penghargaan melalui metode uji dan kesalahan.

Pelatihan ini, yang dikonduksi oleh instruktur (online atau langsung tatap muka), ditujukan untuk pengembang dan ilmuwan data dengan tingkat menengah yang ingin mempelajari dan menerapkan teknik Deep Reinforcement Learning untuk membangun agen cerdas yang mampu mengambil keputusan autonomi dalam lingkungan yang kompleks.

Di akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar teori dan prinsip-prinsip matematika Reinforcement Learning.
• Menerapkan algoritma RL utama termasuk Q-Learning, Policy Gradients, dan metode Actor-Critic.
• Membangun dan melatih agen Deep Reinforcement Learning menggunakan TensorFlow atau PyTorch.
• Menerapkan DRL pada aplikasi dunia nyata seperti permainan, robotika, dan optimisasi keputusan.
• Memperbaiki, memvisualisasikan, dan memoptimalkan kinerja pelatihan menggunakan alat modern.

Format Pelatihan

• Perkuliahan interaktif dan diskusi terarah.
• Latihan praktis dan penerapan praktis.
• Demonstrasi live coding dan aplikasi berbasis proyek.

Opsi Pengkustoman Pelatihan

• Untuk meminta versi kustom dari pelatihan ini (misalnya, menggunakan PyTorch bukan TensorFlow), silakan hubungi kami untuk mengatur.

Dalam pelatihan langsung ini yang dipimpin instruktur, peserta akan mempelajari cara menggunakan Matlab untuk merancang, membangun, dan memvisualisasikan jaringan saraf konvolusi untuk pengenalan gambar.

Di akhir pelatihan ini, peserta akan dapat:

• Membangun model pembelajaran mendalam
• Mengautomasi penandaan data
• Bekerja dengan model dari Caffe dan TensorFlow-Keras
• Melatih data menggunakan beberapa GPU, awan, atau kluster

Penonton

• Pengembang
• Insinyur
• Ahli bidang

Format kursus

• Sekilas kuliah, sekilas diskusi, latihan, dan banyak latihan langsung

Pelatihan ini ditujukan untuk orang-orang yang ingin mempelajari dasar-dasar jaringan saraf dan aplikasinya.

Sesi pelatihan ini berbasiskan kelas akan mengandung presentasi dan contoh komputer serta latihan kasus yang harus dilakukan dengan pustaka jaringan neural dan deep learning yang relevan

Pattern Matching adalah teknik yang digunakan untuk menemukan pola tertentu dalam sebuah gambar. Teknik ini dapat digunakan untuk menentukan keberadaan karakteristik tertentu dalam gambar yang diambil, misalnya label yang diharapkan pada produk cacat di jalur produksi pabrik atau dimensi komponen tertentu. Teknik ini berbeda dari "Pattern Recognition" (yang mengenali pola umum berdasarkan kumpulan sampel terkait yang lebih besar) karena teknik ini secara spesifik mendiktekan apa yang kita cari, lalu memberi tahu kita apakah pola yang diharapkan itu ada atau tidak.

Format Kursus

• Kursus ini memperkenalkan pendekatan, teknologi, dan algoritma yang digunakan dalam bidang pencocokan pola sebagaimana diterapkan pada Machine Vision.

Kursus ini merupakan pengenalan tentang penerapan jaringan saraf dalam masalah dunia nyata menggunakan perangkat lunak R-project.

Pelatihan ini dimulai dengan memberikan pengetahuan konseptual tentang jaringan saraf dan secara umum dalam algoritma pembelajaran mesin, pembelajaran mendalam (algoritma dan aplikasi).

Bagian-1(40%) dari pelatihan ini lebih berfokus pada dasar-dasar, tetapi akan membantu Anda memilih teknologi yang tepat: TensorFlow, Caffe, Theano, DeepDrive, Keras, dll.

Bagian-2(20%) dari pelatihan ini mengenalkan Theano - perpustakaan Python yang membuat penulisan model pembelajaran mendalam menjadi mudah.

Bagian-3(40%) dari pelatihan akan sangat berbasis pada TensorFlow - API dari pustaka perangkat lunak sumber terbuka Google untuk Pembelajaran Mendalam. Contoh dan praktikum semuanya akan dilakukan menggunakan TensorFlow.

Audience

Pelatihan ini ditujukan untuk insinyur yang ingin menggunakan TensorFlow untuk proyek-proyek Pembelajaran Mendalam mereka

Setelah menyelesaikan pelatihan ini, peserta akan:

• memiliki pemahaman yang baik tentang jaringan saraf dalam (DNN), CNN, dan RNN
• memahami struktur dan mekanisme penyebaran TensorFlow
• mampu melakukan tugas instalasi / lingkungan produksi / arsitektur dan konfigurasi
• mampu menilai kualitas kode, melakukan debugging, monitoring
• mampu mengimplementasikan produksi lanjutan seperti pelatihan model, pembangunan grafik dan pencatatan