ADAT INFORMÁCIÓ TUDÁS
PIACI ELŐNY

A deep learning (mély tanulás) napjaink egyik legjobb megoldása az adatokban rejlő információk kinyerésére, előrejelzésére és osztályozására. A deep learning mind a big data, mind a mesterséges intelligencia hajtómotorjává vált, azonban alkalmazása a legtöbb technikánál mélyebb tudást igényel.

A deep learning rendszerek ma már messze túlmutatnak a hagyományos gépi tanulás lehetőségein. A beszéd- és képfelismerés mellett minden korábbi módszernél nagyobb pontosságot érnek el például gépi fordításban, ajánlórendszerekben, általános idősorok osztályozásában és predikciójában, szenzorhálózatok adatainak és ipar 4.0 adatstruktúrák klaszterezésében, továbbá tetszőleges adatok generálásában is (beszéd, zene, kép, felhasználói adatok és viselkedés, stb.).

A deep learning alapú megközelítés a vállalati adatok (pl. ügyfelek, honlap látogatottság, forgalmi adatok, logisztika) modellezésének, osztályozásának és klaszterezésének egyik leghatékonyabb lehetséges módszerévé nőtte ki magát. Az olyan nagy nemzetközi vállalatok, mint például a Google, Facebook, Amazon és IBM is egyre több technológiájukat helyezik deep learning alapokra.

Mikor lehet érdekes számomra a deep learning?

A legtöbb vállalkozás sok és igen értékes adat birtokában van. Az adatokban rejlő összefüggések kinyerésével jelentős értéket hozhat létre és ezáltal üzleti előnyre tehet szert. A deep learning segítségével ezen összefüggések feltárása sok esetben minden korábbi módszernél hatékonyabban lehetséges.

Képzéseink és tanácsadásunk során segítünk a vállalatoknak a rendelkezésre álló adatok alapján új összefüggések feltárásában és további lehetőségek, célok meghatározásában.

Milyen esetekben aknázhatja ki a deep learning-ben rejlő lehetőségeket?

Számos rutinszerű, könnyen elvégezhető feladatot
végeznek munkatársaik.

Igény van a folyamatok, részfolyamatok automatizálására.

Az adatokat alapján “megérzéseikre”
hagyatkozva hoznak döntéseket.

Napi, heti, havi rendszerességgel
új adatok keletkeznek.

Nagy mennyiségű adat
áll rendelkezésre.

A big data nem, vagy csak részben
segíti jelenleg folyamataikat.

Alkalmazási példák

A deep learningnek számtalan alkalmazási lehetősége van. Képzéseink és tanácsadásunk elsődleges célja, hogy megállapítsuk, Önök számára mely területen és milyen megoldás hozhat üzleti előnyt.

Képzéseink

A képzések hosszát és pontos tematikáját közösen határozzuk meg ügyfelünk igényei, korábbi ismeretei és a célterület függvényében. Külön tematikát javaslunk programozóknak és külön tematikát vezetőknek, menedzsereknek. A képzés ütemezését ügyfeleink kéréseihez igazítjuk: a tanfolyamot 2, 4, 6 vagy 8 órás blokkokban, munkaidőben és azon túl is megtartjuk vállalatuk telephelyén vagy általunk biztosított helyszínen. Válassza részletesen kidolgozott képzéseinket, vagy kérjen személyre szabott képzést az ajánlott moduljaink alapján!

Vezetőknek, menedzsereknek

Deep learning lehetőségei, előnyei és korlátai


1, 2 vagy 3 nap

Vezetőknek és menedzsereknek ajánljuk ezt a képzésünket, mely tematikáját a résztvevők rendelkezésre álló idejéhez igazítjuk. A képzés során megmutatjuk, hogy mi az a deep learning, milyen alkalmazási és felhasználási lehetőségei vannak. Részletesen megvizsgáljuk, hogy a mély tanulás segítségével milyen piaci előnyökhöz lehet jutni. Fontosnak tartjuk, hogy vezetőként pontosan tudjanak AI projektet tervezni, ezért különös figyelmet szentelünk a deep learning rendszerek korlátainak ismerésére is. Kétnapos képzés esetén több deep learning esettanulmányt is megvizsgálunk és elemzünk kockázat és lehetséges profit szempontjából.

Erőforrás-méretezés és projektütemezés


1 nap

A deep learning projektek során az egyik legnagyobb kihívás a skálázható emberi és gépi erőforrás kialakítása. A másik legnagyobb kihívás az előre nem látható tényezők miatt a projekt ütemezése. Ilyen tényező lehet például, hogy mennyi adatra van szükség és milyen pontosság esetén áll elő az MVP (Minimal Viable Product). Képzésünk során ezen két kérdést elemezzük és adunk megoldásukhoz irányelveket.

Programozóknak

MINI képzés


3 nap

  • Deep learning alapok (2 nap)
  • Teljes összeköttetésű hálózatok (1 nap)
Képzés részletei

STANDARD képzés


5 nap

  • Deep learning alapok (2 nap)
  • Teljes összeköttetésű hálózatok (1 nap)
  • Rekurrens hálózatok (1 nap)
  • Mély konvolúciós hálózatok (1 nap)
Képzés részletei

EXTRA képzés


10 nap

  • Python alapok (1 nap)
  • Adatfeltárás, adatvizualizáció (1 nap)
  • Gépi tanulás alapok (1 nap)
  • Deep learning alapok (2 nap)
  • Teljes összeköttetésű hálózatok (2 nap)
  • Rekurrens hálózatok (1 nap)
  • Mély konvolúciós hálózatok (1 nap)
  • Deep Learning hardver- és szoftverkörnyezetek (1 nap)
Képzés részletei

COMPLETE képzés


18 nap

  • Python alapok (2 nap)
  • Adatfeltárás, adatvizualizáció (1 nap)
  • Gépi tanulás alapok (2 nap)
  • Deep learning alapok (2 nap)
  • Teljes összeköttetésű hálózatok (2 nap)
  • Rekurrens hálózatok és alkalmazásai (2 nap)
  • Mély konvolúciós hálózatok és alkalmazásai (2 nap)
  • Deep Learning hardver- és szoftverkörnyezetek (1 nap)
  • Komplex deep learning architektúrák (1 nap)
  • Hiperparaméter optimalizálás: optimális hálózatarchitektúra kialakítása (2 nap)
  • Eredmények kiértékelése és bemutatása (1 nap)
Képzés részletei

MODULOK

Lentebb találhatja az egyes modulokat. A modulok hossza több esetben is attól függ, hogy milyen mélységben kívánják az adott témát megismerni. Kérjük kattintson az egyes modulokra bővebb információért.

Kezdő és középhaladó szint

A Python programozás alapjait és fejlesztési eszközeit ismerik meg a kétnapos modul során, szem előtt tartva a későbbi mély tanuláshoz köthető alkalmazásokat. Az alap Python programozási konvenciókon túl megismerkedünk a Pandas és Numpy csomagok használatával. Ezt a modult feltétlenül ajánljuk azoknak, akik korábban még nem programoztak Python nyelven.
Modul javasolt hossza: 2 vagy 3 nap
Mint minden gépi tanuló eljárás esetén és deep learning rendszerek építése során is kiemelten fontos a modellezni kívánt adatok megismerése, "feltárása", tisztítása és vizualizációja. Ezen egy vagy kétnapos modul során a mély tanulás szempontjából fontos adatelőkészítő és vizualizációs eljárásokat ismerik meg Seaborn, Plotly és Bokeh alapon. Ezt a modult különösen ajánljuk azoknak, akik korábban Python nyelven még nem dolgoztak adatokkal.
Modul javasolt hossza: 1 vagy 2 nap
A gépi tanulás alapjait mutatjuk be ezen egy vagy kétnapos modulban. Előbb ismertetjük a felügyelet (supervised), felügyelet nélküli (unsupervised) és megerősítéses (reinforcement) tanulás alapjait, majd a regresszió, osztályozás (klasszifikáció) és klaszterezés fogalmát vezetjük be. Számos példán keresztül mutatjuk meg, hogy egy-egy problémát melyik módszerrel érdemes megoldani. Ismertetjük a gépi tanulás leggyakrabban használt technikáit Python nyelven. Megismerkedünk a lineáris és logisztikus regresszió, továbbá a K-means algoritmusok működésével és használatukat példákon keresztül szemléltetjük. Az eredményeket kiértékeljük és vizualizáljuk.
Modul javasolt hossza: 1 vagy 2 nap
A deep learning-hez köthető legfontosabb fogalmak ismertetésével kezdjük ezt a kétnapos modult. Bemutatjuk a mély neurális hálózat tanításának elsődleges algoritmusát és előbb alacsony, majd magas szinten leprogramozzuk azt. Elmagyarázzuk és Python nyelven megvalósítjuk a legjobban elterjedt olyan regularizációs (túltanulás elleni) technológiákat, mint például az L1, L2 regularizáció, dropout és batch normalization. Magas szintű deep learning keretrendszerben megvalósítunk egy regressziós és egy osztályozási feladatot, majd kiértékeljük és vizualizáljuk az eredményeket.
Modul javasolt hossza: 2 nap
Mai napig a legtöbb mély neurális hálózat tartalmaz teljes összeköttetésű rétegeket. Ezért különös hangsúlyt fektetünk ezen típusú hálózatok jelentőségének és lehetőségeinek bemutatására. Több deep learning keretrendszerben is leprogramozunk klasszikus regressziós és osztályozási feladatokat, és különböző regularizációs technikákkal és felépítésbeli módosításokkal javítjuk működésüket. Két nap esetén több példát és részletesebben tudunk feldolgozni.
Modul javasolt hossza: 1 vagy 2 nap
Szekvenciális adatok (pl. idősorok, szövegek) esetén az egyik leghatékonyabb lehetőségünk rekurrens rétegek használata. Képzésünk során bemutatjuk az alap rekurrens megoldást, majd rátérünk a leginkább elterjedt Long Short-Term Memory (LSTM) alapú rendszerekre. Különböző alkalmazási példák során nézzük át az egy- és kétirányú rekurrens hálók megvalósításának a lehetőségét regressziós és osztályozási feladatokra. Két nap esetén több példát és részletesebben tudunk feldolgozni.
Modul javasolt hossza: 1 vagy 2 nap
A konvolúciós mély neurális hálózatokat kezdetben képosztályozásra és hangfelismerésre használták, ma azonban már az egyik legnépszerűbb és leghatékonyabb architektúra általános feladatokra is (pl. idősor predikció, nyelvi modellezés). Képzésünk során először a kétdimenziós, majd az egydimenziós konvolúciós rétegeket mutatjuk be és több képfelismerési és általános alkalmazási példát oldunk meg. Két nap esetén több példát és részletesebben tudunk feldolgozni.
Modul javasolt hossza: 1 vagy 2 nap
Deep learning rendszerek tanításához szükséges GPU-k (grafikus gyorsító kártyák) elsődleges szállítója az NVidia. Építhetünk saját GPU munkaállomást vagy szervert, vásárolhatunk dedikált NVidia megoldást, vagy bérelhetünk GPU időt a felhőben is (pl. AWS, Google Cloud). A GPU-kon való tanításhoz számos kiváló keretrendszer áll rendelkezésünkre (pl. TensorFlow, Keras, PyTorch, Chainer, CNTK, stb.), melyek közül az adatok és a célalkalmazás szempontjából kell a legelőnyösebbet kiválasztani. Ezen modulban bemutatjuk a rendelkezésre álló hardver- és szoftverkörnyezeteket deep learning rendszerek tervezése szempontjából és megadjuk azokat a sarokpontokat, ami alapján meg tudják határozni, hogy adott célalkalmazáshoz milyen hardver- és szoftverkörnyezet az ideális.
Modul javasolt hossza: 1 nap
A tanítás és tesztelés során, a mély tanuló rendszer „élesbe” állítása előtt, kiemelten fontos, hogy a valós működést jól reprezentáló módszertannal értékeljük ki a modelleket, és az eredményeket szélesebb körben is értelmezhető módon mutassuk be. Ezen modul során végigvesszük az regresszió és osztályozás során használt legfontosabb kiértékelési metrikákat (pl. abszolút hiba, négyzetes hiba, pontosság, recall, precision, F1, tévesztési mátrix), saját kiértékelő függvényt hozunk létre és az eredményeket többféleképpen vizualizáljuk és mutatjuk be.
Modul javasolt hossza: 1 nap

Haladó szint

Az adatok modellezése során a legnagyobb pontosság elérése céljából nemcsak egymásra épülő rétegekből hozzuk létre, hanem gráfszerű, különböző szintű, akár többszörösen párhuzamos kapcsolatokkal is ellátjuk a mély neurális hálózatokat. Ezen túl a mély, akár több mint száz rétegű hálók tanításához elengedhetetlenek az un. reziduális összeköttetések különböző fajtái (residual, highway, dense összeköttetések). Képzésünk során bemutatjuk a komplex hálók modellezésének a módszerét és több példán keresztül kiértékeljük hatékonyságukat.
Modul javasolt hossza: 1 nap
A hálózat architektúrájának kialakítására és a tanító algoritmus beállítására nincsen biztos recept, a deep learning szakemberek jellemzően tapasztalataik alapján határozzák meg az optimális beállításokat. Mindemellett létezik algoritmikus módszer és kapcsolódó szoftvereszköz, mellyel a véletlen találgatás helyett hatékonyabban lehetséges a feladathoz legjobban illő mély tanuló rendszert kialakítani. Képzésünk során a szükséges elméleti alapok mellett több alkalmazási példán keresztül ismerjük meg az optimális hálózatarchitektúra kialakításának, az un. hiperparaméter optimalizálásnak a lehetőségeit.
Modul javasolt hossza: 2 nap
A mély tanulás az egyik leghatékonyabb módja az idősorok modellezésének, predikciójának és osztályozásának. Az egynapos modul során bemutatjuk az idősorok előkészítésének a szabályait deep learning rendszerek számára. Ezen túl különböző típusú rétegek (rekurrens, konvolúciós, teljes összeköttetésű) megfelelő kombinációjával egyre komplexebb és pontosabb megoldásokat hozunk létre és programozunk le.
Modul javasolt hossza: 1 nap
Napjainkban a mély tanulás a számítógépes szövegértés és -elemzés elsődleges eszközévé vált. A kétnapos képzés során megismerhetjük az alapfogalmakat (pl. BOW, CBOW, n-gram, skip gram, seq2seq) és eszközöket (pl. Word2Vec, GloVe, FastText, FairSeq). Karakter, szó és paragrafus alapon közösen készítünk szöveggeneráló és osztályozó programokat és értékeljük ki ezek működését.
Modul javasolt hossza: 2 vagy 3 nap
Sok esetben szükség van a mély neurális hálózat beágyazott és mobil környezetben való futtatására. Képzésünk során megmutatjuk azokat a szoftvereszközöket, amellyel a leggyorsabban és leghatékonyabban tudjuk a mély hálónkat korlátozott erőforrású eszközön futtatni. Ezen túl bemutatjuk, hogy milyen technikák és lehetőségek segítenek a nagyméretű hálózatunk mobil és beágyazott környezetre való optimalizálására.
Modul javasolt hossza: 1 nap
Az elmúlt években jelentős eredményeket értek el un. versengő (adversarial) hálózatok alkalmazásával adatok generálása terén. Ezt a képzést elsősorban olyan vállalkozásoknak ajánljuk, akik meglévő adatokhoz (pl. kép és hang) hasonlóakat akarnak generálni, vagy a meglévők minőségét szeretnék javítani, továbbá az adatstruktúra megőrzése mellett szeretnék anonimizálni azokat (pl. orvosi adatok esetén).
Modul javasolt hossza: 2 nap
A megerősítéses tanulás legfőbb előnye, hogy az osztályozásnál és regressziónál használt hibafüggvények (pl. négyzetes hiba, kereszt entrópia) helyett valós folyamatok céljaira optimalizálnak (pl. profitra, anyagköltségre vagy időmegtakarításra). A képzés során megmutatjuk a mély megerősítéses tanulás alapgondolatát és példákkal végigvesszük a jelenleg használt, DeepMind és további nagyvállalatok által kifejlesztett algoritmusokat (pl. A2C, DDPG, PPO2, TRPO). Munkánk során, miután az alap algoritmust leprogramoztuk alacsony szinten Python-ban, magas szintű mély megerősítéses tanulást megvalósító keretrendszerek (pl. OpenAI Gym/Universe, TensorForce, TensorFlow Dopamine) használatát tanuljuk meg számos példán keresztül.
Modul javasolt hossza: 2 vagy 3 nap
Image description

Tanácsadás,
on-the-job tréning

Képzéseinket követően, vagy előzetes ismeretek esetén képzés nélkül is vállalunk tanácsadást és on-the-job tréningeket.

Tanácsadás, konzultáció

Tanácsadás, konzultáció esetén egyénileg vagy kis csoportban célzott kérdéseket válaszolunk meg, adott alkalmazási lehetőségeket beszélünk át, továbbá keressük a potenciális gépi tanulás és deep learning lehetőségeket az Önök témájában.

On-the-job tréning

On-the-job tréningjeink során egyénileg vagy kiscsoportban valós, céges adatok alapján dolgozzuk ki a lehetséges deep learning stratégiákat és készítjük el az adatfeldolgozást és mély neurális hálózat alapú modellezését végző forráskódokat. A tréning célja egy protípus, vagy akár egy kész mély tanuló rendszer létrehozása, miközben a résztvevők az "éles" fejlesztés során gyakorlati tapasztalatokra tesznek szert.

A képzés és tanácsadás legfőbb előnyei

Image description

Menedzsment

Megismeri a deep learning paradigma személyreszabott alkalmazási lehetőségeit, továbbá költség-, erőforrás- és idővonzatát.

Image description

Fejlesztés

A képzésen megismert rendkívül erős predikciós modellekkel optimalizálni tudja üzleti folyamatait, növelni tudja az ügyfélélményt.

Image description

Emberi Erőforrás (HR)

A képzésen résztvevő munkatársak számára rendkívül pozitív és motiváló, hogy cutting-edge technológiát tanulnak.