Jelenleg online
A mesterséges intelligencia robbanó növekedése számtalan iparágban tapasztalható a világon, mint például a pénzügyi szektor, az oktatás, az egészségügy, logisztika és szállítmányozás, telekommunikáció, marketing és értékesítés. Magyarországon is egyre több olyan üzleti döntéshozó van, akit foglalkoztatnak a mesterséges intelligencia által nyújtott lehetőségek, emellett nagy igény van olyan szakemberekre, akik széles körű technológiai és iparági ismereteikkel képesek lesznek AI projekteket megvalósítani, és a vállalatok digitális átalakulásában vezető szerepet játszani. Képzésünkkel az a célunk, hogy ezeket az AI szakembereket kiképezzük.
Azok a hallgatók, akik elvégzik az AI Technológia képzést, azaz a mesterséges intelligencia képzésünket, képesek lesznek önállóan alkalmazni a különféle machine learning (gépi tanulás) módszereket olyan területeken, mint a robotika, a prediktív analitika, önvezető autók, videojátékok, ügyfélszolgálati chatbotok, gyártás automatizálás, gyógyszerkutatás és orvosi diagnosztika – sok más egyéb közt.
Aktuális esettanulmányokkal, programozási ismeretekkel várunk titeket, és azzal az ígérettel, hogy AI Technológia képzésünk segítségével bekapcsolódhattok az itthoni, mesterséges intelligenciával foglalkozó vérkeringésbe.
2021-ben új képzési beosztásban tartjuk a kurzusokat. Az alábbi időpontokra tedd szabaddá magadat:
Bizonytalan vagy abban, hogy neked való a képzés? Pötyögsz Pythonban, de nem tudod, hogy a képzés elvégzéséhez ez elegendő-e?
Az alábbi tesztet neked állítottuk össze. Az egyes feladatok végén láthatod, hogy a képzés során mire elegendő a tudásod, és milyen extra erőforrást érdemes belefektetned a programozásba a képzés előtt és alatt.
Ha van most 30 perced, vágj bele! Kattints az alábbi linkre, a megjelenő képernyőn pedig jobb oldalon fent a Connect gombra, és kezdheted is!
“A tudat a hivatásom.” – Levente eredeti háttere a kognitív tudomány és buddhizmus, de az utóbbi évtizedben mesterséges intelligencia területen dolgozik, tanácsadóként, kutatásvezetőként és technológiai igazgatóként. Bár fő fókusza a természetes nyelvfeldolgozás területére esik, vezetőként a technológia üzleti alkalmazása is figyelme homlokterében van, egyaránt részt vesz az elméleti kutatásban és gyakorlati megvalósításban is, tanácsadóként pedig segít az ügyfeleknek az AI által teremtett lehetőségek realizálásában.
Szabados Levente
Vezető AI szakértő, Képzésvezető, KÜRT Akadémia
Simonyi András számítógépes nyelvész, filozófus. Korábban az Analogy Zrt., az MTA-PPKE Magyar Nyelvtechnológiai Kutatócsoport és az Alkalmazott Logikai Laboratórium kutató-szoftverfejlesztője, jelenleg szabadúszó. Több mint egy évtizede foglalkozik intelligens rendszerek tervezésével és fejlesztésével, szűkebb szakterülete a számítógépes szemantika.
Simonyi András
Szenior NLP kutató és fejlesztő
Python bevezető: rövid áttekintés a Python nyelv alapjairól, "szintrehozó" alkalom az előzetes anyagok alapján.
Bevezetés: AI alapfogalmai, történeti áttekintés, a gépi tanulás alap megközelítései
Reprezentáció – dimenziócsökkentés: adatdimenziók fogalma, magas dimenzionalitású adatok problémái, lineáris és nem lineáris dimenziócsökkentési módszerek áttekintése
Felügyelt tanulás – regresszió: regresszió mint alap gépi tanulási feladat ismertetése, mérési módszerek és főbb alkalmazott technikák áttekintése
Felügyelt tanulás – osztályozás: osztályozás (klasszifikáció) mint alap gépi tanulási feladat ismertetése, mérési módszerek és főbb alkalmazott technikák áttekintése
Nem felügyelt tanulás - klaszterezés, outlier detektálás: anomáliák és "outlierek" felismerése egyszerű disztribúciós módszerek segítségével, klaszterezési megoldások és kapcsolatuk az osztályozással és anomáliadetekcióval
Idősorok elemzése: idősoros problémák szerkezetének ismertetése, idősor-dekompozíciós megoldások, alapvető prediktív módszerek bemutatása
Ensemble módszerek és vizsgaelőkészítés (problémakörök): ensemble fogalma, Bagging, boosting, stacking eljárások ismertetése, főbb képviselőik (pl. Random Forest) megismerése
Neurális hálók alapjai – perceptron: neurális jellegű modellek alapjai, történeti áttekintés, a perceptron modell részletes megismerése, perceptron tanulási szabály ismertetése
Neurális hálók alapjai – többrétegű hálók: mély neurális hálók modellje, grádiens alapú tanulás alkalmazása mély hálókra backpropagation módszerrel, főbb kihívások ismertetése
Deep learning – az áttörés: a mély neurális hálók tanítása során fellépő főbb kihívások és megoldásaik ismertetése
Regularizáció: overfitting megakadályozása mély neurális modellek esetén, regularizációs módszerek, dropout
Aktivációs függvény és jobb SGD (stochastic gradient descent): újabb deep learning architektúrákban alkalmazott aktivációs függvénytípusok és optimalizációs eljárások ismertetése
Képfeldolgozás – konvolúciós hálók: Képfeldolgozási domén bemutatása, konvolúciós és pooling operátorok, a konvolúciós hálók elemeinek megismerése
Képfeldolgozás – modern hálók, modularitás és új ötletek: összetett képfeldolgozó architektúrák elemeinek és felépítésének részletes megismerése
Rekurrens hálók: idősoros problémák neurális hálókkal történő megoldásának alapjai, rekurrens hálók fogalma és főbb problémái, megoldásai (LSTM modellek ismertetése)
NLP – természetes nyelvfeldolgozás: nyelvfeldolgozási domén megismerése, rekurrens és attention alapú architektúrák alkalmazása nyelvi problémák megoldására
Autoencoderek és generatív hálók: kitekintés, reprezentációtanulás kiemelt szerepe, nem felügyelt mély neurális tanulás előnyei
2 félév, 12 alkalom, 88 óra*
|
a képzés indulása: 2021. április 9. |
jelentkezési határidő: 2021. április 8. |
|
képzési alkalmak: péntekenként (6-6 péntek mindkét félévben) 9-18 óra között (kivéve az első és utolsó alkalom 10 és 14 óra között) |
szükséges képzettség: alapszintű adatmodellezési és Python ismeretek |
|
helyszín: CEU Budapest és/vagy Zoom Meeting 1051 Budapest, Nádor utca 15. |
|
|
részvételi díj: 1.200.000 Ft + ÁFA |
* a változtatás jogát |
