Tantermi és Live online változatban is!
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.
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
Gábort gyerekkora óta vonzották a természettudományok, kémiát és fizikát tanult, majd számítástudományból szerzett doktori fokozatot az ELTE-n. Mivel az agy működése érdekelte legjobban, különböző funkciók számítógépes modellezésével foglalkozott (látást tanulmányozta a UCSF és Columbia egyetemeken, térbeli navigálás és emlékezet volt a témája Tübingenben). A természet inspirálta megoldások gyakorlati alkalmazása pedig a modern gépi tanulás, azon belül a gépi látás világába vitte. Több mint öt éven át vezette a Realeyes cég magyarországi fejlesztőköpontjának kutatási csoportját, automatizált arckifejezés elemzéssel és prediktív modellezéssel foglalkozott. Munkája révén kapcsolatban állt tudományos műhelyekkel, több uniós projektben vett részt, egy ötletét európai innovációs díjjal jutalmazták. Fontosnak tartja fiatalok szakmai segítését, ezért gyakornoki programokban és oktatásban is szívesen vesz részt. Jelenleg szabadúszó tanácsadóként a mesterséges intelligencia eszközeire épülő üzleti megoldásokat készít különböző iparágakban aktív partnerek számára (gépi látás, természetes nyelvfeldolgozás, kontroll rendszerek).
Szirtes Gábor
kutatásfejlesztési igazgató, Ott-ONE
Grad-Gyenge László született kutató. Folyamatosan elemzi környezetét a humán és mesterséges struktúrák lényegét kutatva. Mivel részben matematikus, ezért ez természetes része az életének. László emelett egy innovatív szoftverfejlesztő céget vezet, ahol tevékenysége fókuszában a kereskedelmi start-up projektek és alkalmazások állnak. Számára az innováció meghatározó jelentőséggel bír és ezt általa alapított cég, a Creo Group is vallja számos innovatív megoldásával. Emellett szereti a művészeteket, szabadidejében fotóz. Kreativitását a kortárs és XX. századi művek inspirálják.
Grad-Gyenge László
CEO, Creo Group
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
Szolgay Dániel az egyetemen kezdett el képfeldolgozással, gépi látással foglalkozni. Az MSc képzés elvégzése után PPKE ITK és a Bordeaux-i egyetem doktori iskolájának közös képzésében szerzett PhD fokozatot, majd az iparban helyezkedett el a Realeyes nevű cég budapesti fejlesztő központjában. Itt videóalapú arckifejezés-elemzéssel foglalkozott, majd önvezető autók algoritmusainak fejlesztésén dolgozott az AIMotive Kft.-nél. A kutatói munka mellett 3 éven át tanította a PPKE Információ Technológiai Karán a “Basic Image Processing Algorithms” c. tárgyat.
Szolgay Dániel
AI kutató, OTT-One
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)
Egyéb idősorproblémák és ajánlórendszerek: ajánlórendszerek mint domén megismerése, modern rekurrens hálók alkalmazása ajánlórendszerek problémáira
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, 20 alkalom, 80 óra*
|
a képzés indulása: 2020. október 15. |
jelentkezési határidő: Elindultunk, még csatlakozhatsz! |
|
képzési alkalmak: csütörtökönként 14-18 óra közt |
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 |
