Online részvétellel
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!
Megkérdeztük hallgatóinkat, miért jelentkeztek a képzésre, és miben változott az, ahogy dolgoznak.
"Jellemző, hogy a vállalatok ma már nagy mennyiségű adatvagyonon ülnek, amik valamilyen gyakorisággal, tehát szintén idősorosan írják le egy termék vagy ügyfél viselkedését. Nem véletlen, hogy a kurzuson tanult módszereket már munkahelyi környezetben is elkezdtük használni."
Olvasd el Szabó Dániellel készült teljes interjút, aki pénzügyi és zenei téren is kamatoztatta a tanultakat!
"A Data Science képzésre mindenkinek érdemes eljönnie, akinek a közelében eddig kiaknázatlan adatok hevernek; nehezen tudom elképzelni, hogy hasznos információ nélkül távozna bárki. Az AI Technológia specializálódás annak lehet jó, aki tudja, hogy erre van szüksége; van is konkrét megoldandó AI feladat a hobbijai vagy az üzleti élete területén."
Olvasd el Varga Józseffel készült teljes interjút, aki Data Science és AI Technológia képzésünket is elvégezte!
“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
0. Alkalom:
Python bevezető: rövid áttekintés a Python nyelv alapjairól, "szintrehozó" alkalom az előzetes anyagok alapján.
1. Alkalom:
Bevezetés: AI alapfogalmai, történeti áttekintés, a gépi tanulás alap megközelítései
2. Alkalom:
Adatok megjelenítése, klaszterezés, outlier detektálás: anomáliák és "outlierek" felismerése egyszerű disztribúciós módszerek segítségével, klaszterezési megoldások és kapcsolatuk az osztályozással és anomáliadetekcióval.
Felügyelt tanulás – osztályozás: osztályozás (klasszifikáció), mint alap gépi tanulási feladat ismertetése, mérési módszerek és főbb alkalmazott technikák áttekintése.
3. Alkalom:
Felügyelt tanulás – regresszió: regresszió, mint alap gépi tanulási feladat ismertetése, mérési módszerek és főbb alkalmazott technikák áttekintése.
Idősorok elemzése: idősoros problémák szerkezetének ismertetése, idősor-dekompozíciós megoldások, alapvető prediktív módszerek bemutatása.
4. Alkalom:
Reprezentáció – dimenziócsökkentés: adatdimenziók fogalma, magas dimenzionalitású adatok problémái, lineáris és nem lineáris dimenziócsökkentési módszerek áttekintése.
Ensemble módszerek és vizsgaelőkészítés (problémakörök): ensemble fogalma, bagging, boosting, stacking eljárások ismertetése, főbb képviselőik (pl. random forest) megismerése.
5. Alkalom:
Neurális hálók alapjai – perceptron: neurális jellegű modellek alapjai, történeti áttekintés, a perceptron modell részletes megismerése, perceptron tanulási szabály ismertetése.
6. Alkalom:
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.
7. Alkalom:
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.
8. Alkalom:
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.
9. Alkalom:
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.
10. Alkalom:
Reprezentáció tanulás és modern eszközei: kitekintés, reprezentációtanulás kiemelt szerepe, nem felügyelt mély neurális tanulás előnyei.
11. Alkalom:
Vizsga: egyéni projektmunka bemutatása.
1 félév, 12 alkalom, 88 óra*
|
a képzés indulása: 2021. szeptember 17. |
jelentkezési határidő: 2021. szeptember 16. |
|
képzési alkalmak: péntekenként 9-17 óra között (kivéve az első és az utolsó alkalom 9-13 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 |
