Azok a hallgatók, akik elvégzik ezt a képzésünket, képesek lesznek önállóan alkalmazni a különféle machine learning módszereket olyan területeken mint a robotika, a prediktív analitika, önvezető autók, videojátékok, ügyfélszolgálati chatbotok, gyártás automatizálás, gyógyszerkutatás és orvosi diagnosztika sok más között. 

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 is, 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.

KINEK AJÁNLJUK AZ ARTIFICIAL INTELLIGENCE IT SZAKÉRTŐKNEK KÉPZÉSÜNKET? 

  • Képzésünket mindazoknak az IT szakembereknek és programozóknak ajánljuk, akik átfogó képet szeretnének kapni az AI technológiáról. Mindazoknak, akik gyakorlati példákon, esettanulmányokon és programozási feladatokon keresztül szeretnének mélyebb ismereteket szerezni a témában.
  • Akik keresik a lehetőséget, hogy gyakorló AI szakemberekkel vitassanak meg üzleti és technológiai kérdéseket, és részévé váljanak annak a szakmai közösségnek, amely Magyarországon lerakja az AI alapú gazdaság alapjait.

MIRE LESZ SZÜKSÉGED?

  • 22 héten át heti 8-10 órára, amelyet dedikáltan a tanulásra tudsz fordítani. Ebből 4 óra lesz a helyszíni oktatás, 4-6 óra pedig otthoni készülés, olvasás, projektmunka.
  • Alapszintű Python programozási tudásra és adatmodellezési ismeretekre. Matematikai alapokra, affinitásra. Érettségi bizonyítványra.
  • A képzési alkalmakat magyarul tartjuk, de az angol nyelvtudás előnyt jelent, mert a prezentációs anyagok angol nyelvűek.

MIÉRT A KÜRT AKADÉMIÁT VÁLASZD?

  • Egyedülálló tanulási lehetőséget kínálunk Magyarországon. Képzésünk megtartására a legjobb hazai szakembereket kértük fel, az aktuális legjobb gyakorlatokat használtuk fel. Előadóink gyakorló szakemberek, akik ma Magyarországon építik az AI alapú vállalatok alapjait. Technológiai módszereket ismertetnek meg, vagy megosztják üzleti sikerük tapasztalatait a hallgatókkal.
  • Teljes körképet adunk a mai mesterséges intelligencia technológiákról, áttekintjük az AI, a modellezés és a neurális hálók alapjait, szó lesz a neurális hálózatok optimalizációs módszereiről, a hiperparaméterek beállításáról és az alternatív aktivációs függvényekről. Résztvevőink megismerkednek a konvolúciós és rekurrens neurális hálózatokkal, betekintenek a generatív modellekbe és a tananyagunk része az unsupervised learning is.
  • A technológiák aktuális kérdéseit a legfrissebb szakmai publikációkon keresztül mutatjuk be. Szó lesz a memória hálózatokról, a transzfer tanulásról, és a tematika része az adversarial learning és a reinforcement learning áttekintése is.
  • Minden előadásról hangfelvételt készítünk, amelyet elérhetővé teszünk a hallgatók számára, ezzel segítve a hiányzások pótlását és a hatékonyabb tanulást.
  • 2009 óta dolgozunk azon, hogy szakemberekből, érdeklődőkből, gondolkodókból álló kreatív, tenni akaró közösséget formáljunk, több, mint ezer fős alumni és oktatói közösségünk is ezt bizonyítja.

A JÖVŐ SZAKMÁIT TANÍTJUK, A JÖVŐ SZAKEMBEREIT KÉPEZZÜK.

A képzés adatai

  • Képzés hossza

    2 félév
  • A képzés indulása

    2017. november 10.
  • Képzési alkalmak

    péntek 14:00-18:00
  • Jelentkezési határidő

    2018. november 10.
  • Részvételi díj

    1.300.000 Ft+ÁFA
    A jelentkezés 10%-os regisztrációs díj befizetésével válik aktívvá.
  • A jelentkezéshez szükséges előképzettség

    Angol nyelvtudás, alapszintű Python programozás, adatmodellezés ismeretek
  • A képzés helyszíne

    House of Business Budapest - Roosevelt Irodaház


    Budapest, Széchenyi István tér 7, 1051

KEDVEZMÉNYEK

Kedvezményt biztosítunk a részvételi díjból az alábbi esetekben:

  • Early bird: 15% kedvezmény szeptember 11-ig
  • Helyszíni jelentkezés esetén rendezvényeinken: 5% kedvezmény
  • Csoportos jelentkezés (4 vagy több fő): 10% kedvezmény. Kérünk, amennyiben ezt szeretnéd igénybe venni, az elektronikus jelentkezés előtt írj nekünk az info@kurtakademia.hu címre!
  • Alumni tagként: 10% kedvezmény

Az egyes kedvezmények nem vonhatók össze!

A képzés oktatói

A képzés tematikája

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20

1. modul: Stabil alapok

1.1 Artificial Intelligence alapjai

AI Definiciója és kapcsolatai a machine learninggel (gépi tanulással) és statisztikai módszerekkel
A mesterséges intelligencia történelmi szakaszai
Statisztikai módszerek története
Tanulási/Tanítási módszerek: supervised vs unsupervised vs. reinforcement
A neurális megközelítés mögötti motiváció

1.2 A Modellezés alapjai I.

Mi egy model? Hogyan lehet nekem is? Mire jó? Exploratív, prediktív és prescriptív analízisek.
Adataim minősége
A legegyszerűbb modellineáris regresszió
Hogyan mérhetem a teljesítményt? Mit kell mérjek és hogyan? 
Gyakorlati feladat: implementálj egy lineáris modelt

1.3 Modellezés alapjai II.

Model választás teljesítmény, interpretálhatóság, deployment, megvalósíthatóság és skálázhatóság szempontjából
Generalizációs problémák az overfitting és bias/variance tradeoff szempontjából és az alkalmazható megoldások, mint a megfelelő model választás, regularizáció stb.
Overfitting megelőzése a gyakorlatban

1.4 Neurális hálók alapjai I.

Perceptron? Mi is az pontosan? 
Klasszifikációs és regressziós gyakorlatok perceptronnal
Céfüggvények (objective functions)
Gyakorlat: forward pass implementációja

1.5 Neurális hálók alapjai II.

Gradient descent, vagyis a funkció minimumának nyomában
Backward pass implementációja egy gyakorlati feladaton keresztül

1.6 Neurális hálózatok alapjai III. 

Többrétegű hálózatok
Problémák egy hálózat mélységével
Egy többrétegű neurális hálózat gyakorlati implementációja 

1.7 További optimizációs módszerek neurális hálózatokhoz 

A grádiens módszer: gradient descent ismétlés, stochastic gradient (SGD), minibatch GD
Problémák a grádiens módszerekkel
Alternatív grádiens módszerek – Momentum, Nesterov, Adagrad és Adamm

1.8 Hogyan regularizálj neurális modelleket, vagyis az overfittingről részletesebben

Korai leállítás, L1 és L2 regularizáció, dropout és információ dropout
L2 és dropout implementációja egy gyakorlati feladaton keresztül

1.9 Hiperparaméterezés


1.10 Alternatív aktivációs függvények

Mikor jó a sigmoid, és mikor nem?
Szaturáció, grádiens terjedés problémái
Tanh, ReLU és társaik

2. modul: Aktuális architektúrák és alkalmazási területek

2.1 Konvoluciós neurális hálózatok I.

Fő motiváció
    - invariancia elérése képfeldolgozásnál
    - súly megosztás
Konvolúciós operátor implementációja a gyakorlatban

2.2 Konvoluciós neurális hálózatok II.

Összetett képfeldolgozó hálók
Maxpooling
Skip kapcsolatok
ImageNet a gyakorlatban

2.3 Rekurrens neurális hálózatok I. 

Idősoros elemzés neurális hálókkal: miért nem megy klasszikusan?
Rekurrens neurális hálók
Backpropagation through time
BPTT a gyakorlatban

2.4 Rekurrens neurális hálózatok II.

Eltűnő grádiensek és ellenszereik
Az LSTM modell
LSTM implementáció gyakorlatban - 

3. modul: Mi van még a világban?

3.1 Unsupervised learning I.

Alapfogalma
Szükségessége
Lehetősgei
Főkomponens elemzés gyakorlat

 
3.2 Unsupervised learning II.

Autoenkóderek világa és az összetettebb modellek
Autoenkóder a gyakorlatban

3.3 Betekintés a generatív modellekbe

Generatív és energia alapú modellek körvonalai
Történeti helyük és szerepük
Olvasmány: generatív modell publikációk

4. modul: Aktuális trendek és kutatási irányok

4.1 Memória hálózatok

Mi van az LSTM után?
Előnyök, célok?
NTM és DNC modellek bemutatása
Olvasmány és példa: DNC és NTM cikkek feldolgozása

4.2 Reinforcement learning

Tanulás ritka jeleken keresztül
Attribúció problémái
Policy és value
Olvasmány és példa: DeepMind Atarin játszik

4.3 Transzfer tanulás

Mennyire általánosítható a tanulás?
Szomszédos feladatok
Transzfer tanulás
Multi task learning fogalma
Gyakorlat: egyszerű transfer learning kísérletek

4.4 Adversarial learning

Unsupervised - másképp
GAN fogalma és felépítése
Tanító és generáló hálók problémái, egyensúly
Olvasmány és példa: GAN cikkek és megoldásaik