Dirbtinio Intelekto Studijos

Šios Studijos padės studentams išmokti panaudoti dirbtinio intelekto ir giliojo mokymosi aplikacijas verslo sprendimams.

Apžvalga

Ką išmoksi?

Studijų metu analizuosime bei mokysimės geriausių dirbtinio intelekto bei giliojo mokymosi praktikų, paremtų Python programavimu bei papildomomis bibliotekomis. Viską, ką išmoksite teorinėse paskaitose, iš karto panaudosite praktikoje, tai leis geriau įsiminti medžiagą.

 

Kur pritaikysi?

Šios Studijos padės studentams išmokti panaudoti dirbtinio intelekto ir giliojo mokymosi aplikacijas verslo sprendimams. Pabaigus šias Studijas studentai galės identifikuoti problemas, kurios gali būti sprendžiamos naudojant šias dirbtinio intelekto ir giliojo mokymosi technologijas, kokie keliami reikalavimai bei kokie veiksmai turi būti taikomi problemoms spręsti. Įgyjamos kompetencijos – kompiuterinė vizija (computer vision), natūralios kalbos apdorojimas, laiko eilučių analizė (time-series analysis), rekomenduojančių sistemų kūrimas ir mokymosi stiprinimas.

Kur dirbsi?

Baigus šį kursą, studentai galės spręsti įvairaus sudėtingumo giliojo mokymosi problemas ir dirbti technologijų startuoliuose.

Finansavimas

Neatidėk mokslų ateičiai!

CodeAcademy suteikia galimybę už mokslus mokėti išsimokėtinai. Dėl platesnės informacijos ir sąlygų kviečiame susisiekti.

Susisiekti

General Financing suteikia galimybę už mokymus mokėti išsimokėtinai. General Financing užtikrina itin lanksčias ir patogias atsiskaitymo sąlygas – visi norintys gali mokėti lizingu iki 12 mėnesių be jokio pabrangimo.

Plačiau

Valstybė gali finansuoti mokymus bei suteikti papildomas kompensacijas mokymosi laikotarpiu: mokymosi stipendiją ir už keliones į mokymo vietą ir atgal. Susisiekite ir sužinokite Jums skiriamas finansavimo galimybes.

Plačiau

Karjeros planavimas

Workshop’ai

CodeAcademy tikslas yra ne tik suteikti žinių, tačiau ir padėti Jums persikvalifikuoti. Siekiant geriausių rezultatų Studijų studentams organizuojame 3 dalių karjeros dirbtuves, kuriuose analizuojame rinką bei Lietuvoje veikiančias įmones ir planuojame karjerą.
  • CV/Linkedin
  • Portfolio
  • Rinkos analizė

Asmeninės konsultacijos

Kiekvienam CodeAcademy studentui skiriamas individualus laikas, skiriamas padėti pasiruošti darbo pokalbiams su būsimu darbdaviu.

Įsidarbinimo galimybės

Apžvalga

Galimas Valstybės finansavimas

Valstybė gali finansuoti mokymus bei suteikti papildomas kompensacijas mokymosi laikotarpiu: mokymosi stipendiją ir už keliones į mokymo vietą ir atgal. Susisiekite ir sužinokite Jums skiriamas finansavimo galimybes. 

Papildoma informacija

Programa

  1. Python Crash Course 18 val.

    We will start the course with Python crash course. We will ensure that every student has the basic Python knowledge required to proceed with the course. We will cover the language syntax, iterators, generators, comprehensions, object-oriented programming patterns, algorithms and data structures.

  2. Numeric Python with Numpy 18 val.

    In this section we will learn how to handle numeric information in Python using Numpy library. We will about two of the most important data science concepts – code vectorization and broadcasting as well as Numpy array methods and operations.

  3. Tabular Data Analysis with Pandas 18 val.

    In this part of the course we will learn how to use Pandas library to work with tabular data. We will learn how to create, write, read and index Pandas dataframes. We will also learn dataframe methods and how to use them for analysing and visualizing tabular data.

  4. Fundamentals of Machine Learning 18 val.

    In this section we will learn the fundamentals of machine learning. We will focus on random forests – one of the most powerful and versatile machine learning algorithms. We will also learn how to explore your data, validate your models, handle missing values and other machine learning essentials.

  5. Introduction to Deep Learning 18 val.

    In this section we will learn the basics of deep learning. We will learn about the types of neural networks, activation functions, loss functions and optimizers. We’ll also spend some time learning about the current applications of deep learning in artificial intelligence and why they are behind the current artificial intelligence revolution.

  6. Regression with Neural Networks 18 val.

    In this part of the course we will move our focus to structured data, which is extremely important in business, but often neglected in most of the deep learning courses. We will do a portfolio project classifying a binary variable.

  7. Image Classification 54 val.

    In this section we will start tackling the most important and the most useful application of artificial intelligence – computer vision. We will concentrate our attention to convolutional neural networks. The main focus of this section are the portfolio projects: you will build image classifiers with vastly different architectures, formats and number of classes. While working on the projects you’ll learn the most advanced architectures, and will practice the most modern training methods.

  8. Inverse Image Search 18 val.

    In this section of the course we will be diving deeper into computer vision and build a reverse image search model capable of finding similar items to the one provided by the user. This project will help us understand the underlying meaning of the weights in the deep learning models and prepare us for the natural language processing and recommender systems sections.

  9. Sequential Data Analysis 18 val.

    Finally it is time to make some money! We will try to predict stock market movements using recurrent neural networks. While working on this portfolio project we will learn the differences between recurrent neural networks, long short-term memory networks and gated recurrent units, when to use each of those architectures and their strengths and weaknesses.

  10. Natural Language Processing 36 val.

    In this section we will learn how neural networks learn the representations of natural language. While natural language processing (NLP) is totally new to us, we will use the familiar recurrent neural networks to tackle this problem. We will learn the most important NLP concepts and use them to create two NLP portfolio projects.

  11. Recommender Systems 18 val.

    In this section of the course we will build a recommender system. While not new, recommender systems saw a huge improvement in accuracy with the coming of the deep learning models. While working on the recommender systems we will learn about embeddings and collaborative filtering.

  12. Generative Deep Learning 18 val.

    In this section we will return to computer vision once again. We will learn about generative deep learning models and create a convolutional neural network capable of generating images aka deep dreaming.

  13. Advanced Computer Vision 18 val.

    In this section we will focus on the advanced computer vision topics such as object detection and segmentation. You will learn how to build and apply state of the art computer vision algorithms.

  14. Capstone Project 36 val.

    During the final part of the course you will work on your capstone project. You will be able to apply everything that you learned during the course to create a great AI project. While you are working on the project we will also review your Github portfolio, LinkedIn profile and conduct mock interviews to prepare you for getting a job as a deep learning/machine learning/artificial intelligence engineer.

Datos ir kainos

  • Laikotarpis
    kovo 2 d. – 2020 m. spalio 31 d.
    Trukmė
    720 val. (324 kontaktinės val.)
    Laikas
    18:00 - 22:00
    Kaina
    nuo 3500 € arba 50€/mėn. išsimokėtinai. Galimas valstybės finansavimas

Registracija