A képzés címe: Haladó Gépi Tanulás – Transzformerek
A képzés leírása: A képzés résztvevői megismerik és elsajátítják a transzformer modellek legújabb fejlesztéseit és azok alkalmazási lehetőségeit különféle gépi tanulási feladatokban. Értelmezni tudják a transzformerek használatával felmerülő kihívásokat, beleértve a számítási erőforrások optimalizálását és az adatfeldolgozási problémákat. Megértik a transzformerek által lehetővé tett újfajta megközelítéseket gépi tanulásban, mint például a figyelem mechanizmusának szerepét. A megszerzett ismereteket alkalmazni tudják transzformer alapú modellek fejlesztésében, finomhangolásában és deploy-olásában.
A képzés ideje: Hamarosan elérhető a regisztráció!
Amennyiben érdeklődik a téma iránt, a még meg nem hirdetett tematikus rendezvényeken kívül, arra is van lehetőség, hogy az érdeklődő intézmények részére személyre szabott ügyfélorientált workshopot/ képzést szervezzünk a BME-n vagy a jelentkező intézmények telephelyén. Kérjük, hogy az ilyen irányú igényeket jelezzék a aiedih@vik.bme.hu e-mail címünkre.
A képzés helyszíne: BME
Az előadó neve: Dr. Hullám Gábor
A szolgáltatás időtartama: 2 óra
Minimum létszám: 2 fő
A képzés formája: személyes
A képzés díja: 0 Ft*
A képzés piaci értéke: 120 €
*A képzés kis és közép vállalkozások számára térítésmentes, nem jár pénzügyi tranzakcióval, amennyiben a vállalkozás rendelkezik a képzés igénybevételéhez szükséges mértékű még fel nem használt De Minimis kerettel, melyről a regisztráció során nyilatkozik.
A képzőhely felnőttképzési tevékenységének engedélyszáma: E/2022/000106
A képzés során megszerezhető kompetenciák: A képzés sikeres elvégzésével a résztvevő Ismerni fogja a transzformer alapú modellek működését, architektúráját, alkalmazási lehetőségeit és korlátait különböző gépi tanulási feladatokban. Képes lesz hatékonyan alkalmazni a transzformer modelleket különféle gépi tanulási feladatokban, mint például természetes nyelvfeldolgozás (NLP), képfelismerés, és időbeli adatok elemzése. Megérti a transzformerek mögött álló matematikai alapokat, beleértve a figyelem mechanizmusát, önfigyelmet, és a modellek optimalizálását. Tudni fogja hogyan kell finomhangolni előre betanított transzformer modelleket specifikus feladatokhoz, és hogyan lehet hatékonyan implementálni ezeket különböző méretű adathalmazokon.
