Na tomto kurzu z portfolia NVIDIA Deep Learning Institutu (DLI) se vývojáři naučí, jak identifikovat anomálie a poruchy v časových řadách dat, odhadovat zbývající životnost příslušných dílů a mapovat anomálie na poruchové stavy.
Anotace
Podle Mezinárodní společnosti pro automatizaci firmy po celém světě každoročně přijdou o 647 miliard dolarů kvůli prostojům způsobeným poruchami strojů. Organizace působící ve výrobě, leteckém průmyslu, energetice a dalších průmyslových odvětvích vylepšují své procesy údržby s cílem minimalizovat náklady a zvýšit efektivitu. Díky umělé inteligenci (AI) a strojovému učení mohou organizace ve svém provozu aplikovat prediktivní údržbu, která zpracovává obrovské množství dat ze senzorů a odhaluje poruchy zařízení dříve, než k nim dojde. Oproti rutinní nebo časově omezené preventivní údržbě, prediktivní údržba předchází problémům a může podniku ušetřit nákladné prostoje.
Na tomto kurzu z portfolia NVIDIA Deep Learning Institutu (DLI) se vývojáři naučí, jak identifikovat anomálie a poruchy v časových řadách dat, odhadovat zbývající životnost příslušných dílů a mapovat anomálie na poruchové stavy. Naučí se, jak připravit data časových řad pro trénink AI modelu, vyvinout model rozhodovacího stromu pro algoritmus XGBoost, vytvořit model hlubokého učení pomocí sítě s dlouhou krátkodobou pamětí (LSTM) a vytvořit automatický kodér, který detekuje anomálie pro prediktivní údržbu. Na konci kurzu mohou vývojáři využít AI k odhadu stavu zařízení a předpovědi, kdy je třeba provést údržbu.
Kurz probíhá v anglickém jazyce.
