Applied AI from Scratch Počítačový Kurz

Tento kurz pokrývá AI (emphasizing Machine Learning a Deep Learning) v Automotive Průmyslu. Pomáhá určit, jakou technologii lze (potenciálně) použít v několika situacích v autě: od jednoduché automatizace, rozpoznávání obrazu až po autonomní rozhodování.

Tento kurz byl vytvořen pro manažery, architekty řešení, inovační důstojníky, CTO, softwarové architekty a kohokoli, kdo má zájem o přehled aplikované umělé inteligence a nejbližší prognózu jejího vývoje.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na pokročilé profesionály, kteří chtějí prohloubit své porozumění počítačovému vidění a prozkoumat možnosti TensorFlow pro vývoj sofistikovaných modelů vidění pomocí Google Colab.

Na konci tohoto školení budou účastníci schopni:

• Vytvářejte a trénujte konvoluční neuronové sítě (CNN) pomocí TensorFlow.
• Využijte Google Colab pro škálovatelný a efektivní vývoj cloudových modelů.
• Implementujte techniky předběžného zpracování obrazu pro úlohy počítačového vidění.
• Nasaďte modely počítačového vidění pro aplikace v reálném světě.
• Použijte přenosové učení ke zvýšení výkonu modelů CNN.
• Vizualizujte a interpretujte výsledky modelů klasifikace obrázků.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé datové vědce a vývojáře, kteří chtějí porozumět a aplikovat techniky hlubokého učení pomocí prostředí Google Colab.

Na konci tohoto školení budou účastníci schopni:

• Nastavte a procházejte Google Colab pro projekty hlubokého učení.
• Pochopit základy neuronových sítí.
• Implementujte modely hlubokého učení pomocí TensorFlow.
• Trénujte a vyhodnocujte modely hlubokého učení.
• Využijte pokročilé funkce TensorFlow pro hluboké učení.

V tomto živém školení pod vedením instruktora v České republice se účastníci naučí používat knihovny Python pro NLP při vytváření aplikace, která zpracovává sadu obrázků a generuje titulky.

Na konci tohoto školení budou účastníci schopni:

• Návrh a kód DL pro NLP pomocí knihoven Python.
• Vytvořte Python kód, který čte v podstatě obrovskou sbírku obrázků a generuje klíčová slova.
• Vytvořte Python kód, který generuje titulky ze zjištěných klíčových slov.

Publikum

Tento kurz je vhodný pro Deep Learning výzkumníky a inženýry, kteří se zajímají o využití dostupných nástrojů (většinou open source) pro analýzu počítačových obrazů

Tento kurz poskytuje pracovní příklady.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí použít TensorFlow k analýze dat o potenciálních podvodech.

Na konci tohoto školení budou účastníci schopni:

• Vytvořit model pro detekci podvodů v Python a TensorFlow.
• Vytvořit lineární regrese a lineární regresní modely pro predikci podvodů.
• Vyvinout kompletní AI aplikaci pro analýzu dat o podvodech.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře a datové vědce, kteří chtějí používat Tensorflow 2.x k vytváření prediktorů, klasifikátorů, generativních modelů, neuronových sítí a tak dále.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte TensorFlow 2.x.
• Pochopte výhody TensorFlow 2.x oproti předchozím verzím.
• Vytvářejte modely hlubokého učení.
• Implementujte pokročilý klasifikátor obrázků.
• Nasaďte model hlubokého učení do cloudu, mobilních zařízení a zařízení IoT.

V tomto živém školení vedeném instruktorem v České republice (online nebo na místě) se účastníci naučí, jak nakonfigurovat a používat TensorFlow Serving k nasazení a správě modelů ML v produkčním prostředí.

Na konci tohoto školení budou účastníci schopni:

• Trénujte, exportujte a obsluhujte různé modely TensorFlow.
• Testujte a nasazujte algoritmy pomocí jediné architektury a sady API.
• Rozšířit TensorFlow Serving, aby sloužilo dalším typům modelů kromě modelů TensorFlow.

TensorFlow je API druhé generace Google open source softwarové knihovny pro Deep Learning. Systém je navržen tak, aby usnadnil výzkum v oblasti strojového učení a aby byl rychlý a snadný přechod od výzkumného prototypu k produkčnímu systému.

Publikum

Tento kurz je určen pro inženýry, kteří chtějí použít TensorFlow pro své projekty Deep Learning

Po absolvování tohoto kurzu budou delegáti:

porozumět struktuře a mechanismům nasazení TensorFlow být schopen provádět úlohy instalace / produkčního prostředí / architektury a konfigurace být schopen posuzovat kvalitu kódu, provádět ladění, monitorování být schopen implementovat pokročilou produkci, jako jsou tréninkové modely, vytváření grafů a protokolování

Tento kurz na konkrétních příkladech zkoumá použití Tensor Flow pro účely rozpoznávání obrazu

Publikum

Tento kurz je určen pro inženýry, kteří chtějí využít TensorFlow pro účely rozpoznávání obrazu

Po absolvování tohoto kurzu budou delegáti schopni:

porozumět struktuře a mechanismům nasazení TensorFlow provádět instalaci / produkční prostředí / architekturu a konfiguraci hodnotit kvalitu kódu, provádět ladění, monitorovat implementovat pokročilou produkci, jako jsou tréninkové modely, vytváření grafů a protokolování

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí přejít od školení jednoho modelu ML k nasazení mnoha modelů ML do produkce.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte TFX a podpůrné nástroje třetích stran.
• Použijte TFX k vytvoření a správě kompletního výrobního potrubí ML.
• Spolupracujte s komponentami TFX a provádějte modelování, školení, obsluhu a správu nasazení.
• Nasaďte funkce strojového učení do webových aplikací, mobilních aplikací, zařízení IoT a dalších.

V tomto živém školení pod vedením instruktora v České republice se účastníci naučí, jak využít inovace v procesorech TPU k maximalizaci výkonu svých vlastních aplikací umělé inteligence.

Na konci školení budou účastníci schopni:

• Trénujte různé typy neuronových sítí na velkém množství dat.
• Použijte TPU k urychlení procesu odvození až o dva řády.
• Využijte TPU ke zpracování náročných aplikací, jako je vyhledávání obrázků, cloudové vidění a fotografie.

TensorFlow™ je open source softwarová knihovna pro numerické výpočty pomocí grafů toku dat.

SyntaxNet je neural-network Natural Language Processing framework pro TensorFlow.

Word2Vec se používá pro učení vektorové reprezentace slov, nazývané "word embeddings". Word2vec je obzvláště výpočetně efektivní prediktivní model pro učení slovních vložek z surového textu. Přichází ve dvou chutích, kontinuálním modelu Bag-of-Words (CBOW) a modelu Skip-Gram (Kapitola 3.1 a 3.2 v Mikolov et al.a)

SyntaxNet a Word2Vec umožňují uživatelům vytvářet modely učení z přirozeného jazyka.

publikum

Tento kurz je zaměřen na vývojáře a inženýry, kteří mají v úmyslu pracovat s SyntaxNet a Word2Vec modely v jejich TensorFlow grafy.

Po dokončení tohoto kurzu budou delegáty:

• pochopit TensorFlow strukturu a mechanismy implementace’s
• schopnost provádět instalaci / výrobní prostředí / architektonické úkoly a konfigurace
• schopnost posoudit kvalitu kódu, provádět debugování, monitorování
• být schopen implementovat pokročilé výrobní modely, jako jsou tréninkové modely, termíny, stavební grafy a logování

Tento kurz začíná tím, že vám poskytne koncepční znalosti o neuronových sítích a obecně v algoritmu strojového učení, hlubokém učení (algoritmy a aplikace).

Část 1 (40 %) tohoto školení je více zaměřena na základy, ale pomůže vám vybrat správnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras atd.

Část 2 (20 %) tohoto školení představuje Theano – knihovnu pythonu, která usnadňuje psaní modelů hlubokého učení.

Část 3 (40 %) školení by byla z velké části založena na Tensorflow – API druhé generace otevřené softwarové knihovny Google pro Deep Learning. Všechny příklady a handon by byly vytvořeny v TensorFlow.

Publikum

Tento kurz je určen pro inženýry, kteří chtějí použít TensorFlow pro své projekty Deep Learning

Po absolvování tohoto kurzu budou delegáti:

mít dobré znalosti o hlubokých neuronových sítích (DNN), CNN a RNN rozumět struktuře a mechanismům nasazení TensorFlow být schopen provádět úlohy instalace / produkčního prostředí / architektury a konfigurace být schopen posoudit kvalitu kódu, provádět ladění, monitorování být schopen implementovat pokročilou produkci, jako jsou tréninkové modely, stavební grafy a protokolování