Matlab pro hluboké učení Počítačový Kurz
V tomto vedeném živě tréninku se účastníci naučí používat Matlab k návrhu, sestavení a vizualizaci konvoluční neuronové sítě pro rozpoznávání obrazů.
Koncem tohoto školení budou účastníci schopni:
- Sestavit model hlubokého učení
- Automatizovat označování dat
- Pracovat s modelem z Caffe a TensorFlow-Keras
- Trenovat data pomocí více GPU, cloudu nebo clusterů
Cílová skupina
- Vývojáři
- Inženýři
- Experté na danou doménu
Formát kurzu
- Část přednášky, část diskuse, cvičení a mnoho praktické praxe
Návrh Školení
Chcete-li si vyžádat přizpůsobenou osnovu kurzu pro toto školení, kontaktujte nás.
Požadavky
- Zkušenosti s Matlabem
- Nejsou vyžadovány žádné předchozí zkušenosti s datovou vědou
Veřejné školení vyžaduje minimálně 5 účastníků.
Matlab pro hluboké učení Počítačový Kurz - Rezervace
Matlab pro hluboké učení Počítačový Kurz - Dotaz
Matlab pro hluboké učení - Dotaz ohledně konzultace
Dotaz ohledně konzultace
Reference (2)
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Kurz - Natural Language Processing with TensorFlow
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Kurz - TensorFlow for Image Recognition
Nadcházející kurzy
Související kurzy
Pokročilá Stable Diffusion: Deep Learning pro Generování Obrázků z Textu
21 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé datové vědce, inženýry strojového učení, výzkumníky hlubokého učení a odborníky na počítačové vidění, kteří si chtějí rozšířit své znalosti a dovednosti v oblasti hlubokého učení. pro generování textu na obrázek.
Na konci tohoto školení budou účastníci schopni:
- Pochopte pokročilé architektury hlubokého učení a techniky pro generování textu na obrázek.
- Implementujte složité modely a optimalizace pro vysoce kvalitní syntézu obrazu.
- Optimalizujte výkon a škálovatelnost pro velké datové sady a složité modely.
- Vylaďte hyperparametry pro lepší výkon modelu a zobecnění.
- Integrujte Stable Diffusion s dalšími rámci a nástroji hlubokého učení
AlphaFold
7 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na biology, kteří chtějí porozumět tomu, jak AlphaFold funguje, a používat modely AlphaFold jako průvodce ve svých experimentálních studiích.
Na konci tohoto školení budou účastníci schopni:
- Pochopte základní principy AlphaFold.
- Přečtěte si, jak funguje AlphaFold.
- Naučte se interpretovat AlphaFold předpovědi a výsledky.
Hluboké učení pro zpracování vizuální informace s Caffe
21 hodinyCaffe je rámec pro hluboké učení navržený s výrazivostí, rychlostí a modularitou na mysli.
Tento kurz se zabývá použitím Caffee jako rámce pro hluboké učení pro rozpoznávání obrázků pomocí MNIST jako příkladu
Cílová skupina
Tento kurz je určený odborníkům na hluboké učení a inženýrům, kteří se zajímají o využití Caffee jako rámce.
Po absolvování tohoto kurzu budou účastníci schopni:
- porozumět struktuře a mechanismům nasazení Caffee
- provádět úkoly související s instalací, produkčním prostředím/architekturou a konfigurací
- posuzovat kvalitu kódu, provádět ladění a monitorování
- implementovat pokročilé produkční úlohy jako trénink modelů, implementace vrstev a logování
Hluboké učení pomocí neuronových sítí s Chainerem
14 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na výzkumníky a vývojáře, kteří chtějí používat Chainer k budování a trénování neuronových sítí v Python a zároveň usnadňovat ladění kódu.
Na konci tohoto školení budou účastníci schopni:
- Nastavte potřebné vývojové prostředí pro zahájení vývoje modelů neuronových sítí.
- Definujte a implementujte modely neuronových sítí pomocí srozumitelného zdrojového kódu.
- Provádějte příklady a upravujte stávající algoritmy, abyste optimalizovali tréninkové modely hlubokého učení a zároveň využili GPU pro vysoký výkon.
Použití Computer Network ToolKit (CNTK)
28 hodinyComputer Network ToolKit (CNTK) je Microsoft vysoce účinný RNN tréninkový systém strojového učení pro řeč, text a obrázky s otevřeným zdrojovým kódem, vícestrojový, vícenásobnýGPU.
Publikum
Tento kurz je zaměřen na inženýry a architekty, kteří chtějí využít CNTK ve svých projektech.
Grafická Analýza pomocí Deep Learningu
21 hodinyCílová skupina
Tento kurz je určený pro výzkumníky a inženýry v oblasti hlubokého učení, kteří se zajímají o použití dostupných nástrojů (zejména open source) pro analýzu počítačových obrázků.
Tento kurz poskytuje praktické příklady.
Edge AI s TensorFlow Lite
14 hodinyTento instruktážní živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé vývojáře, datové vědce a odborníky na umělá rozumění, kteří chtějí využít TensorFlow Lite pro aplikace s hranicemi AI.
Po absolvování tohoto kurzu budou účastníci schopni:
- Porozumět základům TensorFlow Lite a jeho roli v hranicích AI.
- Vytvářet a optimalizovat AI modely pomocí TensorFlow Lite.
- Nasazovat modely TensorFlow Lite na různé zařízení s hranicemi.
- Používat nástroje a techniky pro převod a optimalizaci modelu.
- Implementovat praktické aplikace s hranicemi AI pomocí TensorFlow Lite.
Zrychlování hlubokého učení s využitím FPGA a OpenVINO
35 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí urychlit aplikace strojového učení v reálném čase a nasadit je ve velkém měřítku.
Na konci tohoto školení budou účastníci schopni:
- Nainstalujte sadu nástrojů OpenVINO.
- Urychlete aplikaci počítačového vidění pomocí FPGA.
- Proveďte různé vrstvy CNN na FPGA.
- Škálujte aplikaci napříč více uzly v clusteru Kubernetes.
Rozprosené hluboké učení s Horovodem
7 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře nebo datové vědce, kteří chtějí použít Horovod k provádění distribuovaných školení hlubokého učení a rozšířit je tak, aby probíhaly paralelně v několika GPU .
Na konci tohoto školení budou účastníci schopni:
- Nastavte potřebné vývojové prostředí, abyste mohli zahájit školení hlubokého učení.
- Nainstalujte a nakonfigurujte Horovod pro trénování modelů s TensorFlow, Keras, PyTorch a Apache MXNet.
- Škálujte trénink hlubokého učení pomocí Horovod tak, aby běžel na více GPUs.
Hluboké učení s Kerasem
21 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na technické osoby, které chtějí aplikovat model hlubokého učení na aplikace pro rozpoznávání obrázků.
Na konci tohoto školení budou účastníci schopni:
- Nainstalujte a nakonfigurujte Keras.
- Rychle vytvořte prototyp modelů hlubokého učení.
- Implementujte konvoluční síť.
- Implementujte rekurentní síť.
- Spusťte model hlubokého učení na CPU i GPU.
Úvod do Stable Diffusion pro generování obrázků z textu
21 hodinyToto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, inženýry strojového učení a výzkumníky počítačového vidění, kteří chtějí využít Stable Diffusion k vytvoření vysoce kvalitních obrázků pro různé případy použití.
Na konci tohoto školení budou účastníci schopni:
- Pochopte principy Stable Diffusion a jak to funguje pro generování obrázků.
- Vytvářejte a trénujte Stable Diffusion modely pro úlohy generování obrázků.
- Aplikujte Stable Diffusion na různé scénáře generování obrázků, jako je malování, překreslování a překlad z obrázku na obrázek.
- Optimalizujte výkon a stabilitu Stable Diffusion modelů.
Tensorflow Lite pro mikrokontroléry
21 hodinyToto vedení instruktorem živé školení v České republice (online nebo prezenčně) je určeno inženýrům, kteří chtějí psát, nahrávat a spouštět modely strojového učení na velmi malých vestavěných zařízeních.
Na konci tohoto školení budou účastníci schopni:
- Nainstalovat TensorFlow Lite.
- Nahrát modely strojového učení na vestavěné zařízení, aby bylo schopno rozpoznávat řeč, klasifikovat obrázky atd.
- Přidat umělou inteligenci do hardwarových zařízení bez závislosti na síťové připojení.
Deep Learning s TensorFlow
21 hodinyTensorFlow je druhá generace API Googleovy otevřené softwarové knihovny pro hluboké učení. Tento systém je navržen tak, aby usnadňoval výzkum strojového učení a umožňoval rychlou a snadnou přechodovou fázi od prototypu výzkumu k produkčnímu systému.
Cílová skupina
Tento kurz je určen inženýrům, kteří chtějí TensorFlow použít ve svých projektech hlubokého učení.
Po absolvování tohoto kurzu budou účastníci schopni:
- porozumět struktuře a mechanismům nasazení TensorFlow
- provádět úkoly týkající se instalace, produkčního prostředí, architektury a konfigurace
- hodnotit kvalitu kódu, provádět ladění a monitorování
- implementovat pokročilé produkční činnosti jako trénink modelů, vytváření grafů a záznamy
TensorFlow pro Rozpoznávání Obrazů
28 hodinyTento kurz zkoumá s konkrétními příklady použití Tensor Flow pro účely rozpoznávání obrazu
Cílová skupina
Tento kurz je určen inženýrům, kteří chtějí TensorFlow využít pro účely rozpoznávání obrazů.
Po absolvování tohoto kurzu budou delegates schopni:
- pochopit strukturu a mechanismy nasazení TensorFlow
- provádět úkoly související s instalací, produkčním prostředím, architekturou a konfigurací
- hodnotit kvalitu kódu, provádět ladění a monitorování
- implementovat pokročilé produkční úlohy jako je trénink modelů, vytváření grafů a logování
Zpracování přirozeného jazyka (NLP) s TensorFlow
35 hodinyTensorFlow™ je open source softwareová knihovna pro numerický výpočet pomocí grafů toku dat.
SyntaxNet je framework pro zpracování přirozeného jazyka (NLP) na bázi neuronových sítí pro TensorFlow.
Word2Vec se používá k učení vektorových reprezentací slov, kterým se říká „word embeddings“. Word2vec je obzvláště výpočetně efektivní prediktivní model pro učení word embeddings z nezpracovaného textu. Existují dvě verze: Continuous Bag-of-Words model (CBOW) a Skip-Gram model (kapitola 3.1 a 3.2 v Mikolov et al.).
Použitím SyntaxNet a Word2Vec mohou uživatelé generovat Learned Embedding modely z přirozeného jazyka.
Cílová skupina
Tento kurz je určený vývojářům a inženýrům, kteří plánují pracovat s modely SyntaxNet a Word2Vec ve svých grafách TensorFlow.
Po absolvování tohoto kurzu budou účastníci schopni:
- porozumět struktuře a mechanismům nasazení TensorFlow
- provádět úkoly týkající se instalace, produkčního prostředí, architektury a konfigurace
- posoudit kvalitu kódu, provádět ladění a monitorování
- implementovat pokročilé produkční úkoly jako trénování modelů, vložení termínů, stavby grafů a záznamy