Deep Learning with TensorFlow 2 Počítačový Kurz

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

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

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.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

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.

Embedding Projector je webová aplikace s otevřeným zdrojovým kódem pro vizualizaci dat používaných k trénování systémů strojového učení. Vytvořeno společností Google, je součástí TensorFlow.

Toto živé školení vedené instruktorem představuje koncepty za Embedding Projector a provede účastníky nastavením demo projektu.

Na konci tohoto školení budou účastníci schopni:

Prozkoumejte, jak jsou data interpretována modely strojového učení Procházejte 3D a 2D pohledy na data, abyste pochopili, jak je interpretuje algoritmus strojového učení. Pochopte koncepty vkládání a jejich roli při reprezentaci matematických vektorů pro obrázky, slova a číslice. Prozkoumejte vlastnosti konkrétního vložení, abyste pochopili chování modelu Aplikujte Embedding Project na případy skutečného použití, jako je vytvoření systému doporučení skladeb pro milovníky hudby

Publikum

Vývojáři Data vědci

Formát kurzu

Část přednáška, část diskuse, cvičení a těžké praktické cvičení

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.

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

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.

Toto je 4denní kurz představující AI a její aplikaci. Po dokončení tohoto kurzu je možné mít další den na provedení projektu AI.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí používat TensorFlow.js k identifikaci vzorců a generování předpovědí prostřednictvím modelů strojového učení.

Na konci tohoto školení budou účastníci schopni:

• Vytvářejte a trénujte modely strojového učení pomocí TensorFlow.js.
• Spusťte stávající modely strojového učení v prohlížeči nebo pod Node.js.
• Přeškolte již existující strojové učení pomocí vlastních dat.

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:

• Vytvořte model detekce podvodů v Pythonu a TensorFlow.
• Vytvářejte lineární regrese a lineární regresní modely pro předpovídání podvodů.
• Vyviňte komplexní aplikaci AI pro analýzu dat o podvodech.

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.

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na inženýry, kteří chtějí nasadit úlohy strojového učení do OpenShift on-premise nebo hybridního cloudu.

• Na konci tohoto školení budou účastníci schopni:
• Nainstalujte a nakonfigurujte Kubernetes a Kubeflow na clusteru OpenShift.
• Použijte OpenShift ke zjednodušení práce s inicializací clusteru Kubernetes.
• Vytvořte a nasaďte kanál Kubernetes pro automatizaci a správu modelů ML v produkci.
• Trénujte a nasazujte TensorFlow modely ML na více GPU a paralelně běžících počítačích.
• Zavolejte veřejné cloudové služby (např. služby AWS) z OpenShift a rozšiřte aplikaci ML