Online Deep Learning Training in České republice

Tento 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.

Tento instruktorův kurz (na místě nebo online) je určen pokročilým profesionálům, kteří chtějí prohlубit své znalosti v oblasti počítačového zpracování obrazu azkoumat schopnosti TensorFlow pro rozvoj pokročilých vizuálních modelů pomocí Google Colab.

Po absolvování tohoto kurzu budou účastníci moci:

• Sestavovat a školení konvolučních neuronových sítí (CNNs) pomocí TensorFlow.
• Využívat Google Colab pro škálovatelný a efektivní vývoj modelů na základě cloudových technologií.
• Implementovat techniky předzpracování obrazu pro úlohy počítačového zpracování obrazu.
• Nasazovat modely počítačového zpracování obrazu do skutečných aplikací.
• Používat přenosné učení k posílení výkonu CNN modelů.
• Visualizovat a interpretovat výsledky modelů třídění obrazů.

Tento instruktorově prováděný živý výcvik (na místě nebo online) je určen pro středně pokročilé datové vědce a programátory, kteří chtějí porozumět a aplikovat hlubokou školení pomocí prostředí Google Colab.

Koncepci tohoto výcviku budou účastníci schopni:

• nastavit a orientovat se v Google Colab pro projekty s hlubokým učením.
• porozumět základům neuronových sítí.
• implementovat modely hlubokého školení pomocí TensorFlow.
• trénovat a hodnocení modelů s hlubokým učením.
• využívání pokročilých funkcí TensorFlow pro hluboké učení.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na pokročilé profesionály, kteří se chtějí specializovat na špičkové techniky hlubokého učení pro NLU.

Na konci tohoto školení budou účastníci schopni:

• Pochopte klíčové rozdíly mezi modely NLU a NLP.
• Aplikujte pokročilé techniky hlubokého učení na úkoly NLU.
• Prozkoumejte hluboké architektury, jako jsou transformátory a mechanismy pozornosti.
• Využijte budoucí trendy v NLU pro vytváření sofistikovaných systémů umělé inteligence.

Toto 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

Tento instruktážní, živý kurz v České republice (online nebo na místě) je určen pro pokročilé odborníky, kteří chtějí využít techniky umělé inteligence ke revoluci procesů objevování a vyvíjení léků.

Po ukončení tohoto kurzu budou účastníci schopni:

• Porozumět roli umělé inteligence v objevování a vyvíjení léků.
• Používat techniky strojového učení k predikci molekulárních vlastností a interakcí.
• Využívat modely hlubokého učení pro virtuální screening a optimalizaci vedoucích látek.
• Integrace AI-založených přístupů do procesu klinických zkoušek.

Toto 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.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé datové vědce a inženýry strojového učení, kteří chtějí zlepšit výkon svých modelů hlubokého učení.

Na konci tohoto školení budou účastníci schopni:

• Pochopit principy distribuovaného hlubokého učení.
• Nainstalujte a nakonfigurujte DeepSpeed.
• Škálujte modely hlubokého učení na distribuovaném hardwaru pomocí DeepSpeed.
• Implementujte a experimentujte s funkcemi DeepSpeed pro optimalizaci a efektivitu paměti.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé vývojáře, kteří chtějí používat velké jazykové modely pro různé úkoly v přirozeném jazyce.

Na konci tohoto školení budou účastníci schopni:

• Nastavte vývojové prostředí, které zahrnuje populární LLM.
• Vytvořte základní LLM a dolaďte jej na vlastní datové sadě.
• Používejte LLM pro různé úkoly v přirozeném jazyce, jako je sumarizace textu, odpovídání na otázky, generování textu a další.
• Ladění a vyhodnocování LLM pomocí nástrojů jako TensorBoard, PyTorch Lightning a Hugging Face Datasets.

Toto 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.

V tomto instruktorem vedeném živém školení na České republice se účastníci naučí nejrelevantnější a nejoblíbenější strojové učení v Pythonu, zatímco budou budovat řadu ukázkových aplikací obsahujících obrázky, hudbu, text a finanční data.

Konec tohoto školení se účastníci budou schopni:

• Implementovat algoritmy a techniky strojového učení pro řešení složitých problémů.
• Používat hluboké učení a poloznačované učení v aplikacích zahrnujících obrázky, hudbu, text a finanční data.
• Vyčerpat potenciál Pythonových algoritmů do plna.
• Používat knihovny a balíčky jako NumPy a Theano.

V tomto živém školení vedeném instruktorem v České republice se účastníci naučí, jak implementovat modely hlubokého učení pro telekomunikace pomocí Python, když projdou vytvořením modelu kreditního rizika hlubokého učení.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základní koncepty hlubokého učení.
• Naučte se aplikace a použití hlubokého učení v telekomunikacích.
• Pomocí Python, Keras a TensorFlow vytvořte modely hlubokého učení pro telekomunikace.
• Vytvořte si vlastní model předpovědi odchodu zákazníků s hlubokým učením pomocí Python.

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.

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 vedený instruktorem živý kurz (online nebo na místě) je určen začátečníkům, kteří chtějí naučit se základní pojmy pravděpodobnosti, statistiky, programování a strojového učení a uplatnit je v rozvoji umělé inteligence.

Koncepci tohoto kurzu budou účastníci schopni:

• Pochopit základní pojmy pravděpodobnosti a statistiky a uplatnit je v reálných scénářích.
• Napsat a porozumět programovacímu kódu procedurálního, funkcionálního a objektově-orientovaného charakteru.
• Implementovat techniky strojového učení jako je klasifikace, shlukování a neuronové sítě.
• Vytvářet řešení AI pomocí pravidelných motorů a expertních systémů pro řešení problémů.

Umělá neuronová síť je výpočetní datový model používaný při vývoji Artificial Intelligence (AI) systémů schopných vykonávat „inteligentní“ úkoly. Neural Networks se běžně používají v aplikacích Machine Learning (ML), které jsou samy jednou implementací AI. Deep Learning je podmnožinou ML.

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

Tento instruktážní živý školení v České republice (online nebo na místě) je určen pro středně pokročilé datové vědce a statistiky, kteří chtějí efektivně připravovat data, stavět modely a aplikovat techniky strojového učení ve svých profesních oblastech.

Konci tohoto školení budou účastníci schopni:

• Pochopení a implementace různých Machine Learning algoritmů.
• Příprava dat a modelů pro aplikace strojového učení.
• Provádění po-hoc analýz a efektivní vizualizace výsledků.
• Aplikovat techniky strojového učení na skutečné, odvětví-specifické scénáře.

Umělá neuronová síť je výpočetní datový model používaný při vývoji systémů umělé inteligence (AI) schopných provádět „inteligentní“ úkoly. Neural Networks se běžně používají v aplikacích strojového učení (ML), které jsou samy jednou implementací umělé inteligence. Hluboké učení je podmnožinou ML.

Caffe 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

Toto 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.

Computer 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.

Tento instruktorováné živé školení v České republice (online nebo na místě) poskytuje úvod do oblasti rozpoznávání vzorů a strojového učení. Dotýká se praktických aplikací ve statistice, informatice, zpracování signálů, počítačové vize, datovém miningu a bioinformatice.

Koncepci školení budou účastníci schopni:

• Použít klíčové statistické metody k rozpoznávání vzorů.
• Využít klíčové modely jako jsou neuronové sítě a jádrové metody pro analýzu dat.
• Implementovat pokročilé techniky pro řešení komplexních problémů.
• Zlepšit přesnost predikce kombinací různých modelů.

Tento kurz je obecným přehledem pro Deep Learning, aniž by zacházel příliš hluboko do nějakých konkrétních metod. Je vhodný pro lidi, kteří chtějí začít používat Deep learning ke zvýšení přesnosti předpovědí.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na výzkumníky a vývojáře, kteří chtějí nainstalovat, nastavit, přizpůsobit a používat platformu DeepMind Lab k vývoji obecné umělé inteligence a systémů strojového učení.

Na konci tohoto školení budou účastníci schopni:

• Přizpůsobte DeepMind Lab a vytvořte a provozujte prostředí, které vyhovuje potřebám učení a školení.
• Použijte 3D simulační prostředí DeepMind Lab k výcviku učebních agentů z pohledu první osoby.
• Usnadněte hodnocení agentů za účelem rozvoje inteligence ve světě podobném 3D hře.

Strojové učení je odvětví umělé inteligence, kde počítače mají schopnost učit se, aniž by byly explicitně naprogramovány. Hluboké učení je podpolí strojového učení, které využívá metody založené na učení reprezentací dat a struktur, jako jsou neuronové sítě.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na obchodní analytiky, datové vědce a vývojáře, kteří chtějí budovat a implementovat modely hlubokého učení s cílem urychlit růst příjmů a vyřešit problémy v obchodním světě.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základní koncepty strojového učení a hlubokého učení.
• Získejte přehled o budoucnosti podnikání a průmyslu s ML a DL.
• Definujte obchodní strategie a řešení pomocí hlubokého učení.
• Naučte se, jak aplikovat datovou vědu a hluboké učení při řešení obchodních problémů.
• Vytvářejte modely hlubokého učení pomocí Python, Pandas, TensorFlow, CNTK, Torch, Keras atd.

Strojové učení je odvětví umělé inteligence, kde počítače mají schopnost učit se, aniž by byly explicitně naprogramovány. Hluboké učení je podpolí strojového učení, které využívá metody založené na učení reprezentací dat a struktur, jako jsou neuronové sítě. Python je programovací jazyk na vysoké úrovni známý svou jasnou syntaxí a čitelností kódu.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak implementovat modely hlubokého učení pro bankovnictví pomocí Python, když projdou vytvořením modelu úvěrového rizika hlubokého učení.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základní koncepty hlubokého učení
• Naučte se aplikace a využití hlubokého učení v bankovnictví
• Pomocí Python, Keras a TensorFlow vytvořte modely hlubokého učení pro bankovnictví
• Vytvořte si vlastní model kreditního rizika pro hluboké učení pomocí Python

Publikum

• Vývojáři
• Datoví vědci

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

V tomto vedeném školení vedoucího, účastníci se naučí používat Python knihovny pro NLP, zatímco budou vytvářet aplikaci, která zpracovává sadu obrázků a generuje popisky.

Na konci tohoto školení budou účastníci schopni:

• Návrh a kódování DL pro NLP pomocí Python knihoven.
• Vytvoření Python kódu, který čte velkou sbírku obrázků a generuje klíčová slova.
• Vytvoření Python kódu, který generuje popisky ze zjištěných klíčových slov.

Cílová 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.

Toto 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.

Toto instruktorem vedené tréninkové kurzy v České republice (online nebo na místě) je určeno datovým vedcům, kteří chtějí TensorFlow použít pro analýzu potenciálních dat o podvodech.

Na konci tohoto tréninku budou účastníci schopni:

• Vytvořit model detekce podvodů v Pythonu a TensorFlow.
• Sestavit lineární regrese a lineární regresní modely pro předpověď podvodů.
• Vyvinout aplikaci AI od A do Z pro analýzu dat o podvodech.

Toto 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.

Toto 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.

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

Tento instruktor-vedený živý kurz v České republice (online nebo na místě) je určený začínajícím až středně pokročilým profesionálům, kteří chtějí rozšířit své znalosti o algoritmech strojového učení, technikách hlubokého učení a rozhodování řízeném umělou inteligencí. Kurz poskytuje praktické zkušenosti s koncepty strojového učení, modely hlubokého učení a praktickými implementacemi pomocí R.

Po ukončení tohoto školení budou účastníci schopni:

• Porozumět základům strojového učení a hlubokého učení.
• Používat různé algoritmy strojového učení pro regresi, klasifikaci, shlukování a detekci odchylek.
• Používat architektury hlubokého učení jako jsou umělé neuronové sítě (ANNs).
• Implementovat nadzorovaná i nezpracovávaná učení.
• Hodnotit výkonnost modelů a optimalizovat hyperparametry.
• Používat R pro analýzu dat, vizualizaci a aplikace strojového učení.

Toto školení je určeno pro lidi, kteří chtějí seznámit se základy neuronových sítí a jejich aplikacemi.

Toto školení ve třídě bude obsahovat prezentace a počítačové příklady a cvičení případových studií, které lze provést s relevantními neuronovými a hlubokými síťovými knihovnami.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na softwarové inženýry, kteří chtějí programovat v Python s OpenCV 4 pro hluboké učení.

Na konci tohoto školení budou účastníci schopni:

• Zobrazte, načtěte a klasifikujte obrázky a videa pomocí OpenCV 4.
• Implementujte hluboké učení v OpenCV 4 pomocí TensorFlow a Keras.
• Spouštějte modely hlubokého učení a generujte působivé zprávy z obrázků a videí.

OpenFace je Python a Torch otevřený software pro rozpoznávání obličeje v reálném čase založený na výzkumu FaceNet společnosti Google.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat komponenty OpenFace k vytvoření a nasazení ukázkové aplikace pro rozpoznávání obličeje.

Na konci tohoto školení budou účastníci schopni:

• Pracujte s komponentami OpenFace, včetně dlib, OpenVC, Torch a nn4, abyste mohli implementovat detekci, zarovnání a transformaci obličeje
• Použijte OpenFace na aplikace v reálném světě, jako je sledování, ověřování identity, virtuální realita, hraní her a identifikace opakovaných zákazníků atd.

Publikum

• Vývojáři
• Datoví vědci

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

V tomto živém školení vedeném instruktorem se účastníci naučí pokročilé techniky pro Machine Learning s R, když projdou vytvářením aplikace v reálném světě.

Na konci tohoto školení budou účastníci schopni:

• Pochopte a implementujte techniky učení bez dozoru
• Aplikujte shlukování a klasifikaci k vytváření předpovědí založených na datech z reálného světa.
• Vizualizujte data, abyste mohli rychle získat přehled, rozhodovat se a dále zdokonalovat analýzu.
• Zlepšete výkon modelu strojového učení pomocí ladění hyperparametrů.
• Uvedení modelu do výroby pro použití ve větší aplikaci.
• Použijte pokročilé techniky strojového učení k zodpovězení otázek týkajících se dat sociálních sítí, velkých dat a dalších.

Tento kurz je úvod do používání neuronových sítí v reálných problémech pomocí softwaru R-project.

Toto vedené školení (online nebo na místě) je určeno pro vývojáře a analytiky dat, kteří se chtějí učit používat TensorFlow 2.x k vytváření prediktorů, klasifikátorů, generativních modelů, neuronových sítí atd.

Po absolvování tohoto školení budou účastníci schopni:

• Instalovat a konfigurovat TensorFlow 2.x.
• Pochopit výhody TensorFlow 2.x oproti předchozím verzím.
• Vytvářet modely hlubokého učení.
• Implementovat pokročilý klasifikátor obrazů.
• Nasazovat modely hlubokého učení do cloudu, mobilních zařízení a systémů IoT (Internet věcí).

Toto 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.

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

Na konci tohoto školení budou účastníci schopni:

• Natrénovat, exportovat a poskytovat různé TensorFlow modely.
• Testovat a nasazovat algoritmy pomocí jedné architektury a sady API.
• Rozšířit TensorFlow Serving pro poskytování jiných typů modelů než TensorFlow modely.

TensorFlow 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

Tento 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

Toto školení vedené instruktorem (online nebo na místě) je zaměřeno na data scientists, kteří chtějí pokročit od trénování jednoho ML modelu k nasazení mnoha ML modelů do produkce.

Koncepcí tohoto školení je, že účastníci budou schopni:

• Nainstalovat a nakonfigurovat TFX a podporující třetí strany.
• Používat TFX k vytváření a správě kompletní produkční ML potrubí.
• Pracovat s komponentami TFX pro modelování, trénování, poskytování úsudků (inference) a správu nasazení.
• Nasazovat funkce strojového učení do webových aplikací, mobilních aplikací, IoT zařízení a dalších.

V tomto vedeném instruktorem živém tréninku v České republice se účastníci naučí, jak si využít inovace v procesorech TPU pro maximalizaci výkonu svých vlastních aplikací umělé inteligence.

Do konce tréninku budou účastníci schopni:

• Trénovat různé typy neuronových sítí na větším množství dat.
• Používat TPU pro zrychlení procesu inferencí až o dva řády.
• Využívat TPU pro zpracování náročných aplikací jako je hledání obrázků, cloudové vidění a fotografie.

TensorFlow™ 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

Tento kurz začíná konceptuálními znalostmi v oblasti neuronových sítí a obecně algoritmů strojového učení, hlubokého učení (algoritmy a aplikace).

První část kurzu (40%) se soustředí na základy, ale pomůže vám vybrat správnou technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras atd.

Druhá část kurzu (20%) představuje Theano - knihovnu Pythonu, která usnadňuje psaní modelů hlubokého učení.

Třetí část kurzu (40%) bude značně založena na TensorFlow - druhé generaci API Google's open source software knihovny pro hluboké učení. Všechny příklady a praktické cvičení budou vytvořeny pomocí TensorFlow.

Účastníci

Tento kurz je určen inženýrům, kteří chtějí použít TensorFlow ve svých projektech hlubokého učení.

Po absolvování tohoto kurzu budou účastníci schopni:

• mít dobrou znalost hlubokých neuronových sítí (DNN), CNN a RNN

• porozumět struktuře TensorFlowu a mechanismům nasazení

• provádět úkoly instalace / produkčního prostředí / architektury a konfigurace

• hodnotit kvalitu kódu, provádět ladění, monitorování

• používat pokročilé produkční úkoly jako trénování modelů, sestavování grafů a protokolování