TensorFlow Počítačové Kurzy

Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to:

• Explore how data is being interpreted by machine learning models
• Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it
• Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals.
• Explore the properties of a specific embedding to understand the behavior of a model
• Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

TensorFlow is a 2nd Generation API of Google's open source software library for Deep Learning. The system is designed to facilitate research in machine learning, and to make it quick and easy to transition from research prototype to production system. Audience This course is intended for engineers seeking to use TensorFlow for their Deep Learning projects After completing this course, delegates will:

• understand TensorFlow’s structure and deployment mechanisms
• be able to carry out installation / production environment / architecture tasks and configuration
• be able to assess code quality, perform debugging, monitoring
• be able to implement advanced production like training models, building graphs and logging

This course explores, with specific examples, the application of Tensor Flow to the purposes of image recognition Audience This course is intended for engineers seeking to utilize TensorFlow for the purposes of Image Recognition After completing this course, delegates will be able to:

• understand TensorFlow’s structure and deployment mechanisms
• carry out installation / production environment / architecture tasks and configuration
• assess code quality, perform debugging, monitoring
• implement advanced production like training models, building graphs and logging

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

Audience This course is suitable for Deep Learning researchers and engineers interested in utilizing available tools (mostly open source) for analyzing computer images This course provide working examples.

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.

In this instructor-led, live training in České republice, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications. By the end of the training, participants will be able to:

• Train various types of neural networks on large amounts of data.
• Use TPUs to speed up the inference process by up to two orders of magnitude.
• Utilize TPUs to process intensive applications such as image search, cloud vision and photos.

In this instructor-led, live training in České republice (online or onsite), participants will learn how to configure and use TensorFlow Serving to deploy and manage ML models in a production environment. By the end of this training, participants will be able to:

• Train, export and serve various TensorFlow models.
• Test and deploy algorithms using a single architecture and set of APIs.
• Extend TensorFlow Serving to serve other types of models beyond TensorFlow models.

This course begins with giving you conceptual knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). Part-1(40%) of this training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc. Part-2(20%) of this training introduces Theano - a python library that makes writing deep learning models easy. Part-3(40%) of the training would be extensively based on Tensorflow - 2nd Generation API of Google's open source software library for Deep Learning. The examples and handson would all be made in TensorFlow. Audience This course is intended for engineers seeking to use TensorFlow for their Deep Learning projects After completing this course, delegates will:

• have a good understanding on deep neural networks(DNN), CNN and RNN
• understand TensorFlow’s structure and deployment mechanisms
• be able to carry out installation / production environment / architecture tasks and configuration
• be able to assess code quality, perform debugging, monitoring
• be able to implement advanced production like training models, building graphs and logging

In this instructor-led, live training in České republice, participants will learn to use Python libraries for NLP as they create an application that processes a set of pictures and generates captions.  By the end of this training, participants will be able to:

• Design and code DL for NLP using Python libraries.
• Create Python code that reads a substantially huge collection of pictures and generates keywords.
• Create Python Code that generates captions from the detected keywords.

This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. 

This instructor-led, live training in České republice (online or onsite) is aimed at developers and data scientists who wish to use Tensorflow 2.x to build predictors, classifiers, generative models, neural networks and so on. By the end of this training, participants will be able to:

• Install and configure TensorFlow 2.x.
• Understand the benefits of TensorFlow 2.x over previous versions.
• Build deep learning models.
• Implement an advanced image classifier.
• Deploy a deep learning model to the cloud, mobile and IoT devices.

TensorFlow.js je JavaScript rámec pro strojové učení. TensorFlow.js umožňuje uživatelům vytvářet a trénovat modely strojového učení přímo v JavaScript. Tento výcvik vedený instruktorem (online nebo on-site) je zaměřen na vědce údajů, kteří chtějí používat TensorFlow.js k identifikaci vzorů a vytváření předpovědí prostřednictvím modelů strojového učení. Po ukončení tohoto tréninku budou účastníci schopni:

Vytvořte a trénujte modely strojového učení s TensorFlow.js. Spustit modely strojového učení v prohlížeči nebo pod Node.js. Odstranit již existující modely strojového učení pomocí přizpůsobených dat.

Formát kurzu

Interaktivní přednáška a diskuse. Mnoho cvičení a praxe. Hands-on implementace v živém laboratoři prostředí.

Možnosti personalizace kurzu

Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.

TensorFlow je otevřenou knihovnou strojového učení. TensorFlow poskytuje uživatelům schopnost používat a vytvářet umělou inteligenci k detekci a předpovědi podvodů. Tento výcvik vedený instruktorem (online nebo on-site) je zaměřen na vědce údajů, kteří chtějí použít TensorFlow k analýze potenciálních podvodných údajů. Po ukončení tohoto tréninku budou účastníci schopni:

Vytvořte model detekce podvodů v Python a TensorFlow. Vytvořte lineární regrese a lineární regresní modely pro předpověď podvodu. Rozvíjet end-to-end AI aplikaci pro analýzu podvodních údajů.

Formát kurzu

Interaktivní přednáška a diskuse. Mnoho cvičení a praxe. Hands-on implementace v živém laboratoři prostředí.

Možnosti personalizace kurzu

Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.

TensorFlow Extended (TFX) je koncová platforma pro implementaci výrobních potrubí ML. Tento výcvik vedený instruktorem (online nebo on-site) je zaměřen na vědce údajů, kteří chtějí jít od výcviku jediného modelu ML k implementaci mnoha modelů ML k výrobě. Po ukončení tohoto tréninku budou účastníci schopni:

Instalace a konfigurace TFX a podpory nástrojů třetích stran. Použijte TFX k vytvoření a správě kompletního výrobního potrubí ML. Práce s komponentami TFX pro provádění modelování, výcviku, obsluhu závěrů a řízení deploymentů. Rozvíjejte funkce strojového učení na webové aplikace, mobilní aplikace, IoT zařízení a další.

Formát kurzu

Interaktivní přednáška a diskuse. Mnoho cvičení a praxe. Hands-on implementace v živém laboratoři prostředí.

Možnosti personalizace kurzu

Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.

Kubeflow Je to rámec pro spuštění Machine Learning pracovní zátěže na Kubernetes. TensorFlow je jednou z nejpopulárnějších knihoven strojového učení. Kubernetes je orchestrální platforma pro řízení kontejnerizovaných aplikací. OpenShift je platformou pro vývoj aplikací v cloudu, která používá kontejnery Docker, které jsou organizovány a řízeny Kubernetes, na základě společnosti Red Hat Enterprise Linux. Tento výcvik vedený instruktorem (online nebo on-site) je zaměřen na inženýry, kteří chtějí rozdělit Machine Learning pracovní zatížení do OpenShift on-premise nebo hybridního cloudu.

Po ukončení tohoto tréninku budou účastníci schopni: Vybírejte a nastavte Kubernetes a Kubeflow na Kubeflow klastru. Použijte OpenShift k zjednodušení práce iniciování Kubernetes klastru. Vytvořit a rozvíjet Kubernetes potrubí pro automatizaci a řízení modelů ML ve výrobě. Trénovat a rozvíjet TensorFlow ML modely přes více GPUs a stroje běžící v paralelě. Zavolejte veřejné cloudové služby (např. služby AWS) zevnitř OpenShift k rozšíření aplikace ML.

Formát kurzu

Interaktivní přednáška a diskuse. Mnoho cvičení a praxe. Hands-on implementace v živém laboratoři prostředí.

Možnosti personalizace kurzu

Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.