TensorFlow Školení v České republice

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

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 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 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).

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 představením konceptuálních znalostí v oblasti neuronových sítí a obecně o algoritmech strojového učení, hlubokého učení (algoritmy a aplikace).

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

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

Třetí část (40 %) školení bude rozsáhle založena na TensorFlow - API Googleovy open-source knihovny pro hluboké učení. Příklady a praktické cvičení budou všechny vytvořeny pomocí TensorFlow.

Cílová skupina

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

Po absolvování tohoto kurzu se účastníci budou schopni:

• mít dobré porozumění hlubokým neuronovým sítím (DNN), CNN a RNN
• pochopit strukturu a mechanismy nasazení TensorFlowu
• být schopni provádět instalaci, konfiguraci a úkoly týkající se výrobního prostředí a architektury
• být schopni posuzovat kvalitu kódu, provádět ladění a monitorování
• být schopni implementovat pokročilé produkční úkoly jako trénování modelů, vytváření grafů a záznamy do logu