Курс за обучение по DeepMind Lab
DeepMind Lab е изследователска платформа за изкуствен интелект (AI), базирана на агенти, която използва среда за симулация, подобна на 3D игра, за да обучава агенти за обучение, да изпълнява алгоритми за обучение с подсилване и да разработва системи за машинно обучение (ML).
Това водено от инструктор обучение на живо (онлайн или на място) е насочено към изследователи и разработчици, които желаят да инсталират, настроят, персонализират и използват платформата DeepMind Lab за разработване на общ изкуствен интелект и системи за машинно обучение.
До края на това обучение участниците ще могат:
- Персонализирайте DeepMind Lab, за да изградите и управлявате среда, която отговаря на нуждите от обучение и обучение.
- Използвайте 3D симулационната среда на DeepMind Lab, за да обучите обучаващи агенти в гледна точка от първо лице.
- Улеснете оценката на агента, за да развиете интелигентност в свят, подобен на 3D игра.
Формат на курса
- Интерактивна лекция и дискусия.
- Много упражнения и практика.
- Практическо внедряване в лабораторна среда на живо.
Опции за персонализиране на курса
- За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.
План на курса
Въведение
Преглед на DeepMind Lab функции и архитектура
Разбиране на навигацията, паметта и изследването в DeepMind Lab
Изграждане и бягане DeepMind Lab
Персонализиране DeepMind Lab
Използване на програмния интерфейс за създаване на ниво
Проучване на Python зависимости
Първи стъпки на Linux
Използване на 3D симулационна среда
Изучаване на наблюдения и действия
Използване на контроли за въвеждане от човека
Внедряване и обучение на обучаващ агент
Работа с източници нагоре по веригата
Работа с външни зависимости, предпоставки и бележки за пренасяне
Проучване на DeepMind Lab Въздействие и пробиви в реалния свят
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Опит с Python или други езици за програмиране
- Познаване на концепциите за изкуствен интелект и машинно обучение
Публика
- Изследователи
- Разработчици
Отворените курсове за обучение изискват 5+ участници.
Курс за обучение по DeepMind Lab - Booking
Курс за обучение по DeepMind Lab - Enquiry
DeepMind Lab - Консултантско запитване
Консултантско запитване
Oтзиви от потребители (2)
Организация, следвайки предложения ред, обширните знания на треньора по тази тема
Ali Kattan - TWPI
Курс - Natural Language Processing with TensorFlow
Машинен превод
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Курс - TensorFlow for Image Recognition
Машинен превод
Предстоящи Курсове
Свързани Kурсове
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни на средно до напреднало ниво, инженери по машинно обучение, изследователи в дълбокото обучение и експерти по компютърно зрение, които желаят да разширят знанията и уменията си в дълбокото обучение за генериране на текст към изображение.
До края на това обучение участниците ще могат:
- Разберете усъвършенствани архитектури за дълбоко обучение и техники за генериране на текст към изображение.
- Внедрете сложни модели и оптимизации за висококачествен синтез на изображения.
- Оптимизирайте производителността и скалируемостта за големи масиви от данни и сложни модели.
- Настройте хиперпараметрите за по-добра производителност и обобщение на модела.
- Интегрирайте Stable Diffusion с други рамки и инструменти за дълбоко обучение
AlphaFold
7 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към биолози, които искат да разберат как AlphaFold работи и да използват AlphaFold модели като ръководства в своите експериментални изследвания.
До края на това обучение участниците ще могат:
- Разберете основните принципи на AlphaFold.
- Научете как работи AlphaFold.
- Научете как да интерпретирате AlphaFold прогнози и резултати.
Deep Learning for Vision with Caffe
21 ЧасаCaffe е рамка за дълбоко обучение, създадена с мисъл за изразяване, скорост и модулност.
Този курс изследва приложението на Caffe като рамка за задълбочено обучение за разпознаване на изображения, използвайки MNIST като пример
Публика
Този курс е подходящ за Deep Learning изследователи и инженери, които се интересуват от използването на Caffe като рамка.
След завършване на този курс делегатите ще могат да:
- разбиране на структурата и механизмите за внедряване на Caffe изпълнява задачи по инсталация/производствена среда/архитектура и конфигурация оценява качеството на кода, извършва отстраняване на грешки, мониторинг прилага разширено производство като модели за обучение, прилагане на слоеве и регистриране
Deep Learning Neural Networks with Chainer
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към изследователи и разработчици, които желаят да използват Chainer за изграждане и обучение на невронни мрежи в Python, като същевременно правят кода лесен за отстраняване на грешки.
До края на това обучение участниците ще могат:
- Настройте необходимата среда за разработка, за да започнете да разработвате модели на невронни мрежи.
- Дефинирайте и внедрявайте модели на невронни мрежи, като използвате разбираем изходен код.
- Изпълнявайте примери и модифицирайте съществуващите алгоритми, за да оптимизирате моделите за обучение на задълбочено обучение, като същевременно използвате GPU за висока производителност.
Using Computer Network ToolKit (CNTK)
28 ЧасаComputer Network ToolKit (CNTK) е Microsoft с отворен код, мулти-машина, много-GPU, високоефективна RNN обучителна рамка за машинно обучение за реч, текст и изображения.
Публика
Този курс е насочен към инженери и архитекти, които имат за цел да използват CNTK в своите проекти.
Deep Learning for Vision
21 ЧасаПублика
Този курс е подходящ за Deep Learning изследователи и инженери, които се интересуват от използването на налични инструменти (предимно с отворен код) за анализиране на компютърни изображения
Този курс предоставя работещи примери.
Edge AI with TensorFlow Lite
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици на средно ниво, специалисти по данни и AI практици, които желаят да използват TensorFlow Lite за Edge AI приложения.
До края на това обучение участниците ще могат:
- Разберете основите на TensorFlow Lite и ролята му в Edge AI.
- Разработвайте и оптимизирайте AI модели с помощта на TensorFlow Lite.
- Разположете TensorFlow Lite модели на различни крайни устройства.
- Използвайте инструменти и техники за преобразуване и оптимизиране на модела.
- Внедрете практически Edge AI приложения с помощта на TensorFlow Lite.
Accelerating Deep Learning with FPGA and OpenVINO
35 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, които желаят да ускорят приложенията за машинно обучение в реално време и да ги внедрят в мащаб.
До края на това обучение участниците ще могат:
- Инсталирайте OpenVINO инструментариума.
- Ускорете приложение за компютърно зрение с помощта на FPGA.
- Изпълнете различни CNN слоеве на FPGA.
- Мащабирайте приложението в множество възли в Kubernetes клъстер.
Distributed Deep Learning with Horovod
7 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици или специалисти по данни, които желаят да използват Horovod за провеждане на разпределени обучения за задълбочено обучение и да го мащабират, за да работят в множество GPU паралелно .
До края на това обучение участниците ще могат:
- Настройте необходимата среда за разработка, за да започнете да провеждате обучения за дълбоко обучение.
- Инсталирайте и конфигурирайте Horovod за обучение на модели с TensorFlow, Keras, PyTorch и Apache MXNet.
- Мащабирайте обучението за дълбоко обучение с Horovod, за да работите на множество GPU.
Deep Learning with Keras
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към технически лица, които желаят да приложат модел на дълбоко обучение към приложения за разпознаване на изображения.
До края на това обучение участниците ще могат:
- Инсталирайте и конфигурирайте Keras.
- Бързо прототипирайте модели за дълбоко обучение.
- Реализирайте конволюционна мрежа.
- Внедряване на повтаряща се мрежа.
- Изпълнете модел на задълбочено обучение както на CPU, така и на GPU.
Introduction to Stable Diffusion for Text-to-Image Generation
21 ЧасаТова водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни, инженери по машинно обучение и изследователи на компютърно зрение, които желаят да използват Stable Diffusion за генериране на висококачествени изображения за различни случаи на употреба.
До края на това обучение участниците ще могат:
- Разберете принципите на Stable Diffusion и как работи за генериране на изображения.
- Изградете и обучете Stable Diffusion модели за задачи за генериране на изображения.
- Приложете Stable Diffusion към различни сценарии за генериране на изображения, като вписване, изрисуване и превод от изображение към изображение.
- Оптимизирайте производителността и стабилността на Stable Diffusion модели.
Tensorflow Lite for Microcontrollers
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към инженери, които желаят да пишат, зареждат и изпълняват модели за машинно обучение на много малки вградени устройства.
До края на това обучение участниците ще могат:
- Инсталирайте TensorFlow Lite.
- Заредете модели за машинно обучение на вградено устройство, за да му позволите да открива реч, да класифицира изображения и т.н.
- Добавете AI към хардуерни устройства, без да разчитате на мрежова свързаност.
Deep Learning with TensorFlow
21 ЧасаTensorFlow е API от 2-ро поколение на софтуерната библиотека с отворен код Google за дълбоко обучение. Системата е предназначена да улесни изследванията в машинното обучение и да направи бърз и лесен преходът от изследователски прототип към производствена система.
Публика
Този курс е предназначен за инженери, които искат да използват TensorFlow за своите проекти за задълбочено обучение
След завършване на този курс делегатите ще:
- разбират структурата и механизмите за внедряване на TensorFlow да могат да изпълняват задачи и конфигуриране на инсталация/производствена среда/архитектура да могат да оценяват качеството на кода, да извършват отстраняване на грешки, мониторинг да могат да прилагат разширено производство като модели за обучение, изграждане на графики и регистриране
TensorFlow for Image Recognition
28 ЧасаТози курс изследва, с конкретни примери, приложението на Tensor Flow за целите на разпознаването на изображения
Публика
Този курс е предназначен за инженери, които искат да използват TensorFlow за целите на разпознаването на изображения
След завършване на този курс делегатите ще могат да:
- разбиране на структурата и механизмите за внедряване на TensorFlow изпълнява задачи по инсталация/производствена среда/архитектура и конфигурация оценява качеството на кода, извършва отстраняване на грешки, мониторинг прилага разширено производство като модели за обучение, изграждане на графики и регистриране
Natural Language Processing (NLP) with TensorFlow
35 ЧасаTensorFlow™ е софтуерна библиотека с отворен код за цифрови изчисления, използвайки графики за потока на данни.
SyntaxNet е рамка за обработка на естествени езици с невронна мрежа за TensorFlow.
Word2Vec се използва за изучаване на векторни представи на думи, наречени "word embeddings". Word2vec е специално изчислително-ефективна предсказуема модел за изучаване на въвеждането на думи от суров текст. Той идва в два вкуса, моделът Continuous Bag-of-Words (CBOW) и моделът Skip-Gram (глави 3.1 и 3.2 в Mikolov et al.)
Използвани в тандем, SyntaxNet и Word2Vec позволяват на потребителите да генерират модели за учене от естествения език.
публиката
Този курс е насочен към разработчици и инженери, които възнамеряват да работят с SyntaxNet и Word2Vec модели в техните TensorFlow графики.
След завършване на този курс делегатите ще:
- Разбиране на структурата и механизмите за разпространение на TensorFlow’
- да може да изпълнява монтаж / производствена среда / архитектурни задачи и конфигурация
- да могат да оценяват качеството на кода, да извършват дебютиране, мониторинг
- да могат да прилагат напреднали производствени модели като модели за обучение, термини за вграждане, графика за строителство и записване