Курс за обучение по Matlab за дълбоко обучение

Това 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

Това 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.

Caffe е рамка за дълбоко обучение, създадена с удобство за изразяване, скорост и модулност на предвид.

Този курс разглежда приложението на Caffe като рамка за дълбоко обучение за разпознаване на изображения, използвайки MNIST като пример.

Целева аудитория

Този курс е подходящ за изследователи и инженери в областта на дълбокото обучение, които са заинтересовани в използването на Caffe като рамка.

След завършване на този курс, участниците ще могат да:

• разбират структурата и механизмите за развертяване на Caffe
• извършват задачи по инсталация/производствена среда/архитектура и конфигуриране
• оценяват качеството на кода, извършват отстраняване на грешки и мониторинг
• имплементират напреднали производствени задачи като обучение на модели, имплементация на слоеве и регистриране

Това 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.

Computer 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.

Целева група

Този курс е подходящ за изследователи и инженери в областта на Дипълърнинг, които искат да използват наличните инструменти (предимно с отворен код) за анализ на компютърни изображения.

Курсът предоставя рабощи пример.

Този курс с инструктор, проведен на живо (онлайн или на място), е предназначен за разработчици с средно ниво знания, данъчни научници и практици на изкуствен интелект, които искат да използват TensorFlow Lite за приложения на Edge AI.

Към края на този курс участниците ще могат да:

• Разберат основните принципи на TensorFlow Lite и неговата роля в Edge AI.
• Развиват и оптимизират модели на изкуствен интелект с TensorFlow Lite.
• Разгръщат модели на TensorFlow Lite на различни уреди на края.
• Използват инструменти и техники за преобразуване и оптимизиране на модели.
• Реализират практични приложения на Edge AI с TensorFlow Lite.

Това 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.

Това 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.

Това 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.

Това 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.

Това 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.

TensorFlow е API на втора генерация на Google’s отворен код софтуерна библиотека за Дълбоко Обучение. Системата е проектирана за облекчаване на изследванията в областта на машинното обучение и за бързо и лесно преминаване от прототип на изследване към продуктивна система.

Целева аудитория

Този курс е предназначен за инженери, които искат да използват TensorFlow за своите проекти по Дълбоко Обучение.

След завършване на този курс, участниците ще могат:

• да разберат структурата и механизмите за развертане на TensorFlow
• да извършват задачи за инсталиране, конфигуриране на производствена среда и архитектура
• да оценяват качеството на кода, да извършват отстраняване на грешки и мониторинг
• да имплементират напреднали продуктивни задачи като обучение на модели, изграждане на графики и записване

Този курс разглежда, с конкретни примерни приложения, на TensorFlow за целите на разпознаване на изображения

Целева аудитория

Този курс е предназначен за инженери, които искат да използват TensorFlow за целите на разпознаване на изображения

След завършване на този курс, участниците ще могат да:

• разбират структурата и механизмите за развертане на TensorFlow
• извършват задачи за инсталация/продукционна среда/архитектура и конфигурация
• оценяват качеството на кода, извършват отстраняване на грешки и мониторинг
• реализират напреднати продуктивни задачи като обучение на модели, изграждане на графи и записване на логове

TensorFlow™ е отворена библиотека с отворен код за числени изчисления, използвайки графи на поток на данни.

SyntaxNet е рамка за обработка на естествен език (NLP) с невромрежи, базирана на TensorFlow.

Word2Vec се използва за обучение на векторни представяния на думи, наречени „вмъкнати думи“. Word2vec е особено ефикасен предиктивен модел за обучение на вмъкнати думи от суров текст. Има две версии, модела на непрекъснати торби с думи (CBOW) и модела на пропускане на грама (глави 3.1 и 3.2 в Mikolov et al.).

При използване заедно, SyntaxNet и Word2Vec позволяват на потребителите да създават модели с обучени вмъквания от естествен език.

Целова публика

Този курс е направен за разработчици и инженери, които планират да работят с моделите на SyntaxNet и Word2Vec в графите си на TensorFlow.

След завършване на този курс, участниците ще:

• разбират структурата и механизмите за развертяване на TensorFlow
• могат да извършват задачи за инсталиране/продукционна среда/архитектура и конфигуриране
• могат да оценяват качеството на кода, да извършват отстраняване на грешки и мониторинг
• могат да реализират напреднати продукционни дейности като обучение на модели, вмъкване на термини, построяване на графи и логване