Курс за обучение по Разширено машинно обучение с Python

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 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

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.

Публика

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.

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 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

Този 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

TensorFlow™ 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