Курс за обучение по Advanced Machine Learning with R

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.

Това е 4-дневен курс, представящ AI и неговото приложение. Има опция да имате допълнителен ден за предприемане на AI проект след завършване на този курс.

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.

Този обучаван от инструктор, жив тренинг в България (онлайн или на място), е насочен към продвинатите професионалисти, които желаят да усъвършенстват разбирането си за компютърното зрение и да изследват възможностите на TensorFlow за създаване на сложни модели за зрение, използвайки Google Colab.

По края на този тренинг, участниците ще могат да:

• Създават и обучават конволюционни невронни мрежи (CNN) с TensorFlow.
• Използват Google Colab за масштабируемо и ефективно развитие на модели в облака.
• Прилагат техники за предварителна обработка на снимки за задачи на компютърното зрение.
• Разпространяват модели за компютърно зрение за реални приложения.
• Използват преносимо обучение, за да подобрят ефективността на моделите CNN.
• Визуализират и тълкуват резултатите от модели за класификация на снимки.

Това инструкторско, живо обучение в България (онлайн или на място) е направено за данни научници и разработчици на средно ниво, които искат да разберат и приложат техники за дълбоко учене, използвайки средата Google Colab.

До края на това обучение участниците ще могат да:

• Настройте и навигайте Google Colab за проекти за дълбоко учене.
• Разберете основните принципи на невромрежите.
• Реализирайте модели за дълбоко учене с TensorFlow.
• Обучавайте и оценявайте модели за дълбоко учене.
• Използвайте напреднали функции на TensorFlow за дълбоко учене.

В това водено от инструктор обучение на живо в България участниците ще се научат да използват Python библиотеки за НЛП, докато създават приложение, което обработва набор от снимки и генерира надписи.

До края на това обучение участниците ще могат:

• Проектирайте и кодирайте DL за NLP, като използвате Python библиотеки.
• Създайте Python код, който чете значително огромна колекция от снимки и генерира ключови думи.
• Създайте Python код, който генерира надписи от откритите ключови думи.

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 обучение, водено от инструктор и провеждано в реално време в България (онлайн или на място), е насочено към специалисти по данни, които искат да ускорят приложения за машинно обучение в реално време и да ги разгърнат в мащаб.

Към края на това обучение участниците ще могат да:

• Инсталират софтуерния пакет OpenVINO.
• Ускорят приложение за компютърно зрение, използвайки FPGA.
• Изпълняват различни слоеве на CNN върху FPGA.
• Мащабираят приложението в множество възли в клъстер Kubernetes.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, които желаят да използват TensorFlow за анализ на потенциални данни за измами.

До края на това обучение участниците ще могат:

• Да създадат модел за откриване на измами в Python и TensorFlow.
• Да изградят линейни регресии и модели на линейна регресия за предсказване на измами.
• Да разработят цялостно AI приложение за анализиране на данни за измами.

Тази инструктажна, насочена към живото обучение в България (онлайн или на място) е предназначена за разработчици или учени по данни, които желаят да използват Horovod за извършване на разпределено обучение в областта на дълбокото обучение и да го мащабират за работа на множество GPU паралелно.

Към края на това обучение участниците ще могат да:

• Настроят необходимата среда за разработка, за да започнат да изпълняват обучения по дълбоко обучение.
• Инсталират и конфигурират Horovod за обучение на модели с TensorFlow, Keras, PyTorch и Apache MXNet.
• Мащабират обучението по дълбоко обучение с Horovod, за да работи 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 инструктирано, живо обучение (онлайн или на място) е насочено към научни работници в областта на данните, инженери по машинно обучение и изследователи в областта на компютърното зрение, които желаят да използват Stable Diffusion за генериране на изображения с високо качество за различни случаи на употреба.

До края на това обучение участниците ще могат да:

• Разберат принципите на Stable Diffusion и начина, по който той работи за генериране на изображения.
• Създават и обучават модели на Stable Diffusion за задачи по генериране на изображения.
• Прилагат Stable Diffusion в различни сценарии за генериране на изображения, като впейнтинг, аутпейнтинг и превод от изображение към изображение.
• Оптимизират производителността и стабилността на моделите на Stable Diffusion.

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.