Deep Learning обучение в България

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към финансови професионалисти на средно ниво, финтех разработчици и AI специалисти, които желаят да внедрят Edge AI решения във финансовите услуги. До края на това обучение участниците ще могат:

• Разберете ролята на Edge AI във финансовите услуги.
• Внедрете системи за откриване на измами с помощта на Edge AI.
• Подобрете обслужването на клиентите чрез решения, управлявани от AI.
• Приложете Edge AI за управление на риска и вземане на решения.
• Внедрете и управлявайте Edge AI решения във финансови среди.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към индустриални инженери на средно ниво, професионалисти в производството и разработчици на AI, които желаят да внедрят решения на Edge AI в индустриалната автоматизация. До края на това обучение участниците ще могат:

• Разберете ролята на Edge AI в индустриалната автоматизация.
• Внедрете решения за предсказуема поддръжка с помощта на Edge AI.
• Прилагайте AI техники за контрол на качеството в производствените процеси.
• Оптимизирайте индустриалните процеси с помощта на Edge AI.
• Внедрете и управлявайте Edge AI решения в индустриални среди.

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 набори 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 разработчици на AI на средно ниво, инженери по машинно обучение и системни архитекти, които желаят да оптимизират AI модели за крайно внедряване. До края на това обучение участниците ще могат:

• Разберете предизвикателствата и изискванията при внедряването на AI модели на крайни устройства.
• Прилагайте техники за компресиране на модели, за да намалите размера и сложността на AI моделите.
• Използвайте методи за квантуване, за да подобрите ефективността на модела на крайния хардуер.
• Приложете съкращаване и други техники за оптимизация, за да подобрите производителността на модела.
• Внедрете оптимизирани AI модели на различни крайни устройства.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към учени за данни от начинаещи до средно ниво и инженери по машинно обучение, които желаят да подобрят ефективността на своите модели за дълбоко обучение.До края на това обучение участниците ще могат:

• Разберете принципите на разпределеното задълбочено обучение.
• Инсталирайте и конфигурирайте DeepSpeed.
• Мащабирайте модели за дълбоко обучение върху разпределен хардуер с помощта на DeepSpeed.
• Внедрете и експериментирайте с функциите на DeepSpeed за оптимизиране и ефективност на паметта.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици от начинаещи до средно ниво, които желаят да използват големи езикови модели за различни задачи на естествен език.До края на това обучение участниците ще могат:

Настройте среда за разработка, която включва популярна LLM. Създайте основен LLM и го настройте фино върху персонализиран набор от данни. Използвайте LLM за различни задачи на естествен език, като обобщаване на текст, отговаряне на въпроси, генериране на текст и др. Отстранявайте грешки и оценявайте LLM с помощта на инструменти като TensorBoard, PyTorch Lightning и Hugging Face Datasets.

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 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 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.

В това водено от инструктор обучение на живо в България, участниците ще научат най-подходящите и авангардни техники за машинно обучение в Python, докато създават серия от демонстрационни приложения, включващи изображения, музика, текст и финансови данни.До края на това обучение участниците ще могат:

• Внедрете алгоритми и техники за машинно обучение за решаване на сложни проблеми.
• Прилагайте задълбочено обучение и полуконтролирано обучение към приложения, включващи изображения, музика, текст и финансови данни.
• Разширете Python алгоритмите до техния максимален потенциал.
• Използвайте библиотеки и пакети като NumPy и Theano.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици и учени по данни, които желаят да научат основите на Deep Reinforcement Learning, докато преминават през създаването на Deep Learning Agent.До края на това обучение участниците ще могат:

• Разберете ключовите концепции зад Deep Reinforcement Learning и можете да го разграничите от машинното обучение.
• Прилагайте усъвършенствани Reinforcement Learning алгоритми за решаване на проблеми от реалния свят.
• Създайте агент за задълбочено обучение.

В това водено от инструктор обучение на живо в България, участниците ще се научат как да прилагат модели за задълбочено обучение за телекомуникации с помощта на Python, докато преминават през създаването на модел за задълбочено обучение за кредитен риск.До края на това обучение участниците ще могат:

• Разберете основните концепции на дълбокото обучение.
• Научете приложенията и употребата на задълбочено обучение в телекомуникациите.
• Използвайте Python, Keras и TensorFlow, за да създадете модели за дълбоко обучение за телекомуникации.
• Изградете свой собствен модел за прогнозиране на отлив на клиенти с дълбоко обучение с помощта на Python.

Този курс е общ преглед за Deep Learning, без да се навлиза твърде дълбоко в конкретни методи. Подходящо е за хора, които искат да започнат да използват задълбочено обучение, за да подобрят точността си на прогнозиране.

Изкуствената невронна мрежа е изчислителен модел на данни, използван при разработването на системи с изкуствен интелект (AI), способни да изпълняват „интелигентни“ задачи. Neural Networks обикновено се използват в приложения за машинно обучение (ML), които сами по себе си са едно изпълнение на AI. Deep Learning е подгрупа на ML.

Машинното обучение е клон на изкуствения интелект, при който компютрите имат способността да учат, без да са изрично програмирани. Дълбокото обучение е подполе на машинното обучение, което използва методи, базирани на представяне на данни и структури за обучение, като например невронни мрежи.

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 примерПубликаТози 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

ПубликаТози 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 изображенияТози курс предоставя работещи примери.

Този курс обхваща AI (инфазиране Machine Learning и Deep Learning) в Automotive Индустрия. Той помага да се определи каква технология може (потенциално) да се използва в много ситуации в автомобила: от проста автоматизация, разпознаване на изображенията до автономно вземане на решения.

Този курс обхваща AI (подчертавайки Machine Learning and Deep Learning)

В това обучение на живо, ръководено от инструктор, участниците ще се научат как да настройват и използват OpenNMT за извършване на превод на различни примерни набори от данни. Курсът започва с преглед на невронните мрежи, приложими към машинния превод. Участниците ще изпълняват упражнения на живо по време на курса, за да демонстрират своето разбиране на научените концепции и да получат обратна връзка от инструктора.До края на това обучение участниците ще имат знанията и практиката, необходими за прилагане на живо OpenNMT решение.Извадките от изходния и целевия език ще бъдат предварително организирани според изискванията на аудиторията.Формат на курсаЧаст лекция, част дискусия, тежка практическа практика

Тип: Теоретично обучение с предварително решени с учениците приложения по лазаня или Keras според образователната група Методи на преподаване: презентации, дискусии и казуси Изкуственият интелект, след като разруши много научни области, започна да революционизира голям брой икономически сектори (индустрия, медицина, комуникация и др.). Въпреки това, представянето му в основните медии често е фантазия, много далеч от това, което са домейните на Machine Learning или Deep Learning в действителност. Целта на това обучение е да предостави на инженерите, които вече владеят ИТ инструменти (включително базова основа за софтуерно програмиране), въведение в Deep Learning, както и в различните му области на специализация и следователно в основните съществуващи мрежови архитектури . Ако математическите основи са обхванати по време на курса, се препоръчва ниво BAC+2 по математика за по-голям комфорт. Абсолютно възможно е да пренебрегнете математическата ос и да запазите само „системна“ визия, но този подход ще ограничи изключително много вашето разбиране на темата.

PaddlePaddle (PArallel Distributed Deep LEarning) е мащабируема платформа за дълбоко обучение, разработена от Baidu.В това обучение на живо, водено от инструктор, участниците ще се научат как да използват PaddlePaddle, за да позволят задълбочено обучение в техните приложения за продукти и услуги.До края на това обучение участниците ще могат:

Настройте и конфигурирайте PaddlePaddle Настройте конволюционна невронна мрежа (CNN) за разпознаване на изображения и откриване на обекти Настройте повтаряща се невронна мрежа (RNN) за анализ на настроението Настройте задълбочено обучение на системи за препоръки, за да помогнете на потребителите да намерят отговори Предсказвайте кликвания проценти (CTR), класифицират широкомащабни набори от изображения, извършват оптично разпознаване на символи (OCR), класират търсения, откриват компютърни вируси и прилагат система за препоръки.

Публика

Разработчици Учени по данни

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

OpenFace е базиран на Python и Torch софтуер с отворен код за лицево разпознаване в реално време, базиран на изследването на Google FaceNet.В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват компонентите на OpenFace, за да създадат и внедрят примерно приложение за лицево разпознаване.До края на това обучение участниците ще могат:

Работете с компонентите на OpenFace, включително dlib, OpenVC, Torch и nn4, за да реализирате разпознаване на лица, подравняване и трансформация Прилагайте OpenFace към приложения от реалния свят като наблюдение, проверка на самоличността, виртуална реалност, игри и идентифициране на повтарящи се клиенти и т.н. .

Публика

Разработчици Учени по данни

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

В това водено от инструктор обучение на живо участниците ще научат усъвършенствани техники за Machine Learning с R, докато преминават през създаването на реално приложение.До края на това обучение участниците ще могат:

• Разбиране и прилагане на техники за обучение без надзор
• Прилагайте групиране и класификация, за да правите прогнози въз основа на данни от реалния свят.
• Визуализирайте данните, за да получите бързо прозрения, да вземете решения и да прецизирате допълнително анализа.
• Подобрете производителността на модел за машинно обучение с помощта на настройка на хиперпараметри.
• Поставете модел в производство за използване в по-голямо приложение.
• Прилагайте усъвършенствани техники за машинно обучение, за да отговаряте на въпроси, включващи данни от социални мрежи, големи данни и др.

В това водено от инструктор обучение на живо участниците ще се научат как да използват Matlab за проектиране, изграждане и визуализиране на конволюционна невронна мрежа за разпознаване на изображения.До края на това обучение участниците ще могат:

Изградете модел за задълбочено обучение Автоматизирайте етикетирането на данни Работете с модели от Caffe и TensorFlow-Keras Train данни, като използвате множество GPU, облака или клъстери

Публика

Разработчици Инженери Експерти в областта

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Машинното обучение е клон на изкуствения интелект, при който компютрите имат способността да учат, без да са изрично програмирани. Дълбокото обучение е подполе на машинното обучение, което използва методи, базирани на представяне на данни и структури за обучение, като например невронни мрежи. R е популярен език за програмиране във финансовата индустрия. Използва се във финансови приложения, вариращи от основни програми за търговия до системи за управление на риска.В това обучение на живо, водено от инструктор, участниците ще се научат как да прилагат модели за задълбочено обучение за финанси, използвайки R, докато преминават през създаването на модел за задълбочено обучение за прогнозиране на цената на акциите.До края на това обучение участниците ще могат:

Разберете основните концепции на дълбокото обучение Научете приложенията и употребата на дълбокото обучение във финансите Използвайте R, за да създадете модели за дълбоко обучение за финанси Изградете свой собствен модел за прогнозиране на цените на акциите с дълбоко обучение с помощта на R

Публика

Разработчици Учени по данни

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Машинното обучение е клон на изкуствения интелект, при който компютрите имат способността да учат, без да са изрично програмирани. Дълбокото обучение е подполе на машинното обучение, което използва методи, базирани на представяне на данни и структури за обучение, като например невронни мрежи. Python е език за програмиране на високо ниво, известен със своя ясен синтаксис и четливост на кода.В това обучение на живо, ръководено от инструктори, участниците ще се научат как да прилагат модели за задълбочено обучение за използване на банкиране Python, докато преминават през създаването на модел за задълбочено обучение за кредитен риск.До края на това обучение участниците ще могат:

Разберете основните концепции на дълбокото обучение Научете приложенията и употребата на дълбокото обучение в банкирането Използвайте Python, Keras и TensorFlow, за да създадете модели за дълбоко обучение за банкиране Изградете свой собствен модел на дълбоко обучение на кредитен риск с помощта на Python

Публика

Разработчици Учени по данни

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Машинното обучение е клон на изкуствения интелект, при който компютрите имат способността да учат, без да са изрично програмирани. Дълбокото обучение е подполе на машинното обучение, което използва методи, базирани на представяне на данни и структури за обучение, като например невронни мрежи. R е популярен език за програмиране във финансовата индустрия. Използва се във финансови приложения, вариращи от основни програми за търговия до системи за управление на риска.В това обучение на живо, водено от инструктор, участниците ще се научат как да прилагат модели за задълбочено обучение за банкиране с помощта на R, докато преминават през създаването на модел за задълбочено обучение за кредитен риск.До края на това обучение участниците ще могат:

Разберете основните концепции на задълбочено обучение Научете приложенията и употребата на задълбочено обучение в банкирането Използвайте R, за да създадете модели за задълбочено обучение за банкиране Изградете свой собствен модел на задълбочено обучение за кредитен риск с помощта на R

Публика

Разработчици Учени по данни

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Машинното обучение е клон на изкуствения интелект, при който компютрите имат способността да учат, без да са изрично програмирани. Дълбокото обучение е подполе на машинното обучение, което използва методи, базирани на представяне на данни и структури за обучение, като например невронни мрежи. Python е език за програмиране на високо ниво, известен със своя ясен синтаксис и четливост на кода.В това обучение на живо, ръководено от инструктор, участниците ще се научат как да прилагат модели за задълбочено обучение за финанси с помощта на Python, докато преминават през създаването на модел за задълбочено обучение за прогнозиране на цената на акциите.До края на това обучение участниците ще могат:

Разберете основните концепции на дълбокото обучение Научете приложенията и употребата на дълбокото обучение във финансите Използвайте Python, Keras и TensorFlow, за да създадете модели за дълбоко обучение за финанси Изградете свой собствен модел за дълбоко обучение за прогнозиране на цената на акциите с помощта на Python

Публика

Разработчици Учени по данни

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Въведение:Дълбокото обучение се превръща в основен компонент на бъдещия дизайн на продукти, които искат да включат изкуствен интелект в сърцето на своите модели. През следващите 5 до 10 години инструментите за разработка на дълбоко обучение, библиотеките и езиците ще станат стандартни компоненти на всеки инструментариум за разработка на софтуер. Досега Google Sales Force, Facebook, Amazon успешно използват AI за дълбоко обучение, за да стимулират своя бизнес. Приложенията варират от автоматичен машинен превод, анализ на изображения, анализ на видео, анализ на движение, генериране на целенасочена реклама и много други.Тази курсова работа е насочена към онези организации, които искат да включат Deep Learning като много важна част от стратегията си за продукти или услуги. По-долу е схемата на курса за задълбочено обучение, който можем да персонализираме за различни нива на служители/заинтересовани страни в една организация.Целева аудитория:(В зависимост от целевата аудитория материалите за курса ще бъдат персонализирани)РъководителиОбщ преглед на AI и как той се вписва в корпоративната стратегия, с разбивки на сесии за стратегическо планиране, технологични пътни карти и разпределение на ресурси, за да се осигури максимална стойност.Ръководители на проектиКак да планирате AI проект, включително събиране и оценка на данни, почистване и проверка на данни, разработване на модел за доказване на концепцията, интегриране в бизнес процеси и доставка в цялата организация.РазработчициЗадълбочени технически обучения с фокус върху невронни мрежи и задълбочено обучение, анализ на изображения и видео (CNN), анализ на звук и текст (NLP) и въвеждане на AI в съществуващи приложения.ПродавачиОбщ преглед на AI и как той може да задоволи нуждите на клиентите, стойностни предложения за различни продукти и услуги и как да се разсеят страховете и да се популяризират предимствата на AI.

Тази тренировъчна сесия, базирана в класната стая, ще съдържа презентации и компютърно базирани примери и казуси, които да се предприемат със съответните невронни и дълбоки мрежови библиотеки

Machine Learning е отрасъл на изкуствения интелект, в който компютрите имат способността да учат, без да бъдат изрично програмирани. Deep Learning е субфейл на Machine Learning, който се опитва да имитира дейностите на човешкия мозък при вземането на решения. Той е обучен с данни, за да осигури автоматично решения на проблемите. Deep Learning осигурява огромни възможности за медицинската индустрия, която седи на данните злато. В това обучение, ръководено от инструктори, участниците ще участват в серия от дискусии, упражнения и анализ на случая, за да разберат основите на Deep Learning. Най-важните Deep Learning инструменти и техники ще бъдат оценени и упражненията ще се проведат, за да се подготвят участниците да извършват собствена оценка и прилагане на Deep Learning решения в рамките на техните организации. В края на обучението участниците ще могат да:

• Разбиране на основите на Deep Learning
• Научете Deep Learning техники и техните приложения в индустрията
• Проучване на проблеми в медицината, които могат да бъдат решени с помощта на Deep Learning технологии
• Проучване на случаите Deep Learning в медицината
• Формулиране на стратегия за приемане на най-новите технологии в Deep Learning за решаване на проблеми в медицината

публиката

• мениджъри
• Медицински специалисти в ръководните роли

Формат на курса

• Частна лекция, частна дискусия, упражнения и тежка практика

Забележка

• За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към софтуерни инженери, които желаят да програмират в Python с OpenCV 4 за задълбочено обучение.До края на това обучение участниците ще могат:

• Преглеждайте, зареждайте и класифицирайте изображения и видеоклипове с помощта на OpenCV 4.
• Приложете дълбоко обучение в OpenCV 4 с TensorFlow и Keras.
• Изпълнявайте модели за дълбоко обучение и генерирайте въздействащи отчети от изображения и видеоклипове.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да създадат хардуерно ускорени модели за откриване и проследяване на обекти, за да анализират поточни видео данни.До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте необходимата среда за разработка, софтуер и библиотеки, за да започнете разработката.
• Изграждайте, обучавайте и внедрявайте модели за дълбоко обучение, за да анализирате видео емисии на живо.
• Идентифицирайте, проследявайте, сегментирайте и предвиждайте различни обекти във видео кадри.
• Оптимизирайте моделите за откриване и проследяване на обекти.
• Внедрете приложение за интелигентен видео анализ (IVA).

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици и специалисти по данни, които желаят да прилагат конволюционни невронни мрежи (CNN) за анализ на MRI сканирания.До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте необходимата среда за разработка, софтуер и библиотеки, за да започнете разработката.
• Анализирайте MRI изображения с помощта на техники за задълбочено обучение като CNN.
• Открийте потенциални здравословни състояния като сърдечни заболявания чрез анализ на MRI сканиране.
• Прилагайте техники като сегментиране на изображението и обучение на CNN, за да идентифицирате потенциално заболяване.
• Идентифицирайте геномиката на заболяване с помощта на радиомика.
• Изградете и внедрите приложение за задълбочено обучение, насочено към анализ на изображения в здравеопазването.

Това водено от инструктор обучение на живо в България (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.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към бизнес анализатори, специалисти по данни и разработчици, които желаят да изградят и внедрят модели за задълбочено обучение, за да ускорят растежа на приходите и да разрешат проблеми в света на бизнеса.До края на това обучение участниците ще могат:

• Разберете основните концепции на машинното обучение и дълбокото обучение.
• Получете представа за бъдещето на бизнеса и индустрията с ML и DL.
• Дефинирайте бизнес стратегии и решения с дълбоко обучение.
• Научете как да прилагате наука за данни и задълбочено обучение при решаване на бизнес проблеми.
• Изградете модели за задълбочено обучение с помощта на Python, Pandas, TensorFlow, CNTK, Torch, Keras и др.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за внедряване на модели за дълбоко обучение на вградени устройства.До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Tensorflow Lite на вградено устройство.
• Разберете основните концепции и компоненти TensorFlow Lite.
• Конвертирайте съществуващи модели във формат TensorFlow Lite за изпълнение на вградени устройства.
• Работете в рамките на ограниченията на малките устройства и TensorFlow Lite, докато се научавате как да разширите обхвата на операциите, които могат да се изпълняват.
• Внедрете модел на задълбочено обучение на вградено устройство, работещо под Linux.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за разработване на мобилни приложения с възможности за дълбоко обучение.До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте TensorFlow Lite.
• Разберете принципите зад TensorFlow, машинното обучение и дълбокото обучение.
• Заредете TensorFlow модели на устройство с Android.
• Активирайте функции за задълбочено обучение и машинно обучение, като компютърно зрение и разпознаване на естествен език в мобилно приложение.

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.

Това водено от инструктор обучение на живо (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за разработване на мобилни приложения за iOS с възможности за дълбоко обучение.До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте TensorFlow Lite.
• Разберете принципите зад TensorFlow и машинното обучение на мобилни устройства.
• Заредете TensorFlow модели на iOS устройство.
• Стартирайте iOS приложение, способно да открие и класифицира обект, заснет от камерата на устройството.

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 за задълбочено обучение, като същевременно използвате GPU за висока производителност.

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 паралелно на множество GPU.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 графични процесори.

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 клъстер на Kubernetes.

Това водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни, които желаят да използват Apache MXNet за изграждане и внедряване на модел за дълбоко обучение за разпознаване на изображения.До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Apache MXNet и неговите компоненти.
• Разберете архитектурата и структурите на данните на MXNet.
• Използвайте API от ниско и високо ниво на Apache MXNet за ефективно изграждане на невронни мрежи.
• Изградете конволюционна невронна мрежа за класифициране на изображения.

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 в България (онлайн или на място) е насочено към разработчици, които желаят да създадат самоуправляваща се кола, използвайки техники за дълбоко обучение.До края на това обучение участниците ще могат:

• Използвайте Keras за изграждане и обучение на конволюционна невронна мрежа.
• Използвайте техники за компютърно зрение, за да идентифицирате лентите в проект за автономно шофиране.
• Обучете модел за задълбочено обучение, за да различавате пътните знаци.
• Симулирайте напълно автономна кола.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към софтуерни инженери, които желаят да разработят усъвършенствани невронни мрежи за дълбоко обучение и модели с помощта на Keras и Python.До края на това обучение участниците ще могат:

• Прилагайте задълбочено обучение с контролирани или неконтролирани методи на обучение.
• Разработване, обучение и прилагане на едновременни невронни мрежи и повтарящи се невронни мрежи.
• Използвайте Keras и Python за изграждане на модели за дълбоко обучение за решаване на проблеми, включващи изображения, текст, звук и др.

Torch е библиотека с отворен код за машинно обучение и научна компютърна рамка, базирана на езика за програмиране Lua. Той предоставя среда за разработка на цифрови изчисления, машинно обучение и компютърно зрение, с особен акцент върху дълбокото обучение и конволюционните мрежи. Това е една от най-бързите и гъвкави рамки за машинно и дълбоко обучение и се използва от компании като Facebook, Google, Twitter, NVIDIA, AMD, Intel и много други.В това обучение на живо, водено от инструктор, ние обхващаме принципите на Torch, неговите уникални характеристики и как може да се прилага в приложения от реалния свят. Преминаваме през множество практически упражнения навсякъде, демонстрирайки и практикувайки научените концепции.До края на курса участниците ще имат задълбочено разбиране на основните функции и възможности на Torch, както и на неговата роля и принос в пространството на AI в сравнение с други рамки и библиотеки. Участниците също ще са получили необходимата практика за прилагане на Torch в собствените си проекти.Формат на курсаПреглед на машината и Deep Learning Упражнения за кодиране и интегриране в клас Тестови въпроси, разпръснати по пътя за проверка на разбирането

SINGA е обща разпределена платформа за дълбоко обучение за обучение на големи модели за дълбоко обучение върху големи набори от данни. Той е проектиран с интуитивен модел за програмиране, базиран на абстракцията на слоя. Поддържат се различни популярни модели за задълбочено обучение, а именно модели за предаване напред, включително конволюционни невронни мрежи (CNN), енергийни модели като ограничена машина на Болцман (RBM) и повтарящи се невронни мрежи (RNN). За потребителите са предоставени много вградени слоеве. Архитектурата на SINGA е достатъчно гъвкава, за да изпълнява синхронни, асинхронни и хибридни рамки за обучение. SINGA също поддържа различни схеми за разделяне на невронни мрежи за паралелизиране на обучението на големи модели, а именно разделяне на партидно измерение, измерение на характеристики или хибридно разделяне.ПубликаТози курс е насочен към изследователи, инженери и разработчици, които искат да използват Apache SINGA като рамка за дълбоко обучение.След завършване на този курс делегатите ще:

разбират структурата и механизмите за разгръщане на SINGA 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, условия за вграждане, изграждане на графики и регистриране

 

Deeplearning4j е разпределена библиотека за дълбоко обучение с отворен код, написана за Java и Scala. Интегриран с Hadoop и Spark, DL4J е проектиран да се използва в бизнес среди на разпределени GPU и CPU.Word2Vec е метод за изчисляване на векторни представяния на думи, въведен от екип от изследователи в Google, ръководен от Томас Миколов.ПубликаТози курс е насочен към изследователи, инженери и разработчици, които искат да използват Deeplearning4J за конструиране на Word2Vec модели.