Онлайн или на място, водени от инструктори на живо обучителни курсове по Deep Learning (DL) демонстрират чрез практическа практика основите и приложенията на Deep Learning и обхващат теми като дълбоко машинно обучение, дълбоко структурирано обучение и йерархично обучение. Обучението по задълбочено обучение се предлага като „онлайн обучение на живо“ или „обучение на живо на място“. Онлайн обучението на живо (известно още като „дистанционно обучение на живо“) се извършва чрез интерактивен отдалечен работен плот . Обучението на живо на място може да се проведе локално в помещенията на клиента в София или в корпоративните центрове за обучение на NobleProg в София. NobleProg -- Вашият местен доставчик на обучение
Кристал бизнес център
ул. "Осогово" 40, София, Bulgaria, 1303
Кристал Бизнес Център се намира в централната част на София, на ъгъла на ул. „Осогово”. и бул. "Тодор Александров" Сградата е лесно достъпна чрез метрото (само на 50 м от гара Опълченска) и друг обществен транспорт. Общата му площ е 8000 кв.м. Офисната площ е 6171 кв.м.
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към професионалисти на напреднало ниво, които желаят да задълбочат разбирането си за компютърното зрение и да изследват възможностите на TensorFlow за разработване на сложни модели на зрение с помощта на Google Colab.
До края на това обучение участниците ще могат:
Изградете и обучете конволюционни невронни мрежи (CNN) с помощта на TensorFlow.
Използвайте Google Colab за мащабируемо и ефективно разработване на модели, базирани на облак.
Прилагане на техники за предварителна обработка на изображения за задачи с компютърно зрение.
Внедрете модели на компютърно зрение за приложения в реалния свят.
Използвайте трансферно обучение, за да подобрите ефективността на моделите на CNN.
Визуализирайте и интерпретирайте резултатите от моделите за класификация на изображения.
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към учени и разработчици на данни на средно ниво, които желаят да разберат и прилагат техники за задълбочено обучение, използвайки средата Google Colab.
До края на това обучение участниците ще могат:
Настройте и навигирайте Google Colab за проекти за дълбоко обучение.
Разберете основите на невронните мрежи.
Приложете модели за дълбоко обучение, като използвате TensorFlow.
Обучете и оценете модели за дълбоко обучение.
Използвайте разширени функции на TensorFlow за задълбочено обучение.
Това водено от инструктор обучение на живо в София (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.
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към професионалисти на напреднало ниво, които желаят да се специализират в авангардни техники за дълбоко обучение за NLU.
До края на това обучение участниците ще могат:
Разберете основните разлики между NLU и NLP моделите.
Приложете усъвършенствани техники за дълбоко обучение към NLU задачи.
Изследвайте дълбоки архитектури като трансформатори и механизми за внимание.
Използвайте бъдещите тенденции в NLU за изграждане на сложни AI системи.
Това водено от инструктор обучение на живо в София (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 София (онлайн или на място) е насочено към професионалисти на напреднало ниво, които желаят да използват AI техники, за да революционизират процесите на откриване и разработване на лекарства.
До края на това обучение участниците ще могат:
Разберете ролята на AI в откриването и разработването на лекарства.
Прилагайте техники за машинно обучение за прогнозиране на молекулни свойства и взаимодействия.
Използвайте модели за задълбочено обучение за виртуален скрининг и оптимизиране на потенциални клиенти.
Интегрирайте подходи, управлявани от AI, в процеса на клинично изпитване.
Това водено от инструктор обучение на живо в София (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 София (онлайн или на място) е насочено към учени за данни от начинаещи до средно ниво и инженери по машинно обучение, които желаят да подобрят производителността 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 София (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.
В това водено от инструктор обучение на живо в София, 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 полу-контролирано 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 е 4-дневен курс, представящ AI и неговото приложение, използващо езика за програмиране Python. Има опция да имате допълнителен ден за предприемане на AI проект след завършване на този курс.
Това водено от инструктор обучение на живо в София (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.
В това водено от инструктор обучение на живо в София, 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 оттеглянето на клиенти с дълбоко обучение, използвайки Python.
Този курс е създаден за мениджъри, архитекти на решения, служители по иновациите, технически директори, софтуерни архитекти и всеки, който се интересува от общ преглед на приложния изкуствен интелект и най-близката прогноза за неговото развитие.
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.
This instructor-led, live training in София (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.
By the end of this training, participants will be able to:
Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
Write and understand procedural, functional, and object-oriented programming code.
Implement machine learning techniques such as classification, clustering, and neural networks.
Develop AI solutions using rules engines and expert systems for problem-solving.
Изкуствената невронна мрежа е модел на изчислителни данни, използван при разработването на Artificial Intelligence (AI) системи, способни да изпълняват „интелигентни“ задачи. Neural Networks обикновено се използват в Machine Learning (ML) приложения, които сами по себе си са едно изпълнение на AI. Deep Learning е подмножество на ML.
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.
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.
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 София (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.
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.
Това водено от инструктор обучение на живо в София (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.
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.
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към бизнес анализатори, специалисти по данни и разработчици, които желаят да изградят и внедрят модели за дълбоко 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 дълбоко обучение, като използвате Python, Pandas, TensorFlow, CNTK, Torch, Keras и т.н.
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 задълбочено обучение в банкирането
Използвайте Python, Keras и TensorFlow, за да създадете модели за дълбоко обучение за банкиране
Изградете свой собствен модел на кредитен риск с дълбоко обучение, използвайки Python
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 в София 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.
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.
Това водено от инструктор обучение на живо в София (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 София (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.
Това водено от инструктор обучение на живо в София (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.
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.
Това водено от инструктор обучение на живо в София (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.
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
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към професионалисти от начинаещи до средно ниво, които желаят да развият разбирането си за алгоритми за машинно обучение, техники за задълбочено обучение и вземане на решения, управлявано от AI. Курсът предоставя практически опит с концепции за машинно обучение, модели за дълбоко обучение и практически реализации с помощта на R. До края на това обучение участниците ще могат:
Разберете основите на машинното обучение и дълбокото обучение.
Приложете различни алгоритми за машинно обучение за регресия, класификация, групиране и откриване на аномалии.
Използвайте архитектури за дълбоко обучение като изкуствени невронни мрежи (ANN).
Прилагане на контролирани и неконтролирани модели на обучение.
Оценете производителността на модела и оптимизирайте хиперпараметрите.
Използвайте R за приложения за анализ на данни, визуализация и машинно обучение.
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
Това водено от инструктор обучение на живо в София (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.
OpenFace е Python и Torch базиран софтуер с отворен код за лицево разпознаване в реално време, базиран на Google's FaceNet изследвания.
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
Приложете OpenFace към приложения от реалния свят като наблюдение, проверка на самоличността, виртуална реалност, игри и идентифициране на повтарящи се клиенти и др.
Публика
Разработчици
Учени по данни
Формат на курса
Част лекция, част дискусия, упражнения и тежка практическа практика
В това обучение на живо, ръководено от инструктор, участниците ще се научат как да настройват и използват OpenNMT за извършване на превод на различни набори от примерни 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 курса
Част лекция, част дискусия, 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.
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към разработчици и специалисти по данни, които желаят да използват Tensorflow 2.x за изграждане на предиктори, класификатори, генеративни модели, невронни мрежи и т.н.
До края на това обучение участниците ще могат:
Инсталирайте и конфигурирайте TensorFlow 2.x.
Разберете предимствата на TensorFlow 2.x спрямо предишните версии.
Изградете модели за дълбоко обучение.
Внедрете разширен класификатор на изображения.
Внедрете модел за задълбочено обучение в облака, мобилни устройства и IoT устройства.
Това водено от инструктор обучение на живо в София (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.
В това водено от инструктор обучение на живо в София (онлайн или на място), участниците ще се научат как да конфигурират и използват TensorFlow Serving за внедряване и управление на ML модели в производствена среда.
До края на това обучение участниците ще могат:
Обучавайте, експортирайте и обслужвайте различни модели TensorFlow.
Тествайте и внедрявайте алгоритми, като използвате една единствена архитектура и набор от API.
Разширете TensorFlow Serving, за да обслужвате други типове модели извън моделите TensorFlow.
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
Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към специалисти по данни, които желаят да преминат от обучение на един ML модел към внедряване на много ML модели в производство.
До края на това обучение участниците ще могат:
Инсталирайте и конфигурирайте TFX и поддържащи инструменти на трети страни.
Използвайте TFX, за да създадете и управлявате пълен ML производствен конвейер.
Работете с TFX компоненти, за да извършвате моделиране, обучение, изводи за обслужване и управление на внедрявания.
Внедрете функции за машинно обучение в уеб приложения, мобилни приложения, IoT устройства и др.
В това водено от инструктор обучение на живо в София участниците ще се научат как да се възползват от иновациите в TPU процесорите, за да увеличат максимално производителността на собствените си AI приложения.
До края на обучението участниците ще могат:
Обучете различни видове невронни мрежи върху големи количества данни.
Използвайте TPU, за да ускорите процеса на извод с до два порядъка.
Използвайте TPU за обработка на интензивни приложения като търсене на изображения, облачно виждане и снимки.
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
Този курс започва с предоставяне на концептуални знания за невронни мрежи и като цяло за алгоритъм за машинно обучение, задълбочено обучение (алгоритми и приложения).
Част-1 (40%) от това обучение се фокусира повече върху основите, но ще ви помогне да изберете правилната технология: TensorFlow, Caffe, Theano, DeepDrive, Keras и др.
Част-2 (20%) от това обучение представя Theano - библиотека на python, която прави лесно писането на модели за дълбоко обучение.
Част-3 (40%) от обучението ще бъде широко базирано на Tensorflow - 2-ро поколение API на софтуерната библиотека с отворен код на Google за дълбоко обучение. Всички примери и handson ще бъдат направени в TensorFlow.
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:
имат добро разбиране на дълбоките невронни мрежи (DNN), CNN и RNN разбират TensorFlow структурата и механизмите за внедряване да могат да изпълняват задачи и конфигурация на инсталация / производствена среда / архитектура да могат да оценяват качеството на кода, да извършват отстраняване на грешки, мониторинг да можете да внедрявате разширено производство като модели за обучение, изграждане на графики и регистриране
Read more...
Последна актуализация:
Oтзиви от потребители (15)
Хънтър е невероятен, много ангажиращ, изключително информиран и представителен. Много добре направено.
Rick Johnson - Laramie County Community College
Курс - Artificial Intelligence (AI) Overview
Машинен превод
The clarity with which it was presented
John McLemore - Motorola Solutions
Курс - Deep Learning for Telecom (with Python)
The trainer explained the content well and was engaging throughout. He stopped to ask questions and let us come to our own solutions in some practical sessions. He also tailored the course well for our needs.
Robert Baker
Курс - Deep Learning with TensorFlow 2.0
Tomasz really know the information well and the course was well paced.
Raju Krishnamurthy - Google
Курс - TensorFlow Extended (TFX)
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Курс - Natural Language Processing with TensorFlow
The trainer was a professional in the subject field and related theory with application excellently
Fahad Malalla - Tatweer Petroleum
Курс - Applied AI from Scratch in Python
In-depth coverage of machine learning topics, particularly neural networks. Demystified a lot of the topic.
Sacha Nandlall
Курс - Python for Advanced Machine Learning
Very flexible.
Frank Ueltzhoffer
Курс - Artificial Neural Networks, Machine Learning and Deep Thinking
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Курс - TensorFlow for Image Recognition
I liked the new insights in deep machine learning.
Josip Arneric
Курс - Neural Network in R
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Курс - Machine Learning and Deep Learning
The global overview of deep learning.
Bruno Charbonnier
Курс - Advanced Deep Learning
The topic is very interesting.
Wojciech Baranowski
Курс - Introduction to Deep Learning
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Курс - Introduction to the use of neural networks
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Курс - Artificial Neural Networks, Machine Learning, Deep Thinking
Online Deep Learning training in София
Weekend Deep Learning training in София
Evening Deep Learning courses in София
Deep Learning coaching in София
Deep Learning boot camp in София
Deep Learning instructor in София
Deep Learning trainer in София
Deep Learning instructor-led in София
Deep Learning classes in София
Deep Learning on-site in София
Deep Learning private courses in София
Deep Learning one on one training in София, Evening Deep Learning courses in София, Deep Learning one on one training in София, Weekend Deep Learning training in София, Deep Learning instructor-led in София, Deep Learning private courses in София, Deep Learning trainer in София, Deep Learning boot camp in София, Deep Learning instructor in София, Deep Learning classes in София, Online Deep Learning training in София, Deep Learning coaching in София, Deep Learning on-site in София