Deep Learning обучение в София

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.

Този курс с инструктор, провеждан жив (онлайн или на място), е предназначен за професионалисти на напреднал ниво, които искат да углубят знанията си за компютърно зрение и да разгледат възможностите на TensorFlow за разработване на сложни модели за зрение с Google Colab.

Към края на този курс участниците ще бъдат способни да:

• Създават и обучават конволюционни нейронни мрежи (CNNs) с TensorFlow.
• Използват Google Colab за масово и ефективно разработване на модели в облака.
• Въвеждат техники за предварителна обработка на изображения за задачи на компютърно зрение.
• Разработват модели за компютърно зрение за практическо приложение.
• Използват трансфер обучение за подобряване на производителността на CNN модели.
• Визуализират и интерпретират резултатите от модели за класификация на изображения.

Това инструкторско, живо обучение в София (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.

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 обучение с инструктор и живо участие (онлайн или на място) е предназначено за професионалисти на напреднал ниво, които искат да използват техники на изкуствен интелект за революциониране на процесите на откриване и разработка на лекарства.

До края на това обучение участниците ще могат да:

• Разберат ролята на изкуствен интелект в откриването и разработката на лекарства.
• Прилагат техники на машинно обучение за прогнозиране на молекулярни свойства и взаимодействия.
• Използват модели на дълбоко обучение за виртуално просеяване и оптимизация на лекарства.
• Интегрират подходи, базирани на изкуствен интелект, в процеса на клинични изпитвания.

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 този обучаващ курс с участието на инструктор в София, участниците ще научат най-актуалните и перспективни техники за машинно учение с Python, докато изграждат редица демонстрационни приложения, които включват образи, музика, текст и финансови данни.

По завършване на това обучение участниците ще могат да:

• Реализират алгоритми и техники за машинно учение за решаване на сложни проблеми.
• Прилагат дълбоко и полу-надзорено обучение към приложения, които включват образи, музика, текст и финансови данни.
• Извлекат максимален потенциал от алгоритмите на Python.
• Използват библиотеки и пакети като NumPy и Theano.

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.

Този инструкторски курс с живо обучение в София (онлайн или на място) е насочен към участници на начален ниво, които искат да научат основните концепции в вероятността, статистиката, програмирането и машинното обучение и да ги приложат в разработката на изкуствен интелигент.

След края на този курс участниците ще могат да:

• Разбират основните концепции в вероятността и статистиката и да ги приложат в реални scenaria.
• Пишат и разбират процедурно, функционално и обекто-ориентирано програмно кода.
• Имплементират техники на машинно обучение, като класификация, кластеризация и нейронни мрежи.
• Развиват решения за изкуствен интелигент с използване на правилни двигатели и експертни системи за решаване на проблеми.

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.

Това обучение с инструктор в София (онлайн или на място) е предназначено за средно-опитни данни ученци и статистици, които искат да подготвят данни, да построят модели и да приложат техники на машинно обучение ефективно в своите професионални области.

До края на това обучение участниците ще могат да:

• Разбират и реализират различни Machine Learning алгоритми.
• Подготвят данни и модели за приложения на машинно обучение.
• Извършват пост-анализи и визуализират резултати ефективно.
• Прилагат техники на машинно обучение в реални, сектор-специфични сценарии.

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 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 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 с инструктор, провеждан жив (онлайн или на място), представлява въведение в областта на разпознаването на модели и машинното обучение. Той засяга практическото приложение в статистика, компютърни науки, обработка на сигнали, компютърно зрение, миниране на данни и биоинформатика.

До края на този курс участниците ще могат да:

• Прилагат основни статистически методи в разпознаването на модели.
• Използват ключови модели като невронни мрежи и метод на ядра за анализ на данни.
• Имплементират напреднали техники за решения на сложни проблеми.
• Повишават точността на предвиждането чрез комбиниране на различни модели.

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.

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.

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.

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 инструкторско водено, живо обучение участниците ще научат как да използват Matlab за проектиране, създаване и визуализация на конволюционна невронна мрежа за разпознаване на изображения.

Край това обучение участниците ще могат да:

• Създадат модел за дълбоко обучение
• Автоматизират маркирането на данни
• Работят с модели от Caffe и TensorFlow-Keras
• Обучават данни с използване на множество GPU, облак или кластери

Публика

• Разработчици
• Инженери
• Експерти по области

Формат на курса

• Частично лекции, частично дискусии, упражнения и интензивна практическа работа

Това обучение под ръководството на инструктор (онлайн или на място) е насочено към професионалисти с начален и среден ниво, които искат да развият своята разбиране за алгоритми за машинно учение, техники за дълбоко обучение и вземане на решения подкрепени от ИИ. Курсът предоставя практически опит с концепции за машинно учение, модели за дълбоко обучение и практически приложения с R.

По завершаване на това обучение участниците ще могат да:

• Разберат основите на машираното обучение и дълбокото обучение.
• Применяват различни алгоритми за машинно учение за регресия, класификация, групировка и детекция на аномалии.
• Използват архитектури за дълбоко обучение като изкуствени невронни мрежи (ANN).
• Реализират модели за контролируемо и неконтролируемо обучение.
• Оценяват ефективността на моделите и оптимизират хиперпараметрите.
• Използват R за анализ, визуализация и приложения на маширано учение.

Обучението е насочено към хора, които искат да научат основите на нейронните мрежи и тяхното приложение.

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 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.

Този курс е въведение в приложението на нейронни мрежи в реални проблеми с използването на софтуерна платформа R-project.

Това обучение, водено от инструктор (онлайн или на местоприбоя), е насочено към разработчици и специалисти по данни, които желаят да използват TensorFlow 2.x за създаване на прогнозатори, класификатори, генеративни модели, нейронни мрежи и други.

По завършването на това обучение участниците ще могат да:

• Инсталират и конфигурират TensorFlow 2.x.
• Разберат предимствата на TensorFlow 2.x в сравнение с предходните версии.
• Създават модели за глъбоко учене.
• Имплементират напреднал класификатор за изображения.
• Разглеждат модели за глъбоко учене в облака, на мобилни 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:

• Обучават, експортират и използват различните модели.
• Тестват и внедряват алгоритми с една архитектура и набор от API.
• Разширяват Serving за използване на други видове модели освен тези.

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

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 този курс, воден от инструктор на място, участниците ще научат как да използват иновациите в процесорите TPU, за да максимизират производителността на собствените си приложения за изкуствен интелигент.

До края на обучението участниците ще могат да:

• Обучават различни типове невромрежи на големи количества данни.
• Използват TPU за ускоряване на процеса на извеждане на изводи до два реда на величина.
• Използват TPU за обработка на интензивни приложения като търсене на изображения, облачно зрение и фотографии.

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

Този курс започва с предоставяне на концептуални знания в нейронни мрежи и общо в алгоритми за машинно обучение, дълбоко обучение (алгоритми и приложения).

Част-1(40%) от това обучение е със фокус 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 писането на модели за дълбоко обучение лесно.

Част-3(40%) от обучението ще бъде основано предимно на TensorFlow - 2-ро поколение API на библиотеката с отворен код на Google за дълбоко обучение. Примерите и упражненията ще бъдат извършвани в TensorFlow.

Целева аудитория

Този курс е предназначен за инженери, които искат да използват TensorFlow за своите проекти за дълбоко обучение.

След завършване на този курс участниците ще:

• притежават добро разбиране на дълбоки нейронни мрежи (DNN), CNN и RNN

• разбират структурата и механизмите за разпространение на TensorFlow

• може да извършват задачи за инсталиране/продуктивно средо/архитектура и конфигурация

• може да оценяват качеството на кода, да извършват отстраняване на грешки и мониторинг

• може да реализират напреднали производствени процеси като обучение на модели, построяване на графики и записване