Deep Learning with TensorFlow 2 Képzés

Ez egy 4 napos tanfolyam, amely bemutatja az AI-t és annak alkalmazását. Lehetőség van arra, hogy a kurzus befejeztével további nap álljon rendelkezésre egy mesterséges intelligencia projekt elvégzésére.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a számítógépes látással kapcsolatos ismereteiket és feltárni TensorFlow képességeit kifinomult látásmodellek kidolgozására az Google segítségével. Colab.

A képzés végére a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatok (CNN-ek) létrehozása és betanítása TensorFlow segítségével.
• Használja ki az Google Colabot a méretezhető és hatékony felhőalapú modellfejlesztéshez.
• Kép-előfeldolgozási technikák alkalmazása számítógépes látási feladatokhoz.
• Telepítsen számítógépes látásmodelleket a valós alkalmazásokhoz.
• Használja az átviteli tanulást a CNN-modellek teljesítményének javításához.
• Képosztályozási modellek eredményeinek megjelenítése és értelmezése.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű adattudósoknak és fejlesztőknek szól, akik szeretnék megérteni és alkalmazni a mélytanulási technikákat az Google Colab környezet használatával.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be és navigáljon az Google Colabban a mélytanulási projektekhez.
• Ismerje meg a neurális hálózatok alapjait.
• Valósítson meg mély tanulási modelleket a TensorFlow segítségével.
• A mély tanulási modellek képzése és értékelése.
• Használja a TensorFlow fejlett funkcióit a mély tanuláshoz.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják a Python könyvtárak használatát az NLP-hez, miközben olyan alkalmazást hoznak létre, amely feldolgozza a képeket és feliratokat generál.

A képzés végére a résztvevők képesek lesznek:

• Tervezze meg és kódolja a DL-t NLP-hez Python könyvtárak használatával.
• Hozzon létre Python kódot, amely lényegesen hatalmas képgyűjteményt olvas be, és kulcsszavakat generál.
• Hozzon létre Python kódot, amely feliratokat generál az észlelt kulcsszavakból.

Közönség

Ez a tanfolyam alkalmas Deep Learning és mérnökök számára, akik a rendelkezésre álló eszközök (többnyire nyílt forráskódú) felhasználásáról érdeklődnek a számítógépes képek elemzése céljából

Ez a tanfolyam példákat mutat be.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adatkutatóknak szól, akik az TensorFlow segítségével kívánják elemezni a lehetséges csalási adatokat.

A képzés végére a résztvevők képesek lesznek:

• Létrehozni egy csalásészlelő modellt a Python-ben és a TensorFlow-ben.
• Lineáris regressziókat és lineáris regressziós modelleket építeni a csalás előrejelzésére.
• Egy teljes körű, végponttól végpontig terjedő mesterséges intelligencia alkalmazást fejleszteni a csalási adatok elemzésére.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban (online vagy helyszíni) a résztvevők megtanulják, hogyan kell konfigurálni és használni az TensorFlow Serving-et az ML-modellek éles környezetben történő üzembe helyezéséhez és kezeléséhez.

A képzés végére a résztvevők képesek lesznek:

• Tanítson, exportáljon és szolgáljon ki különféle TensorFlow modelleket.
• Tesztelje és telepítse az algoritmusokat egyetlen architektúra és API-készlet használatával.
• Az TensorFlow Serving kiterjesztése a TensorFlow modelleken kívül más típusú modellek kiszolgálására is.

TensorFlow a Go ogle nyílt forráskódú szoftverkönyvtárának második generációs API-ja a Deep Learning . A rendszer célja a gépi tanulás kutatásának megkönnyítése, valamint a kutatási prototípusról a termelési rendszerbe való átmenet gyors és egyszerű megvalósítása.

Közönség

Ez a kurzus olyan mérnökök számára készült, akik a TensorFlow t szeretnék használni a Deep Learning projektjeikhez

A kurzus befejezése után a küldöttek:

• megértsék a TensorFlow struktúráját és telepítési mechanizmusait
• képesnek kell lennie telepítési / gyártási környezet / architektúra feladatok és konfiguráció elvégzésére
• képesnek kell lennie a kód minőségének értékelésére, hibakeresésre, megfigyelésre
• képesnek kell lennie a fejlett gyártás, például a képzési modellek, grafikonok és naplózás megvalósítására

Ez a kurzus konkrét példákkal vizsgálja a Tensor Flow alkalmazását a képfelismerés céljára

Közönség

Ez a kurzus olyan mérnökök számára készült, akik a TensorFlow t a TensorFlow céljából kívánják felhasználni

A kurzus befejezése után a küldöttek:

• megértsék a TensorFlow struktúráját és telepítési mechanizmusait
• telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
• a kód minőségének értékelése, hibakeresés, monitorozás
• fejlett gyártást, például képzési modelleket, grafikonokat és naplózást valósít meg

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik egyetlen ML-modell betanításától a sok ML-modell éles üzembe helyezéséig szeretnének eljutni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a TFX-et és a támogató harmadik féltől származó eszközöket.
• Használja a TFX-et egy teljes ML-termelési folyamat létrehozásához és kezeléséhez.
• Dolgozzon a TFX összetevőkkel a modellezés, a betanítás, a következtetések kiszolgálása és a telepítések kezelése érdekében.
• Telepítsen gépi tanulási funkciókat webalkalmazásokban, mobilalkalmazásokban, IoT-eszközökben és egyebekben.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják, hogyan használják ki a TPU processzorok újításait saját AI-alkalmazásaik teljesítményének maximalizálása érdekében.

A képzés végére a résztvevők képesek lesznek:

• Tanítson különféle típusú neurális hálózatokat nagy mennyiségű adatra.
• A TPU-k segítségével akár két nagyságrenddel is felgyorsíthatja a következtetési folyamatot.
• Használja a TPU-kat olyan intenzív alkalmazások feldolgozásához, mint a képkeresés, felhőkép és fényképek.

TensorFlow™ egy nyílt forráskódú szoftverkönyvtár a numerikus számítás használata adatáramú grafikonok.

A SyntaxNet egy neurális hálózat természetes nyelvi feldolgozási keret TensorFlow.

Word2Vec használják a tanulási vektor képviselete a szavak, az úgynevezett "word embeddings". Word2vec egy különösen számítástechnikai-hatékony előrejelzési modell a tanulás szó beépítések nyers szöveg. Két ízben jön, a Continuous Bag-of-Words modell (CBOW) és a Skip-Gram modell (3.1 és 3.2 fejezet Mikolov et al.)

A SyntaxNet és a Word2Vec a felhasználók számára lehetővé teszi, hogy megtanult beépítési modelleket generáljanak a Természetes Nyelvbeviteltől.

közönség

Ez a kurzus célja a fejlesztők és mérnökök, akik szándékoznak dolgozni a SyntaxNet és Word2Vec modellek a TensorFlow grafikonok.

A kurzus befejezése után a képviselők:

• megértése TensorFlow’ szerkezetének és telepítési mechanizmusainak
• képes végrehajtani telepítési / termelési környezet / építészeti feladatok és konfiguráció
• képes értékelni a kód minőségét, elvégezni debugging, nyomon követés
• képesnek kell lennie a fejlett termelés megvalósítására, mint például a képzési modellek, a beépítési feltételek, az építési grafikonok és a logging

Ez a tanfolyam azzal kezdődik, hogy fogalmi ismereteket adunk neurális hálózatokban és általában gépi tanulási algoritmusban, mély tanulásban (algoritmusok és alkalmazások).

Part 1 (40%) ez a képzés nagyobb hangsúlyt alapjait, de segítünk választotta a megfelelő technológia: TensorFlow , Caffe , Theano, DeepDrive, Keras stb

A képzés 2. része (20%) bemutatja a Theano-t - egy python könyvtárat, amely megkönnyíti a mély tanulási modellek írását.

A képzés 3. részét (40%) nagymértékben a Tensorflow - a Go ogle nyílt forráskódú szoftverek könyvtárának 2. generációs API-ján alapszik - a Deep Learning . A példákat és a kézbesítést a TensorFlow ban TensorFlow .

Közönség

Ez a tanfolyam azoknak a mérnököknek szól, akik a TensorFlow ot szeretnék használni Deep Learning projektjeikhez

A kurzus befejezése után a küldöttek:

• jól megértsék a mély ideghálózatokat (DNN), CNN és RNN

• megérti a TensorFlow szerkezetét és telepítési mechanizmusait

• képesnek kell lennie a telepítési / gyártási környezeti / építészeti feladatok elvégzésére és a konfigurációra

• képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás végrehajtására

• képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás