Machine Learning for Finance (with Python) Kurzusok

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik a H2O AutoML segítségével szeretnék automatizálni a legjobb gépi tanulási algoritmus és paraméterek felépítésének és kiválasztásának folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Automatizálja a gépi tanulási munkafolyamatot.
• Számos gépi tanulási modell automatikus betanítása és hangolása meghatározott időtartományon belül.
• Az egymásra helyezett együttesek képzése a rendkívül prediktív együttes modellek eléréséhez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a gépi tanulással foglalkozó szakembereknek szól, akik szeretnék a Auto-sklearn segítségével automatizálni a gépi tanulási modell kiválasztásának és optimalizálásának folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Automatizálja a rendkívül hatékony gépi tanulási modellek betanítási folyamatát.
• Építsen rendkívül pontos gépi tanulási modelleket, miközben megkerüli a különböző modellek kiválasztásának, betanításának és tesztelésének unalmasabb feladatait.
• Használja a gépi tanulás erejét valós üzleti problémák megoldására.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) adattudósoknak, valamint kevésbé technikai személyeknek szól, akik az Auto-Keras segítségével automatizálják a gépi tanulási modell kiválasztásának és optimalizálásának folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Automatizálja a rendkívül hatékony gépi tanulási modellek betanítási folyamatát.
• Automatikusan keresse meg a legjobb paramétereket a mély tanulási modellekhez.
• Építsen nagyon pontos gépi tanulási modelleket.
• Használja a gépi tanulás erejét valós üzleti problémák megoldására.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) közép- és haladó szintű adattudósoknak, gépi tanulási mérnököknek, mély tanulással foglalkozó kutatóknak és számítógépes látásszakértőknek szól, akik szeretnék bővíteni tudásukat és készségeiket a mélytanulásban. szöveg-kép létrehozásához.

A képzés végére a résztvevők képesek lesznek:

Ismerje meg a fejlett mély tanulási architektúrákat és technikákat a szövegből képpé generáláshoz. Valósítson meg összetett modelleket és optimalizálásokat a kiváló minőségű képszintézis érdekében. Optimalizálja a teljesítményt és a méretezhetőséget nagy adatkészletekhez és összetett modellekhez. Hangolja be a hiperparamétereket a jobb modellteljesítmény és általánosítás érdekében. Integrálja a Stable Diffusion-t más mély tanulási keretrendszerekkel és eszközökkel

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak, gépi tanulási mérnököknek és számítógépes látáskutatóknak szól, akik a Stable Diffusion segítségével szeretnék kiváló minőségű képeket készíteni különféle felhasználási esetekben.

A képzés végére a résztvevők képesek lesznek:

Ismerje meg a Stable Diffusion alapelveit, és hogyan működik a képalkotás során. Építsen és képezzen Stable Diffusion modelleket képgenerálási feladatokhoz. Alkalmazza a Stable Diffusion-t különféle képgenerálási forgatókönyvekre, mint például a befestés, az outpainting és a kép-kép fordítás. Optimalizálja Stable Diffusion modell teljesítményét és stabilitását.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a biológusoknak szól, akik szeretnék megérteni AlphaFold működését, és AlphaFold modelleket kívánnak útmutatóként használni kísérleti tanulmányaik során.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az AlphaFold alapelveit.
• Ismerje meg, hogyan működik AlphaFold.
• Tanulja meg, hogyan kell értelmezni AlphaFold előrejelzéseket és eredményeket.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási modelleket kívánnak telepíteni beágyazott eszközökön.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Tensorflow Lite-ot egy beágyazott eszközön.
• Ismerje meg a mögöttes fogalmakat és összetevőket TensorFlow Lite.
• Konvertálja a meglévő modelleket TensorFlow Lite formátumba a beágyazott eszközökön való végrehajtáshoz.
• Dolgozzon a kis eszközök és TensorFlow Lite korlátain belül, miközben megtanulja, hogyan bővítheti a futtatható műveletek körét.
• Telepítsen mély tanulási modellt egy Linuxot futtató beágyazott eszközön.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási képességekkel rendelkező mobilalkalmazásokat kívánnak fejleszteni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja TensorFlow Lite.
• Ismerje meg a TensorFlow, a gépi tanulás és a mély tanulás mögött meghúzódó elveket.
• Töltse be a TensorFlow modelleket egy Android-eszközre.
• Engedélyezze a mélytanulási és gépi tanulási funkciókat, például a számítógépes látást és a természetes nyelvfelismerést egy mobilalkalmazásban.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási képességekkel rendelkező iOS mobilalkalmazásokat kívánnak fejleszteni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja TensorFlow Lite.
• Ismerje meg a TensorFlow és a gépi tanulás mögött meghúzódó elveket a mobileszközökön.
• Töltse be a TensorFlow modelleket egy iOS-eszközre.
• Futtasson egy iOS-alkalmazást, amely képes észlelni és osztályozni az eszköz kameráján keresztül rögzített objektumot.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik nagyon kicsi beágyazott eszközökön szeretnének gépi tanulási modelleket írni, betölteni és futtatni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse TensorFlow Lite.
• Töltsön be gépi tanulási modelleket egy beágyazott eszközre, hogy lehetővé tegye a beszéd észlelését, a képek osztályozását stb.
• Adjon hozzá mesterséges intelligenciát a hardvereszközökhöz anélkül, hogy a hálózati kapcsolatra támaszkodna.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a kutatóknak és fejlesztőknek szól, akik a Chainer segítségével neurális hálózatokat szeretnének felépíteni és betanítani a Python-ban, miközben megkönnyítik a kód hibakeresését.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet a neurális hálózati modellek fejlesztésének megkezdéséhez.
• Neurális hálózati modellek meghatározása és megvalósítása érthető forráskód segítségével.
• Példák végrehajtása és meglévő algoritmusok módosítása a mély tanulási képzési modellek optimalizálása érdekében, miközben kihasználja GPU-eket a nagy teljesítmény érdekében.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek vagy adattudósoknak szól, akik a Horovod segítségével szeretnének elosztott mélytanulási tréningeket lebonyolítani, és bővíteni kívánják, hogy több GPU-n párhuzamosan futhassanak.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet a mélytanulási tréningek indításához.
• Telepítse és konfigurálja a Horovodot a TensorFlow, Keras, PyTorch és Apache MXNet modellek betanításához.
• Méretezze a mély tanulási képzést a Horovoddal, hogy több GPU-n futhasson.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék felgyorsítani a valós idejű gépi tanulási alkalmazásokat, és nagyarányúan üzembe helyezni azokat.

A képzés végére a résztvevők képesek lesznek:

• Telepítse az OpenVINO eszközkészletet.
• Gyorsítsa fel a számítógépes látás alkalmazását FPGA segítségével.
• Különböző CNN rétegek végrehajtása az FPGA-n.
• Méretezze az alkalmazást több csomópontra egy Kubernetes-fürtben.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak szól, akik a Apache MXNet segítségével kívánják felépíteni és bevezetni a képfelismerési mélytanulási modellt.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Apache MXNet-t és összetevőit.
• Ismerje meg az MXNet architektúráját és adatstruktúráit.
• Használja a Apache MXNet alacsony és magas szintű API-it a neurális hálózatok hatékony felépítéséhez.
• Konvolúciós neurális hálózat létrehozása a képosztályozáshoz.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a műszaki szakembereknek szól, akik mély tanulási modellt kívánnak alkalmazni képfelismerő alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja Keras.
• A mély tanulási modellek gyors prototípusa.
• Konvolúciós hálózat megvalósítása.
• Ismétlődő hálózat megvalósítása.
• Végezzen mély tanulási modellt CPU-n és GPU-n egyaránt.