Mastering Apache SINGA Kurzusok

A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.

Ez a kurzus általános áttekintés a Deep Learning anélkül, hogy túlságosan mélyen belépnénk a konkrét módszerekbe. Alkalmas azok számára, akik el akarják kezdeni a Deep learning használatát, hogy növeljék az előrejelzés pontosságát.

A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.

A gépi tanulás a mesterséges intelligencia ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. A mélyreható tanulás a gépi tanulás almezője, amely olyan módszereket használ, amelyek tanulási adatok reprezentációján és struktúráin alapulnak, mint például a neurális hálózatok.

Caffe egy mély tanulási keretrendszer, melyet kifejezést, sebességet és modularitást szem előtt tartanak.

Ez a kurzus a Caffe alkalmazásának mélyreható tanulási keretrendszerét vizsgálja a képfelismeréshez MNIST példaként

Közönség

Ez a kurzus alkalmas a Deep Learning kutatók és mérnökök számára, akik érdeklődnek a Caffe keretrendszerének felhasználásáról.

A kurzus befejezése után a küldöttek:

• megértsék a Caffe szerkezetét és a telepítési mechanizmusokat
• telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
• a kód minőségének értékelése, hibakeresés, monitorozás
• fejlett gyártást, például képzési modelleket, rétegeket és naplózást valósít meg

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 a kurzus magában foglalja az AI (emphasizing Machine Learning és Deep Learning) az iparban. Segít meghatározni, hogy melyik technológia (potenciálisan) használható több helyzetben egy autóban: az egyszerű automatizálástól, a képfelismeréstől az autonóm döntéshozatalig.

Ez a tanfolyam kiterjed az AI-re (hangsúlyozva a Machine Learning és a Deep Learning )

Ebben az oktató által vezetett, élő képzésben áttekintjük a neurális hálózatok alapelveit, és a OpenNN segítségével megvalósítunk egy minta alkalmazást.

A tanfolyam formátuma

Előadás és beszélgetés gyakorlati gyakorlatokkal egybekötve.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell az OpenNMT t beállítani és használni a különféle mintaadatok fordításához. A tanfolyam a gépi fordításra alkalmazandó ideghálózatok áttekintésével kezdődik. A résztvevők az egész kurzuson élő gyakorlatokat végeznek, hogy megmutassák a megtanult fogalmak megértését és visszajelzéseket kapnak az oktatóktól.

A képzés végére a résztvevők rendelkeznek az élő OpenNMT megoldás megvalósításához szükséges ismeretekkel és gyakorlattal.

A forrás- és célnyelvi mintákat a közönség igényei szerint előre elkészítjük.

A tantárgy formátuma

• Rész előadás, rész vita, nehéz gyakorlati gyakorlat

Típus: Elméleti képzés olyan alkalmazásokkal, amelyeket a pedagógiai csoport szerint a Lasagne vagy Keras hallgatókkal előre meghatároztunk

Oktatási módszer: prezentáció, csereprogramok és esettanulmányok

A mesterséges intelligencia, miután sok tudományos területet felbomlott, számos gazdasági ágazat (ipar, orvostudomány, kommunikáció stb.) Forradalmát kezdte. Ennek ellenére a nagy médiában való bemutatása gyakran fantázia, nagyon messze attól, ami valójában a Machine Learning vagy a Deep Learning . Ez a képzés célja, hogy bemutassa a Deep Learning és annak különféle szakterületeit, és ezáltal a meglévő főbb hálózati architektúrákat a már meglévő számítógépes eszközök elsajátításával (ideértve a szoftveres programozási alapot is). ma. Ha a matematikai alapokat visszahívják a tanfolyam során, akkor a nagyobb kényelem érdekében a BAC + 2 típusú matematikai szint ajánlott. Teljesen lehetséges, hogy kihagyja a matematikai tengelyt, hogy csak "rendszer" látást tartson fenn, de ez a megközelítés nagyban korlátozza a tárgy megértését.

A PaddlePaddle (PArallel Distributed Deep LEarning) egy skálázható mélytanulási platform, amelyet Baidu fejlesztett ki Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a PaddlePaddle használatát, hogy lehetővé tegyék a mély tanulás lehetőségét a termék- és szolgáltatásalkalmazásokban A képzés végére a résztvevők képesek lesznek: Állítsa be és konfigurálja a PaddlePaddle-t Konvolúciós neurális hálózat (CNN) létrehozása a képfelismeréshez és az objektumok észleléséhez Állítson be egy visszatérő neurális hálózatot (RNN) az érzelemelemzéshez Állítsa be mély tanulásukat az ajánlórendszerekre, hogy segítsen a felhasználóknak megtalálni a válaszokat Az átkattintási arányok (CTR) előrejelzése, nagy méretű képkészletek osztályozása, optikai karakterfelismerés (OCR) végrehajtása, keresések rangsorolása, számítógépes vírusok felderítése és ajánlórendszer alkalmazása Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

Az OpenFace Python és Torch alapú nyílt forráskódú, valós idejű arcfelismerő szoftver, amely a Google FaceNet kutatásán alapul Ebben az oktatott, élő képzésben a résztvevők megtudják, hogyan használják az OpenFace komponenseit egy minta arcfelismerő alkalmazás létrehozásához és telepítéséhez A képzés végére a résztvevők képesek lesznek: Munka OpenFace komponenseivel, beleértve a dlib-t, az OpenVC-t, a Torch-ot és az nn4-et az arcfelismerés, az illesztés és az átalakítás megvalósításához Alkalmazza az OpenFace-et realworld alkalmazásokra, mint például a felügyelet, a személyazonosság ellenőrzése, a virtuális valóság, a játék és az ismétlődő ügyfelek azonosítása stb Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják a legrelevánsabb és legmodernebb gépi tanulási technikákat Python-ban, miközben képeket, zenét, szöveget és pénzügyi adatokat tartalmazó bemutatóalkalmazásokat készítenek.

A képzés végére a résztvevők képesek lesznek:

• Alkalmazzon gépi tanulási algoritmusokat és technikákat összetett problémák megoldására.
• Alkalmazza a mély tanulást és a félig felügyelt tanulást a képeket, zenét, szöveget és pénzügyi adatokat tartalmazó alkalmazásokban.
• Tolja a Python algoritmusokat maximális potenciáljukig.
• Használjon könyvtárakat és csomagokat, például a NumPy-t és a Theano-t.

Ezen az oktató által vezetett, élő tréningen a résztvevők haladó Machine Learning technikákat tanulnak meg R-vel, miközben egy valós alkalmazás létrehozásán haladnak keresztül.

A képzés végére a résztvevők képesek lesznek:

• A felügyelet nélküli tanulási technikák megértése és alkalmazása
• Klaszterezés és osztályozás alkalmazása valós adatokon alapuló előrejelzések készítéséhez.
• Vizualizálja az adatokat, hogy gyorsan betekintést nyerhessen, döntéseket hozzon és tovább finomítsa az elemzést.
• A gépi tanulási modell teljesítményének javítása hiperparaméteres hangolással.
• Állítson be egy modellt a gyártásba, hogy nagyobb alkalmazásban használhassa.
• Alkalmazzon fejlett gépi tanulási technikákat, hogy válaszoljon a közösségi hálózati adatokkal, big data-okkal és sok mással kapcsolatos kérdésekre.