DeepMind Lab Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladótól haladó szintű adattudósok, gépi tanulási mérnökök, mélytanulási kutatók és számítógépes látástechnikai szakértők számára készült, akik bővíteni szeretnék tudásukat és készségeiket a szövegből képgenerálás területén.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a fejlett mélytanulási architektúrákat és technikákat a szövegből képgenerálás területén.
• Komplex modelleket és optimalizációkat implementálni a kiváló minőségű képszintézis érdekében.
• Optimalizálni a teljesítményt és skálázhatóságot nagy adathalmazok és komplex modellek esetén.
• Hiperparaméterek finomhangolása a jobb modellteljesítmény és általánosítás érdekében.
• A Stable Diffusion integrálása más mélytanulási keretrendszerekkel és eszközökkel

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) biológusok számára készült, akik szeretnék megérteni, hogyan működik az AlphaFold, és az AlphaFold modelleket útmutatóként szeretnék használni kísérleti tanulmányaikban.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az AlphaFold alapelveit.
• Megtanulni, hogyan működik az AlphaFold.
• Megtanulni, hogyan kell értelmezni az AlphaFold előrejelzéseket és eredményeket.

Ez egy 4 napos képzés, amely bemutatja a mesterséges intelligenciát és annak alkalmazásait. Lehetőség van egy további napra az AI projekt megvalósításához a képzés befejezése után. 

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kutatásokkal és fejlesztőkkel foglalkozó szakembereknek szól, akik a Chainert szeretnék használni neurális hálózatok felépítéséhez és tanításához Pythonban, miközben a kódot könnyen hibakereshetővé teszik.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a neurális hálózati modellek fejlesztésének megkezdéséhez.
• Neurális hálózati modelleket definiálni és implementálni érthető forráskód segítségével.
• Példákat futtatni és meglévő algoritmusokat módosítani a mélytanuló képzési modellek optimalizálása érdekében, miközben a GPU-kat használják a nagy teljesítmény érdekében.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a computer vision ismereteiket és felfedezni a TensorFlow lehetőségeit a kifinomult látási modellek fejlesztéséhez a Google Colab segítségével.

A képzés végére a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatokat (CNN-ket) építeni és betanítani a TensorFlow segítségével.
• Kihasználni a Google Colabot skálázható és hatékony felhőalapú modellfejlesztéshez.
• Képfeldolgozási technikákat implementálni computer vision feladatokhoz.
• Computer vision modelleket üzembe helyezni valós alkalmazásokhoz.
• Transzfer tanulást alkalmazni a CNN-modellek teljesítményének javításához.
• Képbesorolási modellek eredményeinek megjelenítése és értelmezése.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszínen) középszintű adattudósok és fejlesztők számára készült, akik szeretnének mélytanulási technikákat megérteni és alkalmazni a Google Colab környezetben.

A képzés végére a résztvevők képesek lesznek:

• Beállítani és kezelni a Google Colab-ot mélytanulási projektekhez.
• Megérteni a neurális hálózatok alapjait.
• Mélytanulási modelleket implementálni a TensorFlow segítségével.
• Mélytanulási modelleket betanítani és értékelni.
• Kihasználni a TensorFlow haladó funkcióit a mélytanuláshoz.

Ebben az oktató által vezetett, élő képzésen Magyarország a résztvevők megtanulják, hogyan használják a Python könyvtárait az NLP-hez, miközben létrehoznak egy alkalmazást, amely feldolgoz egy képgyűjteményt és generál hozzá feliratokat.

A képzés végére a résztvevők képesek lesznek:

• Tervezni és kódolni DL-t az NLP-hez Python könyvtárak használatával.
• Python kódot készíteni, amely egy jelentős méretű képgyűjteményt olvas be és kulcsszavakat generál.
• Python kódot készíteni, amely a felismert kulcsszavakból feliratokat generál.

Célközönség

Ez a kurzus a Deep Learning kutatóknak és mérnököknek szól, akik érdeklődnek a rendelkezésre álló eszközök (főleg nyílt forráskódúak) használata iránt a számítógépes képek elemzéséhez.

A kurzus gyakorlati példákat tartalmaz.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszínen) középhaladó szintű fejlesztőknek, adattudósoknak és AI szakembereknek szól, akik szeretnék kihasználni a TensorFlow Lite előnyeit Edge AI alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a TensorFlow Lite alapjait és szerepét az Edge AI-ban.
• AI modellek fejlesztése és optimalizálása a TensorFlow Lite segítségével.
• TensorFlow Lite modellek üzembe helyezése különböző edge eszközökön.
• Eszközök és technikák használata modellkonverzióhoz és optimalizáláshoz.
• Gyakorlati Edge AI alkalmazások implementálása TensorFlow Lite segítségével.

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

A képzés végére a résztvevők képesek lesznek:

• Az OpenVINO eszközkészlet telepítésére.
• Egy számítógépes látó alkalmazás felgyorsítására FPGA használatával.
• Különböző CNN rétegek végrehajtására az FPGA-n.
• Az alkalmazás horizontális skálázására több csomóponton egy Kubernetes klaszterben.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék a TensorFlow-ot használni a lehetséges csalási adatok elemzéséhez.

A képzés végére a résztvevők képesek lesznek:

• Csalásfelismerő modell létrehozására Python és TensorFlow segítségével.
• Lineáris regressziók és lineáris regressziós modellek építésére csalás előrejelzéséhez.
• Végponttól végpontig tartó AI alkalmazás fejlesztésére a csalási adatok elemzéséhez.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a fejlesztőknek vagy adattudósoknak szól, akik a Horovod használatával szeretnének elosztott mélytanulási képzéseket futtatni, és ezt több GPU-n párhuzamosan szeretnék méretezni.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a mélytanulási képzések elindításához.
• Telepíteni és konfigurálni a Horovod-ot a modellek TensorFlow, Keras, PyTorch és Apache MXNet segítségével történő betanításához.
• Méretezni a mélytanulási képzéseket a Horovod segítségével több GPU-n történő futtatásra.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) azoknak szól, akik mélytanulási modelleket szeretnének alkalmazni képfelismerő alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• A Keras telepítésére és beállítására.
• Gyorsan prototípust készíteni mélytanulási modellekből.
• Konvolúciós hálózat implementálására.
• Rekurrens hálózat implementálására.
• Mélytanulási modell futtatására CPU-n és GPU-n egyaránt.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) adatelemzők, gépi tanulás mérnökök és számítógépes látáskutatók számára készült, akik szeretnék kihasználni a Stable Diffusion előnyeit a kiváló minőségű képek generálására különböző felhasználási területeken.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Stable Diffusion elveit és működését a képgenerálásban.
• Stable Diffusion modellek építésére és betanítására képgenerálási feladatokhoz.
• A Stable Diffusion alkalmazására különböző képgenerálási forgatókönyvekben, például inpainting, outpainting és kép-kép fordítás.
• A Stable Diffusion modellek teljesítményének és stabilitásának optimalizálására.

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

A képzés végére a résztvevők képesek lesznek:

• A TensorFlow Lite telepítésére.
• Gépi tanulási modellek betöltésére egy beágyazott eszközre, hogy az képes legyen beszédfelismerésre, képek osztályozására stb.
• Mesterséges intelligenciát hozzáadni hardvereszközökhöz hálózati kapcsolat nélkül.