Deep Learning for Vision Képzés

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 mélytanulás terén. szövegből képpé generáláshoz.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a fejlett mélytanulási 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 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 kurzus menedzserek, megoldástervezők, innovációs tisztek, technológiai igazgatók, szoftvertervezők és mindazok számára készült, akiket érdekel az alkalmazott mesterséges intelligencia áttekintése és a fejlődésének legközelebbi előrejelzése.

This instructor-led, live training in Magyarország (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.

By the end of this training, participants will be able to:

• Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
• Write and understand procedural, functional, and object-oriented programming code.
• Implement machine learning techniques such as classification, clustering, and neural networks.
• Develop AI solutions using rules engines and expert systems for problem-solving.

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

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a AlphaFold alapelveit.
• Ismerje meg a AlphaFold működését.
• Ismerje meg a AlphaFold előrejelzések és eredmények értelmezését.

A mesterséges neurális hálózat egy számítási adatmodell, amelyet „intelligens” feladatok elvégzésére képes Artificial Intelligence (AI) rendszerek fejlesztésében használnak. Neural Networks általánosan használt Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítását jelentik. Deep Learning az ML egy részhalmaza.

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

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 mélytanulási képzési modellek optimalizálása érdekében, miközben kihasználja GPU-eket a nagy teljesítmény érdekében.

A Computer Network ToolKit (CNTK) a Microsoft nyílt forráskódú, többgépes, többGPU, rendkívül hatékony RNN oktatógépi tanulási keretrendszere beszédhez, szöveghez és képekhez.

Közönség

Ez a kurzus azoknak a mérnököknek és építészeknek szól, akik a CNTK-t szeretnék felhasználni projektjeikben.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű fejlesztőknek, adattudósoknak és mesterséges intelligenciával foglalkozó szakembereknek szól, akik szeretnék kihasználni a TensorFlow Lite for Edge AI alkalmazásokat.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a TensorFlow Lite alapjait és szerepét az Edge AI-ben.
• AI modellek fejlesztése és optimalizálása a TensorFlow Lite segítségével.
• Telepítse a TensorFlow Lite modelleket különféle éleszközökön.
• Használjon eszközöket és technikákat a modellkonverzióhoz és -optimalizáláshoz.
• Valósítson meg gyakorlati Edge AI-alkalmazásokat a TensorFlow Lite segítségével.

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 széleskörűen 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 képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek vagy adattudósoknak szól, akik a Horovod segítségével szeretnének elosztott mélytanulási tréningeket lebonyolítani, és úgy bővíteni, hogy több GPU-en párhuzamosan futhassanak. .

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet a mélytanulási tréningek indításához.
• Telepítse és konfigurálja a Horovod-t a TensorFlow, Keras, PyTorch és Apache MXNet modellek betanításához.
• Méretezze a mélytanulási képzést a Horovod segítségével, hogy több GPU-en futhasson.

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.
• Valósítson meg egy konvolúciós hálózatot.
• Ismétlődő hálózat megvalósítása.
• Végezzen mélytanulási modellt CPU-n és GPU-n egyaránt.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak, gépi tanulási mérnököknek és számítógépes látáskutatóknak szól, akik szeretnék kihasználni a Stable Diffusion-t, hogy kiváló minőségű képeket állítsanak elő 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 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.