Fraud Detection with Python and TensorFlow 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) azoknak az adattudósoknak és szoftvermérnököknek szól, akik a Dask-ot a Python ökoszisztémával kívánják használni nagy adatkészletek létrehozására, méretezésére és elemzésére.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a környezetet a nagy adatfeldolgozás felépítéséhez a Dask és Python segítségével.
• Fedezze fel a Dask szolgáltatásban elérhető szolgáltatásokat, könyvtárakat, eszközöket és API-kat.
• Ismerje meg, hogyan gyorsítja fel a Dask a párhuzamos számítást Pythonban.
• Ismerje meg, hogyan méretezheti a Python ökoszisztémát (Numpy, SciPy és Pandas) a Dask segítségével.
• Optimalizálja a Dask környezetet, hogy megőrizze a nagy teljesítményt a nagy adatkészletek kezelésében.

Azon oktatóvezetett, élő képzés Magyarország (online vagy helyszíni) célközönsége az a középhőmérsékű Python fejlesztők és adattudósok, akik kíváncsiak arra, hogy javítsák adatelemzési és adatmanipulációs képességeiket Pandas-vel és NumPy-val.

E képzés végén a résztvevők képesek lesznek:

• Python-t, Pandas-t és NumPy-t tartalmazó fejlesztői környezetet állítanak be.
• Pandas-vel és NumPy-val adatelemző alkalmazást hozzanak létre.
• Elvégezzenek előrehaladott adatszabályozási, rendezési és szűrési műveleteket.
• Végrehajtanak összegzési műveleteket és elemznek idősorozat-adatokat.
• Matplotlib és más vizualizációs könyvtárak segítségével adatok megjelenítését végrehajtanak.
• Hibák keresését és optimalizálják adatelemző kódjukat.

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 (online vagy helyszíni) képzés azoknak a fejlesztőknek szól, akik a FARM (FastAPI, React és MongoDB) stacket szeretnék használni dinamikus, nagy teljesítményű és méretezhető webalkalmazások létrehozására.

A képzés végére a résztvevők képesek lesznek:

Állítsa be a szükséges fejlesztői környezetet, amely integrálja a FastAPI-t, a React-t és a MongoDB-t. Ismerje meg a FARM verem legfontosabb fogalmait, jellemzőit és előnyeit. Ismerje meg, hogyan hozhat létre REST API-kat a FastAPI segítségével. Ismerje meg, hogyan tervezhet interaktív alkalmazásokat a React segítségével. Alkalmazások fejlesztése, tesztelése és üzembe helyezése (front end és back end) a FARM verem segítségével.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a FastAPI-t Python-vel szeretnék használni a RESTful API-k egyszerűbb és gyorsabb létrehozásához, teszteléséhez és üzembe helyezéséhez.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet az API-k fejlesztéséhez Python-gyel és FastAPI-gyel.
• Gyorsabban és egyszerűbben API-kat létrehozni a FastAPI könyvtár segítségével.
• Megtanulni adatmodelleket és sémákat létrehozni a Pydantic és az OpenAPI alapján.
• API-kat csatlakoztatni egy adatbázishoz a SQLAlchemy használatával.
• Biztonságot és hitelesítést implementálni az API-kban a FastAPI eszközök segítségével.
• Konténerképeket létrehozni és web API-kat üzembe helyezni egy felhő szerverre.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik az Modin segítségével párhuzamos számításokat kívánnak készíteni és megvalósítani a Pandas-vel a gyorsabb adatelemzés érdekében.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges környezetet a Pandas munkafolyamatok nagyarányú fejlesztésének megkezdéséhez az Modin segítségével.
• Ismerje meg az Modin szolgáltatásait, felépítését és előnyeit.
• Ismerje meg a különbségeket Modin, Dask és Ray között.
• Hajtsa végre a Pandas műveletet gyorsabban az Modin segítségével.
• Valósítsa meg a teljes Pandas API-t és funkciókat.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik a Tensorflow 2.x-et előrejelzők, osztályozók, generatív modellek, neurális hálózatok és így tovább építésére szeretnék használni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a TensorFlow 2.x.
• Ismerje meg a TensorFlow 2.x előnyeit a korábbi verziókhoz képest.
• Építsen mély tanulási modelleket.
• Valósítson meg egy speciális képosztályozót.
• Telepítsen mélytanulási modellt a felhő-, mobil- és IoT-eszközökön.

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:

• Különféle TensorFlow modellek kiképzése, exportálása és szolgáltatásuk.
• Algoritmusok tesztelése és telepítése egy architektúra és API-készlet segítségével.
• A TensorFlow Serving bővítése más modelltipusok szolgáltatására, nem csak TensorFlow modellek.

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

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják ki a TPU processzorok innovációit, hogy maximalizálják saját AI alkalmazásaik teljesítményét.

A képzés végén a résztvevők képesek lesznek:

• Various types of neural networks training on large amounts of data.
• TPU használata az inference folyamat gyorsításához akár két nagyságrenddel.
• TPU felhasználása intenzív alkalmazások feldolgozására, mint például képkeresés, felhővizion, és fotók.

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