Furd becslés Python és TensorFlow használatával 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 iránytató által vezetett élő képzés Magyarország (online vagy helyszíni) data scientisteknek és szoftvermérnököknek szól, akik a Dask-et szeretnék használni a Python-egyérből nagy adathalmazokat építeni, skálázni és elemezni.

E képzés végére az résztvevők képesek lesznek:

• Környezet beállítása nagy adathalmazok feldolgozásának megkezdéséhez a Dask és Python használatával.
• A Dask rendelkezésének, könyvtárának, eszközeinek és API-jainak ismerete.
• Értékelje meg, hogyan gyorsítja a Dask a Python párhuzamos számításait.
• Megismerik, hogyan skálázható a Python-ekoszisztéma (Numpy, SciPy és Pandas) a Dask segítségével.
• A Dask környezet optimalizálása a nagy adathalmazok kezelése során magas teljesítmény fenntartásához.

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.

Ez az interaktív, megtervezett képzés során a résztvevők megtanulják, hogyan használják a Python könyvtárakat NLP-hez, és egy olyan alkalmazást készítenek, amely feldolgozza egy sor képet, és feliratokat generál.

A képzés végére a résztvevők:

• Tervezhetnek és programozhatnak DL-alkalmazásokat NLP-hez Python könyvtárakat használva.
• Készíthetnek Python kódot, amely jelentősen nagy mennyiségű képet olvashat be és kulcsszavakat generálhat.
• Létrehozhatnak Python kódot, amely a felismert kulcsszavakból generálja a feliratokat.

Célközönség

Ez a kurzus alkalmas mély tanulási kutatók és mérnökök számára, akik érdeklődnek az elérhető eszközök (főként nyílt forráskódú) alkalmazásáról a számítógépi képek elemzésében.

A kurzus bemutat működő példákat.

Ez az instruktor vezetésű élő képzés (online vagy helyszíni) fejlesztők számára készült, akik a FARM (FastAPI, React és MongoDB) stack segítségével dinamikus, nagy teljesítményű és skálázható webalkalmazásokat szeretnének létrehozni.

A képzés végeztével a résztvevők képesek lesznek:

• Beállítani a FastAPI, React és MongoDB integrált fejlesztői környezetet.
• Megérteni a FARM stack alapvető fogalmait, jellemzőit és előnyeit.
• Megtudni, hogyan építsenek REST API-kat FastAPI-val.
• Megtudni, hogyan tervezzenek interaktív alkalmazásokat a Reacttal.
• Készíteni, tesztelni és üzembe helyezni alkalmazásokat (front-end és back-end) a FARM stack segítségével.

Ez a tanárvezetett élő képzés Magyarország (online vagy helyszíni) programozók számára készült, akik gyorsabban és egyszerűbben szeretnének RESTful API-kat létrehozni, tesztelni és üzembe helyezni a Python FastAPI használatával.

A képzés végére a résztvevők képesek lesznek:

• Készíteni a szükséges fejlesztői környezetet API-k Python és FastAPI használatára.
• Gyorsabban és egyszerűbben létrehozni API-kat a FastAPI könyvtár használatával.
• Megtanulni, hogyan készíthetnek adattipusokat és sémastruktúrákat a Pydantic és az OpenAPI alapján.
• Csatlakoztatni API-kat adatbázishoz a SQLAlchemy használatával.
• Biztonsági és hitelesítési funkciókat implementálni API-kban a FastAPI eszközeivel.
• Tároló images-t készíteni és webes API-kat üzembe helyezni felhőszerveren.

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 interaktív, élő képzés Magyarország (online vagy helyszíni) a fejlesztőknek és adattudósoknak szánt, akik TensorFlow 2.x segítségével kívának prediktív modelleket, osztályozókat, generatív modelleket, neurális hálózatokat stb. létrehozni.

Ez a képzés befejeződésekor a résztvevők képesek lesznek:

• TensorFlow 2.x telepítésére és konfigurálására.
• Megérteni TensorFlow 2.x előnyeit az előző verziókkal összevetve.
• Mély tanulási modelleket építeni.
• Egy haladó kép-osztályozót implementálni.
• Üzemeltetni a mély tanulási modellt felhőben, mobil és IoT eszközökön.

Ebben az instructor-led, élő képzésben Magyarország (online vagy személyesen) a résztvevők megtanulják, hogyan konfigurálható és használható a TensorFlow Serving a ML modellek gyártási környezetben történő üzembe helyezésére és kezelésére.

A képzés végére a résztvevők képesek lesznek:

• Tanítani, exportálni és szolgáltatni különböző TensorFlow modelleket.
• Algoritmusokat tesztelni és üzembe helyezni egyetlen architektúrával és API-készlettel.
• Kiterjeszteni a TensorFlow Serving-t, hogy más típusú modelleket is szolgáltathasson a TensorFlow modellek mellett.

A TensorFlow a Google második generációs API-ja annak az nyílt forráskódú szoftverkönyvtárának, amit a mély tanulás (Deep Learning) céljából kifejlesztettek. A rendszer arra tervezték, hogy segítson a gépi tanulás területén végzett kutatásokban, és lehetővé tegye a prototípusból az éles környezetbe való gyors átmenetet.

Célcsoport

Ez a tanfolyam olyan mérnököknek szánt, akik a TensorFlow-ot szeretnék használni mély tanulás projekteikben.

A tanfolyam befejezése után a résztvevők:

• ismerik a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• képesek lesznek az alkalmazás telepítésére, éles környezeti/architektúrai feladatokra és konfigurációra
• képesek lesznek a kód minőségének kiértékelésére, hibakeresésre és figyelésre
• képesek lesznek haladó éles környezeti feladatokat végrehajtani, mint például a modellek tanítása, a gráfok építése és naplózása

Ez a kurzus konkrét példákkal tárgyalja a TensorFlow alkalmazását az képfelismerés céljából

Célpublikum

A kurzus azon mérnököknek szól, akik a TensorFlow-ot szeretnék használni az Image Recognition (Képfelismerés) feladatokhoz

A kurzus befejezése után a résztvevők képesek lesznek:

• megérteni a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• végrehajtani az installációs / produkció környezet / architektúra feladatokat és konfigurációt
• megérteni a kódminőséget, hibaelhárítást és monitorozást végezni
• speciális produkció feladatokat végrehajtani, mint például modellek tanítása, gráfok építése és naplózás

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.

A TensorFlow™ egy nyílt forráskódú szoftverkönyvtár, amely adatáramlás-gráfok használatával numerikus kiszámításokat végzhet el.

A SyntaxNet egy neurális hálózati természetes nyelvfeldolgozási (NLP) keretrendszer a TensorFlow számára.

A Word2Vec a szavak vektormegjelenítéseinek, azaz "szó beágyazásainak" tanulására használható. A Word2Vec különösen hatékony prediktív modell a nyers szövegből való szó beágyazások tanulásához, amely két változatban is elérhető: a Continuous Bag-of-Words model (CBOW) és a Skip-Gram model (Mikolov et al. 3.1 és 3.2 fejezetben).

A SyntaxNet és Word2Vec együtt használata lehetővé teszi a felhasználók számára, hogy természetes nyelvi bemenetből generáljanak tanult beágyazási modelleket.

Célcsoport

Ez az oktatás fejlesztőkre és mérnökre vonatkozik, akik a TensorFlow grafikonjaikban szeretnének dolgozni a SyntaxNet és Word2Vec modelljeivel.

Az oktatás befejezése után a résztvevők:

• megértenek a TensorFlow szerkezetét és telepítési mechanizmusát
• képesek lesznek telepítési / termelési környezeti / architektúra feladatokat és konfigurációt végrehajtani
• képesek lesznek a kódkvalitás értékelésére, hibakeresésre, figyelésre
• képesek lesznek haladó termelési feladatokat végrehajtanod, például modell tanítást, beágyazások létrehozását, gráfok építését és naplózást

Ez a kurzus elejében bemutatja az neurális hálózatok fogalmát és általánosságban a gépi tanulás algoritmusait, valamint a mély tanulást (algoritmusok és alkalmazások).

A képzés 40%-a (1. rész) főként az alapokra koncentrál, de segít megválasztani a megfelelő technológiát: TensorFlow, Caffe, Theano, DeepDrive, Keras, stb.

A képzés 20%-a (2. rész) bemutatja a Theano-t - egy Python könyvtárat, ami egyszerűvé teszi mély tanulási modellek írását.

A képzés 40%-a (3. rész) kiterjedt ismertetést ad a Tensorflow-rol - Google nyílt forráskódú szoftverkönyvtárának, amely a mély tanuláshoz készült, és amit az alapokon fogunk példákat és gyakorlati feladatokat elvégezni.

Célközönség

Ez a kurzus olyan mérnököknek szól, akik a TensorFlow-ot szeretnék használni mély tanulási projektekben.

A kurzus befejezése után a résztvevők:

• megértenek a mély neurális hálózatok (DNN), CNN és RNN fogalmát

• megértenek a TensorFlow szerkezetét és üzembe helyezési mechanizmusait

• elvégezni tudnak telepítést, termelőkörnyezet-architektúrát és konfigurációt

• kódminőséget tudnak értékelni, hibakeresést és figyelést végezhetnek

• haladó termelési feladatokat, például modellek betanítását, gráfok létrehozását és naplózást tudnak megvalósítani