Csalásfelismerés Python és TensorFlow segítségével Képzés

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 (online vagy helyszínen) adattudósok és szoftvermérnökök számára készült, akik a Dask-et szeretnék használni a Python ökoszisztémával nagy adathalmazok felépítéséhez, skálázásához és elemzéséhez.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a környezetet a nagy adatfeldolgozás megkezdéséhez Dask és Python segítségével.
• Felfedezni a Dask-ben elérhető funkciókat, könyvtárakat, eszközöket és API-kat.
• Megérteni, hogyan gyorsítja fel a Dask a párhuzamos számításokat Pythonban.
• Megtanulni, hogyan lehet skálázni a Python ökoszisztémát (Numpy, SciPy és Pandas) a Dask segítségével.
• Optimalizálni a Dask környezetet a nagy adathalmazok kezelésében való magas teljesítmény fenntartásához.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű Python fejlesztőknek és adatelemzőknek szól, akik szeretnék fejleszteni készségeiket a Pandas és NumPy használatával történő adatelemzés és -manipuláció terén.

A képzés végére a résztvevők képesek lesznek:

• Beállítani egy fejlesztői környezetet, amely magában foglalja a Python, Pandas és NumPy használatát.
• Létrehozni egy adatelemző alkalmazást Pandas és NumPy segítségével.
• Speciális adatfeldolgozást, rendezést és szűrést végrehajtani.
• Aggregált műveleteket végezni és idősoros adatokat elemezni.
• Adatokat vizualizálni a Matplotlib és más vizualizációs könyvtárak segítségével.
• Hibakeresést és optimalizálást végezni adatelemző kódjaikon.

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 (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a FARM (FastAPI, React, és MongoDB) verem használatával szeretnének dinamikus, nagy teljesítményű és skálázható webalkalmazásokat építeni.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet, amely integrálja a FastAPI-t, a Reactot és a MongoDB-t.
• Megérteni a FARM verem kulcsfogalmait, jellemzőit és előnyeit.
• Megtanulni, hogyan kell REST API-kat építeni a FastAPI-val.
• Megtanulni, hogyan kell interaktív alkalmazásokat tervezni a React segítségével.
• Fejleszteni, tesztelni és üzembe helyezni alkalmazásokat (frontend és backend) a FARM verem használatával.

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

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet API-k fejlesztéséhez Pythonnal és FastAPI-val.
• Gyorsabban és egyszerűbben létrehozni API-kat a FastAPI könyvtár használatával.
• Megtanulni, hogyan készítsenek adatmodelleket és sémákat Pydantic és OpenAPI alapján.
• API-kat csatlakoztatni egy adatbázishoz SQLAlchemy segítségével.
• Biztonsági és hitelesítési megoldások implementálása API-kban a FastAPI eszközeivel.
• Tárolóképek készítése és webes API-k üzembe helyezése egy felhő szerveren.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik a Modin használatával párhuzamos számításokat szeretnének létrehozni és implementálni a Pandas segítségével a gyorsabb adatelemzés érdekében.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a szükséges környezetet a nagy léptékű Pandas munkafolyamatok fejlesztéséhez a Modin segítségével.
• Megérteni a Modin jellemzőit, architektúráját és előnyeit.
• Ismerni a Modin, a Dask és a Ray közötti különbségeket.
• Gyorsabban végrehajtani Pandas műveleteket a Modin segítségével.
• Implementálni a teljes Pandas API-t és funkciókat.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) fejlesztők és adattudósok számára készült, akik a TensorFlow 2.x-et szeretnék használni előrejelzők, osztályozók, generatív modellek, neurális hálózatok stb. létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a TensorFlow 2.x-et.
• Megérteni a TensorFlow 2.x előnyeit a korábbi verziókhoz képest.
• Mélytanulási modelleket építeni.
• Fejlett képosztályozót implementálni.
• Mélytanulási modellt telepíteni a felhőbe, mobil- és IoT eszközökre.

Ezen oktatóvezetésű, élő képzésen Magyarország (online vagy helyszíni) a résztvevők megtanulják, hogyan konfigurálják és használják a TensorFlow Servinget ML modellek üzembe helyezésére és kezelésére éles környezetben.

A képzés végére a résztvevők képesek lesznek:

• Különböző TensorFlow modellek betanítására, exportálására és kiszolgálására.
• Algoritmusok tesztelésére és üzembe helyezésére egyetlen architektúra és API-készlet használatával.
• A TensorFlow Serving kiterjesztésére más típusú modellek kiszolgálására, nem csak TensorFlow modellekre.

A TensorFlow a Google nyílt forráskódú szoftverkönyvtárának 2. generációs API-ja a Deep Learninghez. A rendszer úgy lett kialakítva, hogy elősegítse a gépi tanulás kutatását, és gyorsan és egyszerűvé tegye az átmenetet a kutatási prototípusból a termelési rendszerbe.

Célközönség

Ez a kurzus azoknak a mérnököknek szól, akik a TensorFlow-ot szeretnék használni Deep Learning projektekhez.

A kurzus elvégzése után a résztvevők:

• megértik a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• képesek lesznek telepítési / termelési környezet / architektúra feladatok elvégzésére és konfigurálására
• képesek lesznek kódminőség felmérésére, hibakeresésre, monitorozásra
• képesek lesznek fejlett termelési feladatok végrehajtására, mint a modelltanítás, gráfok építése és naplózás

Ez a kurzus konkrét példákon keresztül mutatja be a TensorFlow alkalmazását a képfelismerés területén.

Célközönség

A kurzus azoknak a mérnököknek szól, akik a TensorFlow használatával szeretnék megoldani a képfelismerési feladatokat.

A kurzus elvégzése után a résztvevők képesek lesznek:

• megérteni a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• végrehajtani telepítési / termelési környezet / architektúra feladatokat és konfigurációt
• értékelni a kód minőségét, hibakeresést és monitorozást végezni
• speciális termelési feladatokat megvalósítani, mint a modellek betanítása, gráfok építése és naplózás

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak szól, akik egyetlen ML modell tanításától szeretnének továbblépni több ML modell termelési környezetbe történő üzembe helyezéséhez.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a TFX-et és a támogató harmadik féltől származó eszközöket.
• A TFX használatával létrehozni és kezelni egy teljes ML termelési folyamatot.
• A TFX komponensekkel dolgozni a modellezés, képzés, következtetés kiszolgálása és üzembe helyezések kezelése terén.
• Gépi tanulási funkciókat üzembe helyezni webalkalmazásokban, mobilalkalmazásokban, IoT eszközökön és egyebeken.

A TensorFlow™ egy nyílt forráskódú szoftverkönyvtár numerikus számításokhoz, amely adatfolyam-gráfokat használ.

A SyntaxNet egy neurális hálózat alapú természetes nyelvfeldolgozási keretrendszer a TensorFlow számára.

A Word2Vec szóbeágyazások, vagyis szavak vektoros reprezentációinak tanulására szolgál. A Word2Vec egy különösen számításilag hatékony prediktív modell a szóbeágyazások tanulásához nyers szövegből. Két változatban érhető el: a Continuous Bag-of-Words modell (CBOW) és a Skip-Gram modell (lásd Mikolov et al., 3.1 és 3.2 fejezet).

A SyntaxNet és a Word2Vec együttes használata lehetővé teszi a felhasználók számára, hogy tanult beágyazási modelleket hozzanak létre természetes nyelvi bemenetből.

Célközönség

Ez a képzés fejlesztőknek és mérnököknek szól, akik a SyntaxNet és a Word2Vec modellekkel szeretnének dolgozni a TensorFlow gráfjaikban.

A képzés elvégzése után a résztvevők:

• megértik a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• képesek lesznek telepítési/termelési környezet/architektúra feladatok elvégzésére és konfigurálására
• képesek lesznek kódminőség értékelésére, hibakeresésre és monitorozásra
• képesek lesznek haladó termelési feladatok implementálására, mint modelltanítás, kifejezések beágyazása, gráfok építése és naplózás

Ez a kurzus elméleti ismeretekkel kezdődik a neurális hálózatokról, valamint általánosságban a gépi tanulási algoritmusokról és a mély tanulásról (algoritmusok és alkalmazások).

A képzés 1. része (40%) inkább az alapokra összpontosít, de segít a megfelelő technológia kiválasztásában: 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. része (40%) nagyrészt a TensorFlow-ra épül – a Google nyílt forráskódú szoftverkönyvtárára a mély tanuláshoz. A példák és a gyakorlati feladatok mind a TensorFlow-ban készülnek.

Célközönség

Ez a kurzus azoknak a mérnököknek szól, akik a TensorFlow-ot szeretnék használni mély tanulási projekteikben.

A kurzus elvégzése után a résztvevők:

• jól megértik a mély neurális hálózatokat (DNN), a konvolúciós neurális hálózatokat (CNN) és a rekurrens neurális hálózatokat (RNN)
• megértik a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• képesek lesznek telepítési / éles környezet / architektúra feladatok elvégzésére és konfigurálására
• képesek lesznek kódminőség értékelésére, hibakeresésre és monitorozásra
• képesek lesznek haladó termelési feladatok végrehajtására, mint a modellek betanítása, gráfok építése és naplózás