Machine Learning és Deep Learning 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 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 Caffe egy mély tanulási keretrendszer, amely kifejezőkéség, gyorsaság és modularitás szem előtt tartása mellett készült.

Ez a kurzus a Caffe alkalmazását vizsgálja képfelismerésre az MNIST példával.

Célcsoport

A kurzus alkalmas mély tanulási kutatók és mérnökök számára, akik a Caffe keretrendszert szeretnék használni.

Ez a kurzus befejezése után a résztvevők képesek lesznek:

• a Caffe szerkezetének és telepítési mechanizmusainak megértésére
• a telepítés, éles környezet, architektúra feladatok elvégzésére és konfigurálására
• a kódminőség becslésére, hibakeresésre és monitorozásra
• haladó éles környezet implementálására, például modell tanítása, rétegek megvalósítása és naplózás

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.

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 oktatóvezetett, élő képzés (online vagy helyszíni) célközönsége az olyan közepes szintű fejlesztők, adattudósok és AI-szakemberek, akik TensorFlow Lite-ot szeretnének használni Edge AI alkalmazásokhoz.

A képzés végén a résztvevők képesek lesznek:

• Megérteni TensorFlow Lite alapjait és szerepét az Edge AI-ben.
• AI modelleket fejleszteni és optimalizálni TensorFlow Lite segítségével.
• TensorFlow Lite modelleket telepíteni különböző élek eszközökön.
• Modellkonverzióhoz és optimalizáláshoz szükséges eszközöket és technikákat használni.
• Pratikus Edge AI alkalmazásokat valósítani meg TensorFlow Lite használatával.

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 interaktív, élő képzés Magyarország (online vagy helyszínen) a mérnököknek szánt, akik kis beágyazott eszközökre szeretnének gépi tanulási modelleket írni, betölteni és futtatni.

A képzés végére a résztvevők képesek lesznek:

• A TensorFlow Lite telepítésére.
• Gépi tanulási modelleket betölteni beágyazott eszközre, hogy hangfelismerést, képclassifieringet, stb. valósítsanak meg.
• Mesterséges intelligenciát hozzáadni a hardveres eszközhöz anélkül, hogy hálózati kapcsolatra lenne szükség.

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

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