MLOps for Azure Machine Learning Kurzusok

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék megtanulni, hogyan lehet mikroszolgáltatásokat építeni Microsoft Azure Service Fabric-en (ASF).

A képzés végére a résztvevők képesek lesznek:

• Használja az ASF-et platformként mikroszolgáltatások létrehozásához és kezeléséhez.
• Ismerje meg a legfontosabb mikroszolgáltatások programozási koncepcióit és modelljeit.
• Hozzon létre egy klasztert a Azure-ban.
• Telepítse a mikroszolgáltatásokat a helyszínen vagy a felhőben.
• Hibakeresés és hibaelhárítás egy élő mikroszolgáltatási alkalmazásban.

H2O AutoML is an artificial intelligence platform that automates the process of building, selecting and optimizing large numbers of machine learning models.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use H2O AutoML to automate the process of building and selecting the best machine learning algorithm and parameters.

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

• Automate the machine learning workflow.
• Automatically train and tune many machine learning models within a specified time range.
• Train stacked ensembles to arrive at highly predictive ensemble models.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a gépi tanulással foglalkozó szakembereknek szól, akik szeretnék a Auto-sklearn segítségével automatizálni a gépi tanulási modell kiválasztásának és optimalizálásának folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Automatizálja a rendkívül hatékony gépi tanulási modellek betanítási folyamatát.
• Építsen rendkívül pontos gépi tanulási modelleket, miközben megkerüli a különböző modellek kiválasztásának, betanításának és tesztelésének unalmasabb feladatait.
• Használja a gépi tanulás erejét valós üzleti problémák megoldására.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) adattudósoknak, valamint kevésbé technikai személyeknek szól, akik az Auto-Keras segítségével automatizálják a gépi tanulási modell kiválasztásának és optimalizálásának folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Automatizálja a rendkívül hatékony gépi tanulási modellek betanítási folyamatát.
• Automatikusan keresse meg a legjobb paramétereket a mély tanulási modellekhez.
• Építsen nagyon pontos gépi tanulási modelleket.
• Használja a gépi tanulás erejét valós üzleti problémák megoldására.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak, gépi tanulási mérnököknek és számítógépes látáskutatóknak szól, akik a Stable Diffusion segítségével szeretnék kiváló minőségű képeket készíteni 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) közép- és haladó szintű adattudósoknak, gépi tanulási mérnököknek, mély tanulással foglalkozó kutatóknak és számítógépes látásszakértőknek szól, akik szeretnék bővíteni tudásukat és készségeiket a mélytanulásban. szöveg-kép létrehozásához.

A képzés végére a résztvevők képesek lesznek:

Ismerje meg a fejlett mély tanulási 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 AlphaFold működését, és AlphaFold modelleket kívánnak útmutatóként használni kísérleti tanulmányaik során.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az AlphaFold alapelveit.
• Ismerje meg, hogyan működik AlphaFold.
• Tanulja meg, hogyan kell értelmezni AlphaFold előrejelzéseket és eredményeket.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási modelleket kívánnak telepíteni beágyazott eszközökön.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Tensorflow Lite-ot egy beágyazott eszközön.
• Ismerje meg a mögöttes fogalmakat és összetevőket TensorFlow Lite.
• Konvertálja a meglévő modelleket TensorFlow Lite formátumba a beágyazott eszközökön való végrehajtáshoz.
• Dolgozzon a kis eszközök és TensorFlow Lite korlátain belül, miközben megtanulja, hogyan bővítheti a futtatható műveletek körét.
• Telepítsen mély tanulási modellt egy Linuxot futtató beágyazott eszközön.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási képességekkel rendelkező mobilalkalmazásokat kívánnak fejleszteni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja TensorFlow Lite.
• Ismerje meg a TensorFlow, a gépi tanulás és a mély tanulás mögött meghúzódó elveket.
• Töltse be a TensorFlow modelleket egy Android-eszközre.
• Engedélyezze a mélytanulási és gépi tanulási funkciókat, például a számítógépes látást és a természetes nyelvfelismerést egy mobilalkalmazásban.

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.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási képességekkel rendelkező iOS mobilalkalmazásokat kívánnak fejleszteni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja TensorFlow Lite.
• Ismerje meg a TensorFlow és a gépi tanulás mögött meghúzódó elveket a mobileszközökön.
• Töltse be a TensorFlow modelleket egy iOS-eszközre.
• Futtasson egy iOS-alkalmazást, amely képes észlelni és osztályozni az eszköz kameráján keresztül rögzített objektumot.

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

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 bővíteni kívánják, hogy több GPU-n párhuzamosan futhassanak.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet a mélytanulási tréningek indításához.
• Telepítse és konfigurálja a Horovodot a TensorFlow, Keras, PyTorch és Apache MXNet modellek betanításához.
• Méretezze a mély tanulási képzést a Horovoddal, hogy több GPU-n futhasson.

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 nagyarányúan 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 (online vagy helyszíni) képzés azoknak az adattudósoknak szól, akik a Apache MXNet segítségével kívánják felépíteni és bevezetni a képfelismerési mélytanulási modellt.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Apache MXNet-t és összetevőit.
• Ismerje meg az MXNet architektúráját és adatstruktúráit.
• Használja a Apache MXNet alacsony és magas szintű API-it a neurális hálózatok hatékony felépítéséhez.
• Konvolúciós neurális hálózat létrehozása a képosztályozáshoz.