OpenNMT: Setting Up a Neural Machine Translation System Kurzusok

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.

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.
• Konvolúciós hálózat megvalósítása.
• Ismétlődő hálózat megvalósítása.
• Végezzen mély tanulási modellt CPU-n és GPU-n egyaránt.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik mély tanulási technikákat alkalmazva szeretnének önvezető autót építeni.

A képzés végére a résztvevők képesek lesznek:

• Használja a Keras-t egy konvolúciós neurális hálózat felépítéséhez és betanításához.
• Használjon számítógépes vizuális technikákat a sávok azonosítására egy autonóm vezetési projektben.
• Tanuljon meg egy mély tanulási modellt a közlekedési táblák megkülönböztetésére.
• Szimuláljon egy teljesen autonóm autót.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a szoftvermérnököknek szól, akik fejlett mély tanulási neurális hálózatokat és modelleket szeretnének fejleszteni a Keras és Python segítségével.

A képzés végére a résztvevők képesek lesznek:

• Alkalmazza a mély tanulást felügyelt vagy nem felügyelt tanulási módszerekkel.
• Egyidejű neurális hálózatok és ismétlődő neurális hálózatok fejlesztése, betanítása és megvalósítása.
• A Keras és Python segítségével mély tanulási modelleket építhet a képekkel, szöveggel, hanggal és egyebekkel kapcsolatos problémák megoldására.

Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others.

In this instructor-led, live training, we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned.

By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects.

Format of the Course

• Overview of Machine and Deep Learning
• In-class coding and integration exercises
• Test questions sprinkled along the way to check understanding