Haladó gépi tanulás Pythonnal Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladótól haladó szintű adattudósok, gépi tanulási mérnökök, mélytanulási kutatók és számítógépes látástechnikai szakértők számára készült, akik bővíteni szeretnék tudásukat és készségeiket a szövegből képgenerálás területén.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a fejlett mélytanulási architektúrákat és technikákat a szövegből képgenerálás területén.
• Komplex modelleket és optimalizációkat implementálni a kiváló minőségű képszintézis érdekében.
• Optimalizálni a teljesítményt és skálázhatóságot nagy adathalmazok és komplex modellek esetén.
• Hiperparaméterek finomhangolása a jobb modellteljesítmény és általánosítás érdekében.
• A Stable Diffusion integrálása más mélytanulási keretrendszerekkel és eszközökkel

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) biológusok számára készült, akik szeretnék megérteni, hogyan működik az AlphaFold, és az AlphaFold modelleket útmutatóként szeretnék használni kísérleti tanulmányaikban.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az AlphaFold alapelveit.
• Megtanulni, hogyan működik az AlphaFold.
• Megtanulni, hogyan kell értelmezni az AlphaFold előrejelzéseket és eredményeket.

A Caffe egy mélytanulási keretrendszer, amelyet kifejezőkészség, sebesség és modularitás szem előtt tartásával készítettek.

Ez a kurzus a Caffe alkalmazását vizsgálja mélytanulási keretrendszerként a képfelismerés területén, az MNIST példáján keresztül.

Célközönség

Ez a kurzus a mélytanulással foglalkozó kutatók és mérnökök számára alkalmas, akik a Caffe-t szeretnék keretrendszerként használni.

A kurzus elvégzése után a résztvevők képesek lesznek:

• megérteni a Caffe szerkezetét és üzembe helyezési mechanizmusait
• telepítési / termelési környezet / architektúra feladatok elvégzésére és konfigurálására
• kódminőség értékelésére, hibakeresésre és monitorozásra
• haladó termelési feladatok végrehajtására, mint a modellek betanítása, rétegek implementálása és naplózás

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kutatásokkal és fejlesztőkkel foglalkozó szakembereknek szól, akik a Chainert szeretnék használni neurális hálózatok felépítéséhez és tanításához Pythonban, miközben a kódot könnyen hibakereshetővé teszik.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a neurális hálózati modellek fejlesztésének megkezdéséhez.
• Neurális hálózati modelleket definiálni és implementálni érthető forráskód segítségével.
• Példákat futtatni és meglévő algoritmusokat módosítani a mélytanuló képzési modellek optimalizálása érdekében, miközben a GPU-kat használják a nagy teljesítmény érdekében.

A Computer Network ToolKit (CNTK) a Microsoft nyílt forráskódú, többgépes, több-GPU-s, kiválóan hatékony RNN képzési gépi tanulási keretrendszere beszéd, szöveg és képek számára.

Célközönség

Ez a kurzus mérnököknek és architektusoknak szól, akik a CNTK-t szeretnék használni projekteikben.

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 Magyarország (online vagy helyszínen) középhaladó szintű fejlesztőknek, adattudósoknak és AI szakembereknek szól, akik szeretnék kihasználni a TensorFlow Lite előnyeit Edge AI alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a TensorFlow Lite alapjait és szerepét az Edge AI-ban.
• AI modellek fejlesztése és optimalizálása a TensorFlow Lite segítségével.
• TensorFlow Lite modellek üzembe helyezése különböző edge eszközökön.
• Eszközök és technikák használata modellkonverzióhoz és optimalizáláshoz.
• Gyakorlati Edge AI alkalmazások implementálása TensorFlow Lite segítségével.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék felgyorsítani a valós idejű gépi tanulási alkalmazásokat és nagy léptékben üzembe helyezni azokat.

A képzés végére a résztvevők képesek lesznek:

• Az OpenVINO eszközkészlet telepítésére.
• Egy számítógépes látó alkalmazás felgyorsítására FPGA használatával.
• Különböző CNN rétegek végrehajtására az FPGA-n.
• Az alkalmazás horizontális skálázására több csomóponton egy Kubernetes klaszterben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a fejlesztőknek vagy adattudósoknak szól, akik a Horovod használatával szeretnének elosztott mélytanulási képzéseket futtatni, és ezt több GPU-n párhuzamosan szeretnék méretezni.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a mélytanulási képzések elindításához.
• Telepíteni és konfigurálni a Horovod-ot a modellek TensorFlow, Keras, PyTorch és Apache MXNet segítségével történő betanításához.
• Méretezni a mélytanulási képzéseket a Horovod segítségével több GPU-n történő futtatásra.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) azoknak szól, akik mélytanulási modelleket szeretnének alkalmazni képfelismerő alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• A Keras telepítésére és beállítására.
• Gyorsan prototípust készíteni mélytanulási modellekből.
• Konvolúciós hálózat implementálására.
• Rekurrens hálózat implementálására.
• Mélytanulási modell futtatására CPU-n és GPU-n egyaránt.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) adatelemzők, gépi tanulás mérnökök és számítógépes látáskutatók számára készült, akik szeretnék kihasználni a Stable Diffusion előnyeit a kiváló minőségű képek generálására különböző felhasználási területeken.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Stable Diffusion elveit és működését a képgenerálásban.
• Stable Diffusion modellek építésére és betanítására képgenerálási feladatokhoz.
• A Stable Diffusion alkalmazására különböző képgenerálási forgatókönyvekben, például inpainting, outpainting és kép-kép fordítás.
• A Stable Diffusion modellek teljesítményének és stabilitásának optimalizálására.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak a mérnököknek szól, akik gépi tanulási modelleket szeretnének írni, betölteni és futtatni nagyon kis méretű beágyazott eszközökön.

A képzés végére a résztvevők képesek lesznek:

• A TensorFlow Lite telepítésére.
• Gépi tanulási modellek betöltésére egy beágyazott eszközre, hogy az képes legyen beszédfelismerésre, képek osztályozására stb.
• Mesterséges intelligenciát hozzáadni hardvereszközökhöz hálózati kapcsolat nélkül.

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

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