Deep Learning with TensorFlow 2 Képzés
TensorFlow egy népszerű és gépi tanulási könyvtár, amelyet a Go ogle fejlesztett ki a mély tanulás, numerikus számítás és nagyméretű gépi tanulás céljából. TensorFlow 2.0, amely 2019. TensorFlow jelent meg, a TensorFlow legújabb verziója, amely javítja a lelkes végrehajtást, a kompatibilitást és az API-konzisztenciát.
Ez az oktató által irányított, élő (helyszíni vagy távoli) képzés azon fejlesztőknek és adattudósoknak szól, akik a Tensorflow 2.0-t előrejelzők, osztályozók, generációs modellek, neurális hálózatok stb. Felépítésére kívánják használni.
A képzés végére a résztvevők képesek lesznek:
- Telepítse és konfigurálja a TensorFlow 2.0 TensorFlow .
- Ismerje meg a TensorFlow 2.0 előnyeit a korábbi verziókhoz képest.
- Építsen mély tanulási modelleket.
- Végezzen el egy fejlett képosztályt.
- Telepítse a mélyreható tanulási modellt a felhő, a mobil és az internet tárgyakba.
A tantárgy formátuma
- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- Gyakorlati megvalósítás élő laboratóriumi környezetben.
Tanfolyam testreszabási lehetőségek
- Ha személyre szabott képzést szeretne kérni erre a kurzusra, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.
- Ha többet szeretne megtudni a TensorFlow , látogasson el a https://www.tensorflow.org/ TensorFlow .
Kurzusleírás
Bevezetés
- TensorFlow 2.x vs korábbi verziók -- Újdonságok
A Tensoflow 2.x beállítása
A TensorFlow 2.x jellemzőinek és felépítésének áttekintése
Hogyan Neural Networks működik
A TensorFlow 2.x használata Deep Learning modellek létrehozásához
Adatok elemzése
Adatok előfeldolgozása
Modell építése
A legkorszerűbb képosztályozó megvalósítása
A modell képzése
Képzés GPU vs TPU
A modell értékelése
Előrejelzések készítése
Az előrejelzések értékelése
A modell hibakeresése
Modell mentése
Modell telepítése a felhőbe
Modell telepítése mobileszközre
Modell üzembe helyezése beágyazott rendszerben (IoT)
Modell integrálása különböző Languages
Hibaelhárítás
Összefoglalás, és következtetés
Követelmények
- Programozási tapasztalat Python.
- Linux parancssor használatában szerzett tapasztalat.
Közönség
- Fejlesztők
- Adattudósok
A nyílt képzésekhez 5+ résztvevő szükséges.
Deep Learning with TensorFlow 2 Képzés - Booking
Deep Learning with TensorFlow 2 Képzés - Enquiry
Deep Learning with TensorFlow 2 - Érdeklődjön a vezetői tanácsadásról!
Érdeklődjön a vezetői tanácsadásról!
Vélemények (4)
A tréning szervezett és jól megtervezett volt, rendszerezett tudással és a vizsgált témák alapos áttekintésével jövök ki belőle.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurzus - Deep Learning with TensorFlow 2
Gépi fordítás
Az oktató tudása és az a tény, hogy nagyon megközelíthetőek voltak. Könnyen átadhattak fontos ismereteket
Mateusz Stachyra - Samsung Electronics Polska Sp. z o.o.
Kurzus - Deep Learning with TensorFlow 2
Gépi fordítás
Tetszett, hogy az alapokkal is foglalkoztunk
Tomasz - Samsung Electronics Polska Sp. z o.o.
Kurzus - Deep Learning with TensorFlow 2
Gépi fordítás
A tréner jól magyarázta a tartalmat és a teljes időtartamon át érintő volt. Megállt kérdéseket tenni és néhány gyakorlati munkában saját megoldásainkhoz jutni. Emellett a kurzust jól igazította a mi igényeinkhez.
Robert Baker
Kurzus - Deep Learning with TensorFlow 2.0
Gépi fordítás
Közelgő kurzusok
Rokon tanfolyam
Applied AI from Scratch
28 ÓrákEz egy 4 napos tanfolyam, amely bemutatja az AI-t és annak alkalmazását. Lehetőség van arra, hogy a kurzus befejeztével további nap álljon rendelkezésre egy mesterséges intelligencia projekt elvégzésére.
Computer Vision with Google Colab and TensorFlow
21 ÓrákA tanfolyam végén a résztvevők képesek lesznek:
Ez az oktatóvezetett, élő tanfolyam Magyarország (online vagy helyszíni) az olyan haladó szintű szakembereknek szánva, akik mélyebb ismeretekre kíváncsiak a számítógépes látás terén és ki akarják bontakoztatni TensorFlow képességeit a Google Colab-t használva széles körű látásmodellek fejlesztésére.
- Konvolúciós neurális hálózatok (CNN) építése és kiképzése TensorFlow-vel.
- Google Colab használata skalázható és hatékony felhőalapú modellfejlesztéshez.
- Kép előfeldolgozási technikák bevezetése számítógépes látási feladatokhoz.
- Számítógépes látásmodellek telepítése valós világbeli alkalmazásokhoz.
- Átviaszolás (transfer learning) használata CNN-modellek teljesítményének javítására.
- Kép osztályozási modell eredmények vizualizálása és értelmezése.
Deep Learning with TensorFlow in Google Colab
14 ÓrákEz a képzés végén a résztvevők képesek lesznek:
Ez az oktatóvezetett, élő képzés (online vagy előadási) középhosszú szintű adat tudósok és fejlesztőknek szól, akik mély tanulási technikákat szeretnének megérteni és alkalmazni a Google Colab környezetben.
- Google Colab beállítása és navigálása mély tanulási projektekhez.
- Hálózati alapelvek megértése.
- Mély tanulási modellek implementálása TensorFlow-val.
- Mély tanulási modellek kikezdése és értékelése.
- TensorFlow előrehaladott funkcióinak használata mély tanulási feladatokhoz.
Deep Learning for NLP (Natural Language Processing)
28 ÓrákEzen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják a Python könyvtárak használatát az NLP-hez, miközben olyan alkalmazást hoznak létre, amely feldolgozza a képeket és feliratokat generál.
A képzés végére a résztvevők képesek lesznek:
- Tervezze meg és kódolja a DL-t NLP-hez Python könyvtárak használatával.
- Hozzon létre Python kódot, amely lényegesen hatalmas képgyűjteményt olvas be, és kulcsszavakat generál.
- Hozzon létre Python kódot, amely feliratokat generál az észlelt kulcsszavakból.
Deep Learning for Vision
21 ÓrákKözönség
Ez a tanfolyam alkalmas Deep Learning és mérnökök számára, akik a rendelkezésre álló eszközök (többnyire nyílt forráskódú) felhasználásáról érdeklődnek a számítógépes képek elemzése céljából
Ez a tanfolyam példákat mutat be.
Fraud Detection with Python and TensorFlow
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adatkutatóknak szól, akik az TensorFlow segítségével kívánják elemezni a lehetséges csalási adatokat.
A képzés végére a résztvevők képesek lesznek:
- Létrehozni egy csalásészlelő modellt a Python-ben és a TensorFlow-ben.
- Lineáris regressziókat és lineáris regressziós modelleket építeni a csalás előrejelzésére.
- Egy teljes körű, végponttól végpontig terjedő mesterséges intelligencia alkalmazást fejleszteni a csalási adatok elemzésére.
TensorFlow Serving
7 ÓrákEzen az oktató által vezetett, élő képzésen a Magyarország-ban (online vagy helyszíni) a résztvevők megtanulják, hogyan kell konfigurálni és használni az TensorFlow Serving-et az ML-modellek éles környezetben történő üzembe helyezéséhez és kezeléséhez.
A képzés végére a résztvevők képesek lesznek:
- Különféle TensorFlow modellek kiképzése, exportálása és szolgáltatásuk.
- Algoritmusok tesztelése és telepítése egy architektúra és API-készlet segítségével.
- A TensorFlow Serving bővítése más modelltipusok szolgáltatására, nem csak TensorFlow modellek.
Deep Learning with TensorFlow
21 ÓrákTensorFlow a Go ogle nyílt forráskódú szoftverkönyvtárának második generációs API-ja a Deep Learning . A rendszer célja a gépi tanulás kutatásának megkönnyítése, valamint a kutatási prototípusról a termelési rendszerbe való átmenet gyors és egyszerű megvalósítása.
Közönség
Ez a kurzus olyan mérnökök számára készült, akik a TensorFlow t szeretnék használni a Deep Learning projektjeikhez
A kurzus befejezése után a küldöttek:
- megértsék a TensorFlow struktúráját és telepítési mechanizmusait
- képesnek kell lennie telepítési / gyártási környezet / architektúra feladatok és konfiguráció elvégzésére
- képesnek kell lennie a kód minőségének értékelésére, hibakeresésre, megfigyelésre
- képesnek kell lennie a fejlett gyártás, például a képzési modellek, grafikonok és naplózás megvalósítására
TensorFlow for Image Recognition
28 ÓrákEz a kurzus konkrét példákkal vizsgálja a Tensor Flow alkalmazását a képfelismerés céljára
Közönség
Ez a kurzus olyan mérnökök számára készült, akik a TensorFlow t a TensorFlow céljából kívánják felhasználni
A kurzus befejezése után a küldöttek:
- megértsék a TensorFlow struktúráját és telepítési mechanizmusait
- telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
- a kód minőségének értékelése, hibakeresés, monitorozás
- fejlett gyártást, például képzési modelleket, grafikonokat és naplózást valósít meg
TensorFlow Extended (TFX)
21 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik egyetlen ML-modell betanításától a sok ML-modell éles üzembe helyezéséig szeretnének eljutni.
A képzés végére a résztvevők képesek lesznek:
- Telepítse és konfigurálja a TFX-et és a támogató harmadik féltől származó eszközöket.
- Használja a TFX-et egy teljes ML-termelési folyamat létrehozásához és kezeléséhez.
- Dolgozzon a TFX összetevőkkel a modellezés, a betanítás, a következtetések kiszolgálása és a telepítések kezelése érdekében.
- Telepítsen gépi tanulási funkciókat webalkalmazásokban, mobilalkalmazásokban, IoT-eszközökben és egyebekben.
TPU Programming: Building Neural Network Applications on Tensor Processing Units
7 ÓrákEzen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják, hogyan használják ki a TPU processzorok újításait saját AI-alkalmazásaik teljesítményének maximalizálása érdekében.
A képzés végére a résztvevők képesek lesznek:
- Tanítson különféle típusú neurális hálózatokat nagy mennyiségű adatra.
- A TPU-k segítségével akár két nagyságrenddel is felgyorsíthatja a következtetési folyamatot.
- Használja a TPU-kat olyan intenzív alkalmazások feldolgozásához, mint a képkeresés, felhőkép és fényképek.
Natural Language Processing (NLP) with TensorFlow
35 ÓrákTensorFlow™ egy nyílt forráskódú szoftverkönyvtár a numerikus számítás használata adatáramú grafikonok.
A SyntaxNet egy neurális hálózat természetes nyelvi feldolgozási keret TensorFlow.
Word2Vec használják a tanulási vektor képviselete a szavak, az úgynevezett "word embeddings". Word2vec egy különösen számítástechnikai-hatékony előrejelzési modell a tanulás szó beépítések nyers szöveg. Két ízben jön, a Continuous Bag-of-Words modell (CBOW) és a Skip-Gram modell (3.1 és 3.2 fejezet Mikolov et al.)
A SyntaxNet és a Word2Vec a felhasználók számára lehetővé teszi, hogy megtanult beépítési modelleket generáljanak a Természetes Nyelvbeviteltől.
közönség
Ez a kurzus célja a fejlesztők és mérnökök, akik szándékoznak dolgozni a SyntaxNet és Word2Vec modellek a TensorFlow grafikonok.
A kurzus befejezése után a képviselők:
- megértése TensorFlow’ szerkezetének és telepítési mechanizmusainak
- képes végrehajtani telepítési / termelési környezet / építészeti feladatok és konfiguráció
- képes értékelni a kód minőségét, elvégezni debugging, nyomon követés
- képesnek kell lennie a fejlett termelés megvalósítására, mint például a képzési modellek, a beépítési feltételek, az építési grafikonok és a logging
Understanding Deep Neural Networks
35 ÓrákEz a tanfolyam azzal kezdődik, hogy fogalmi ismereteket adunk neurális hálózatokban és általában gépi tanulási algoritmusban, mély tanulásban (algoritmusok és alkalmazások).
Part 1 (40%) ez a képzés nagyobb hangsúlyt alapjait, de segítünk választotta a megfelelő technológia: 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. részét (40%) nagymértékben a Tensorflow - a Go ogle nyílt forráskódú szoftverek könyvtárának 2. generációs API-ján alapszik - a Deep Learning . A példákat és a kézbesítést a TensorFlow ban TensorFlow .
Közönség
Ez a tanfolyam azoknak a mérnököknek szól, akik a TensorFlow ot szeretnék használni Deep Learning projektjeikhez
A kurzus befejezése után a küldöttek:
jól megértsék a mély ideghálózatokat (DNN), CNN és RNN
megérti a TensorFlow szerkezetét és telepítési mechanizmusait
képesnek kell lennie a telepítési / gyártási környezeti / építészeti feladatok elvégzésére és a konfigurációra
képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás végrehajtására
képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás