Deep Learning a TensorFlow 2-vel Képzés

Ez 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.

Ez oktatóvezetett, élő tanfolyam Magyarország (online vagy helyszínen) az advanced szintű szakembereknek szánva, akik mélyebben szeretnék megismerni a számítógépes látás területét, és szeretnék kutatni a TensorFlow képességeit a Google Colab használatával az összetett látási modellek fejlesztéséhez.

A tanfolyam végére a résztvevők képesek lesznek:

• Convolutional Neural Networks (CNN) építésére és kiképzésére TensorFlow használatával.
• Google Colab használatára skalálható és hatékony felhőalapú modellfejlesztéshez.
• Kép előfeldolgozási technikák bevezetésére számítógépes látási feladatokhoz.
• Számítógépes látási modellek telepítésére valós világbeli alkalmazásokhoz.
• Tranzfer learning használatára a CNN modellek teljesítményének javításához.
• Kép osztályozási modellek eredményeinek vizualizálására és értelmezésére.

Ez az oktatóvezetéses, élőképes képzés Magyarország (online vagy helyszíni) középhaladó szintű adattudósokra és fejlesztőkre vonatkozik, akik szeretnének megérteni és alkalmazni a mély tanulási technikákat a Google Colab környezetben.

A képzés végén a résztvevők képesek lesznek:

• Beállítani és navigálni a Google Colabot mély tanulási projektekhez.
• Megérteni az idegsejteknővények alapjait.
• Alkalmazni mély tanulási modelleket a TensorFlow használatával.
• Képzíteni és értékelnia a mély tanulási modelleket.
• Használni a TensorFlow speciális funkcióit a mély tanuláshoz.

Ez az interaktív, megtervezett képzés során a résztvevők megtanulják, hogyan használják a Python könyvtárakat NLP-hez, és egy olyan alkalmazást készítenek, amely feldolgozza egy sor képet, és feliratokat generál.

A képzés végére a résztvevők:

• Tervezhetnek és programozhatnak DL-alkalmazásokat NLP-hez Python könyvtárakat használva.
• Készíthetnek Python kódot, amely jelentősen nagy mennyiségű képet olvashat be és kulcsszavakat generálhat.
• Létrehozhatnak Python kódot, amely a felismert kulcsszavakból generálja a feliratokat.

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 az oktatón által vezetett, élő képzés Magyarország (online vagy helyszínen) adatacientisták számára készült, akik TensorFlow segítségével szeretnének potenciális furd adatokat elemezni.

A képzés végén a résztvevők képesek lesznek:

• Furd észlelési modellt létrehozni Pythonban és TensorFlow segítségével.
• Lineáris regressziókat és lineáris regressziós modelleket készíteni a furd előrejelzéséhez.
• Mesterséges intelligencia alkalmazást fejleszteni a furd adatok elemzésére.

Ebben az instructor-led, élő képzésben Magyarország (online vagy személyesen) a résztvevők megtanulják, hogyan konfigurálható és használható a TensorFlow Serving a ML modellek gyártási környezetben történő üzembe helyezésére és kezelésére.

A képzés végére a résztvevők képesek lesznek:

• Tanítani, exportálni és szolgáltatni különböző TensorFlow modelleket.
• Algoritmusokat tesztelni és üzembe helyezni egyetlen architektúrával és API-készlettel.
• Kiterjeszteni a TensorFlow Serving-t, hogy más típusú modelleket is szolgáltathasson a TensorFlow modellek mellett.

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

Ez a közvetlen oktató vezetésű, élő képzés Magyarország (online vagy személyesen) azzal a céllal szólít fel adattudósokat, akik egyetlen ML modell betanításától az egynél több ML modell éles környezetbe helyezéséig szeretnék haladni.

E képzés végén a résztvevők képesek lesznek:

• TFX és támogató harmadik féltől származó eszközök telepítésére és konfigurálására.
• Egy teljes gépi tanulási termelési folyamat létrehozására és kezelésére a TFX segítségével.
• A TFX komponensek használatára modellezés, betanítás, inferencia szolgáltatások és üzembe helyezések kezelése céljából.
• Gépi tanulási funkciók üzembe helyezésére webalkalmazásokba, mobilalkalmazásokba, IoT eszközökre stb.

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

A kurzus a neurális hálózatok, a gépi tanulás algoritmusai és a mély tanulás (algoritmusai és alkalmazása) fogalmi ismeretével kezdődik.

A képzés 1. része (40%-a) fókuszál a fundamentumokra, de segít megválasztani a megfelelő technológiát: TensorFlow, Caffe, Theano, DeepDrive, Keras stb.

A képzés 2. része (20%-a) bemutatja a Theano-t - egy Python könyvtárat, amely segít a mély tanuló modell létrehozásában.

A képzés 3. része (40%-a) főként a Tensorflow API-jának használatára koncentrál - Google nyílt forráskódú szoftverkönyvtárának API-ja a mély tanuláshoz. A példák és gyakorlatok mind TensorFlow-t fogják használni.

Célcsoport

Ez a kurzus azon mérnököknek szól, akik TensorFlow-ot szeretnének felhasználni mély tanulási projektekben.

A képzés befejezése után a résztvevők:

• megérteni fogják a mély neurális hálózatokat (DNN), a konvolúciós neurális hálózatokat (CNN) és az ismétlődő neurális hálózatokat (RNN)
• megérteni fogják a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• képesek lesznek a telepítés, termelőkörnyezet, architektúra feladatokat és konfigurációt végrehajtani
• képesek lesznek kódminőséget értékelni, hibakeresést végezni és monitorozást elvégezni
• képesek lesznek fejlesztett termelési feladatokat végrehajtani, mint például modell tanítását, gráfok építését és naplózást