Deep Learning oktatás Magyarország

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű fejlesztőknek, adattudósoknak és mesterséges intelligenciával foglalkozó szakembereknek szól, akik szeretnék kihasználni a TensorFlow Lite for Edge AI alkalmazásokat.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a TensorFlow Lite alapjait és szerepét az Edge AI-ben.
• AI modellek fejlesztése és optimalizálása a TensorFlow Lite segítségével.
• Telepítse a TensorFlow Lite modelleket különféle éleszközökön.
• Használjon eszközöket és technikákat a modellkonverzióhoz és -optimalizáláshoz.
• Valósítson meg gyakorlati Edge AI-alkalmazásokat a TensorFlow Lite segítségével.

A 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.

Ez 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.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) haladó szintű szakembereknek szól, akik az NLU legmodernebb mélytanulási technikáira szeretnének szakosodni.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az NLU és az NLP modellek közötti fő különbségeket.
• Alkalmazzon fejlett mély tanulási technikákat az NLU-feladatokra.
• Fedezze fel a mély architektúrákat, például a transzformátorokat és a figyelemmechanizmusokat.
• Használja ki az NLU jövőbeli trendjeit kifinomult mesterségesintelligencia-rendszerek felépítéséhez.

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 mélytanulás terén. szövegből képpé generáláshoz.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a fejlett mélytanulási 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) haladó szintű szakembereket céloz meg, akik az AI-technikákat szeretnék felhasználni a gyógyszerkutatási és -fejlesztési folyamatok forradalmasításához.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az AI szerepét a gyógyszerkutatásban és -fejlesztésben.
• Gépi tanulási technikák alkalmazása a molekuláris tulajdonságok és kölcsönhatások előrejelzésére.
• Használjon mély tanulási modelleket a virtuális szűréshez és a potenciális ügyfelek optimalizálásához.
• Integrálja a mesterséges intelligencia által vezérelt megközelítéseket a klinikai vizsgálati folyamatba.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a biológusoknak szól, akik szeretnék megérteni a AlphaFold működését, és a AlphaFold modelleket útmutatóként szeretnék használni kísérleti tanulmányaikban.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a AlphaFold alapelveit.
• Ismerje meg a AlphaFold működését.
• Ismerje meg a AlphaFold előrejelzések és eredmények értelmezését.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű adattudósoknak és gépi tanulási mérnököknek szól, akik szeretnék javítani mélytanulási modelljeik teljesítményét.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az elosztott mély tanulás alapelveit.
• Telepítse és konfigurálja a DeepSpeed-et.
• Méretezheti a mély tanulási modelleket elosztott hardveren a DeepSpeed segítségével.
• Valósítsa meg és kísérletezzen a DeepSpeed funkciókkal az optimalizálás és a memória hatékonysága érdekében.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő- és középszintű fejlesztőknek szól, akik nagy nyelvi modelleket kívánnak használni különféle természetes nyelvi feladatokhoz.

A képzés végére a résztvevők képesek lesznek:

• Hozzon létre egy fejlesztői környezetet, amely magában foglal egy népszerű LLM-et.
• Hozzon létre egy alapvető LLM-et, és finomhangolja azt egy egyéni adatkészleten.
• Használja az LLM-eket különböző természetes nyelvi feladatokhoz, mint például szövegösszegzés, kérdések megválaszolása, szöveggenerálás stb.
• Az LLM-ek hibakeresése és értékelése olyan eszközökkel, mint a TensorBoard, PyTorch Lightning és Hugging Face Datasets.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak, gépi tanulási mérnököknek és számítógépes látáskutatóknak szól, akik szeretnék kihasználni a Stable Diffusion-t, hogy kiváló minőségű képeket állítsanak elő 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.

A tan oktatóvezetésű, élő képzésen Magyarország-ban a résztvevők a legrelevánsabb és legmodernebb gépi tanulási technikákkal fogják megismerkedni Python-ban, miközben egy sorozat demóalkalmazást építenek fel, amely képeket, zenét, szövegeket és pénzügyi adatokkal foglalkozik.

Ezen képzés végére a résztvevők képesek lesznek:

• Gépi tanulási algoritmusokat és technikákat valósítsanak meg bonyolult problémák megoldására.
• Mélytanulást és félfelügyelt tanulást alkalmazzanak képek, zene, szöveg és pénzügyi adatokkal kapcsolatos alkalmazásokhoz.
• A Python algoritmusokat maximalizálják.
• Használják a NumPy és Theano könyvtárakat és csomagokat.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik szeretnék megtanulni a Deep Reinforcement Learning alapjait a Deep Learning Agent létrehozása során.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a Deep Reinforcement Learning mögött meghúzódó kulcsfontosságú fogalmakat, és tudja megkülönböztetni a gépi tanulástól.
• Speciális Reinforcement Learning algoritmusok alkalmazása valós problémák megoldására.
• Hozzon létre egy mély tanulási ügynököt.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják, hogyan valósítsák meg a mély tanulási modelleket a telekommunikáció számára a Python segítségével, miközben egy mély tanulási hitelkockázati modell létrehozásán lépnek keresztül.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a mély tanulás alapvető fogalmait.
• Ismerje meg a mély tanulás alkalmazásait és felhasználásait a távközlésben.
• Az Python, Keras és TensorFlow segítségével mély tanulási modelleket hozhat létre a telekommunikáció számára.
• Készítse el saját mély tanulási ügyféllemorzsolódási modelljét az Python segítségével.

Ez a kurzus menedzserek, megoldástervezők, innovációs tisztek, technológiai igazgatók, szoftvertervezők és mindazok számára készült, akiket érdekel az alkalmazott mesterséges intelligencia áttekintése és a fejlődésének legközelebbi előrejelzése.

Ez a kurzus magában foglalja az AI (emphasizing Machine Learning és Deep Learning) az iparban. Segít meghatározni, hogy melyik technológia (potenciálisan) használható több helyzetben egy autóban: az egyszerű automatizálástól, a képfelismeréstől az autonóm döntéshozatalig.

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 az oktatóvezetett, élő képzés Magyarország-ben (online vagy helyszínen) az intermédiaires szintű adattudósoknak és statisztikusoknak szól, akik adatok előkészítésére, modell készítésére és gépi tanulási technikák hatékony alkalmazására kíváncsiak profi területükön.

Ez a képzés végére a résztvevők képesek lesznek:

• Értelmezni és alkalmazni különböző Machine Learning algoritmusokat.
• Adatok és modell előkészítése gépi tanulási alkalmazásokhoz.
• Hátravetített elemzések végrehajtása és eredményeinek hatékony vizualizálása.
• Gépi tanulási technikák alkalmazása valós, szektor-specifikus helyzetekben.

A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.

Caffe egy mély tanulási keretrendszer, melyet kifejezést, sebességet és modularitást szem előtt tartanak.

Ez a kurzus a Caffe alkalmazásának mélyreható tanulási keretrendszerét vizsgálja a képfelismeréshez MNIST példaként

Közönség

Ez a kurzus alkalmas a Deep Learning kutatók és mérnökök számára, akik érdeklődnek a Caffe keretrendszerének felhasználásáról.

A kurzus befejezése után a küldöttek:

• megértsék a Caffe szerkezetét és a telepítési mechanizmusokat
• telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
• a kód minőségének értékelése, hibakeresés, monitorozás
• fejlett gyártást, például képzési modelleket, rétegeket és naplózást valósít meg

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

A Computer Network ToolKit (CNTK) a Microsoft nyílt forráskódú, többgépes, többGPU, rendkívül hatékony RNN oktatógépi tanulási keretrendszere beszédhez, szöveghez és képekhez.

Közönség

Ez a kurzus azoknak a mérnököknek és építészeknek szól, akik a CNTK-t szeretnék felhasználni projektjeikben.

Ez a kurzus egy általános áttekintés a Deep Learning számára anélkül, hogy túlságosan elmélyedne a konkrét módszerekbe. Alkalmas azok számára, akik szeretnék elkezdeni használni a mély tanulást, hogy javítsák előrejelzésük pontosságát.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a kutatóknak és fejlesztőknek szól, akik szeretnék telepíteni, beállítani, testreszabni és használni a DeepMind Lab platformot általános mesterséges intelligencia és gépi tanulási rendszerek fejlesztésére.

A képzés végére a résztvevők képesek lesznek:

• A DeepMind Lab személyre szabásával olyan környezetet építhet és működtethet, amely megfelel a tanulási és képzési igényeknek.
• Használja a DeepMind Lab 3D szimulációs környezetét a tanuló ügynökök első személyű nézőpontra való képzéséhez.
• Az ügynökértékelés megkönnyítése az intelligencia fejlesztése érdekében egy 3D-s játékszerű világban.

A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. A mélytanulás a gépi tanulás egy részterülete, amely tanulási adatreprezentációkon és struktúrákon, például neurális hálózatokon alapuló módszereket használ.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) olyan üzleti elemzőknek, adatkutatóknak és fejlesztőknek szól, akik mély tanulási modelleket szeretnének építeni és megvalósítani a bevételnövekedés felgyorsítása és az üzleti világ problémáinak megoldása érdekében.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a gépi tanulás és a mély tanulás alapvető fogalmait.
• Szerezzen betekintést az üzleti élet és az ipar jövőjébe az ML és DL segítségével.
• Határozzon meg üzleti stratégiákat és megoldásokat mély tanulással.
• Ismerje meg, hogyan alkalmazhatja az adattudományt és a mély tanulást az üzleti problémák megoldásában.
• Építsen mély tanulási modelleket a Python, Pandas, TensorFlow, CNTK, Torch, Keras stb. segítségével.

A gépi tanulás a mesterséges intelligencia egyik ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. A mélytanulás a gépi tanulás egy részterülete, amely tanulási adatreprezentációkon és struktúrákon, például neurális hálózatokon alapuló módszereket használ. Python egy magas szintű programozási nyelv, amely világos szintaxisáról és kódolvashatóságáról híres.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan valósítsák meg a mély tanulási modelleket a banki szolgáltatásokban Python segítségével, miközben egy mély tanulási hitelkockázati modell létrehozásán lépnek keresztül.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a mély tanulás alapvető fogalmait
• Ismerje meg a mély tanulás alkalmazásait és felhasználásait a banki szolgáltatásokban
• Az Python, Keras és TensorFlow segítségével mély tanulási modelleket hozhat létre a banki szolgáltatásokhoz
• Készítse el saját mély tanulási hitelkockázati modelljét a Python segítségével

Közönség

• Fejlesztők
• Adattudósok

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlatok

Ezen 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.

Közönség

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.

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 széleskörűen 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 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.

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 úgy bővíteni, hogy több GPU-en párhuzamosan futhassanak. .

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet a mélytanulási tréningek indításához.
• Telepítse és konfigurálja a Horovod-t a TensorFlow, Keras, PyTorch és Apache MXNet modellek betanításához.
• Méretezze a mélytanulási képzést a Horovod segítségével, hogy több GPU-en futhasson.

Típus: elméleti képzés a hallgatókkal előzetesen egyeztetett jelentkezésekkel Lasagne-n vagy Keras, oktatási csoporttól függően

Oktatási módszer: prezentáció, beszélgetések és esettanulmányok

A mesterséges intelligencia, miután számos tudományterületet megzavart, számos gazdasági ágazatot (ipar, orvostudomány, kommunikáció stb.) kezdett forradalmasítani. A mainstream médiában való bemutatása azonban gyakran csak fantázia, nagyon messze van attól, ami a Machine Learning vagy a Deep Learning tartománya valójában. Ennek a képzésnek az a célja, hogy az informatikai eszközöket (beleértve az alapvető szoftverprogramozást is) már ismerő mérnökök megismerkedjenek a Deep Learning-val, valamint annak különböző szakterületeivel, és így a ma meglévő fő hálózati architektúrákkal. Ha a kurzus során a matematikai alapismeretekre is sor kerül, akkor a nagyobb kényelem érdekében a matematika BAC+2 szintje javasolt. Teljesen lehetséges figyelmen kívül hagyni a matematikai tengelyt, és csak a „rendszer” jövőképét megtartani, de ez a megközelítés óriási mértékben korlátozza a téma megértését.

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.
• Valósítson meg egy konvolúciós hálózatot.
• Ismétlődő hálózat megvalósítása.
• Végezzen mélytanulási modellt CPU-n és GPU-n egyaránt.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell használni a Matlab-ot egy konvolúciós neurális hálózat megtervezéséhez, felépítéséhez és megjelenítéséhez képfelismerés céljából.

A képzés végére a résztvevők képesek lesznek:

• Készítsen egy mély tanulási modellt
• Automatizálja az adatok címkézését
• Bízza modellek Caffe és TensorFlow - Keras
• Adatok továbbítása több GPU , a felhő vagy a fürtök használatával

Közönség

• Fejlesztők
• mérnökök
• Domain szakértők

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű szakemberek számára készült, akik szeretnék fejleszteni a gépi tanulási algoritmusok, a mélytanulási technikák és az AI-vezérelt döntéshozatal megértését. A kurzus gyakorlati tapasztalatokat ad a gépi tanulási koncepciókkal, a mélytanulási modellekkel és a gyakorlati megvalósításokkal az R használatával.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a gépi tanulás és a mély tanulás alapjait.
• Alkalmazzon különféle gépi tanulási algoritmusokat a regresszióhoz, osztályozáshoz, klaszterezéshez és anomáliák észleléséhez.
• Használjon mély tanulási architektúrákat, például mesterséges neurális hálózatokat (ANN).
• Felügyelt és nem felügyelt tanulási modellek alkalmazása.
• A modell teljesítményének értékelése és a hiperparaméterek optimalizálása.
• Használja az R-t adatelemzési, vizualizációs és gépi tanulási alkalmazásokhoz.

A képzés célja azoknak az embereknek a célja, akik meg szeretnék tanulni a neurális hálózatok és alkalmazásuk alapjait.

Ez az osztálytermi alapú képzés prezentációkat és számítógépes példákat, valamint esettanulmányi gyakorlatokat tartalmaz, amelyeket a megfelelő neurális és mélyhálózati könyvtárakkal kell elvégezni.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a szoftvermérnököknek szól, akik a Python-ben OpenCV 4-gyel szeretnének programozni a mély tanulás érdekében.

A képzés végére a résztvevők képesek lesznek:

• Tekintse meg, töltse be és osztályozza a képeket és videókat a OpenCV segítségével 4.
• Valósítsa meg a mély tanulást az OpenCV 4-ben a TensorFlow és Keras segítségével.
• Futtasson mély tanulási modelleket, és készítsen hatásos jelentéseket képekből és videókból.

Az OpenFace Python és Torch alapú, nyílt forráskódú, valós idejű arcfelismerő szoftver, amely az Google FaceNet kutatásán alapul.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják az OpenFace összetevőit egy minta arcfelismerő alkalmazás létrehozásához és telepítéséhez.

A képzés végére a résztvevők képesek lesznek:

• Dolgozzon az OpenFace összetevőivel, beleértve a dlib-et, az OpenVC-t, Torch és az nn4-et az arcfelismerés, igazítás és átalakítás megvalósításához
• Alkalmazza az OpenFace-et valós alkalmazásokra, például megfigyelésre, személyazonosság-ellenőrzésre, virtuális valóságra, játékokra és visszatérő ügyfelek azonosítására stb.

Közönség

• Fejlesztők
• Adattudósok

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlatok

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell az OpenNMT t beállítani és használni a különféle mintaadatok fordításához. A tanfolyam a gépi fordításra alkalmazandó ideghálózatok áttekintésével kezdődik. A résztvevők az egész kurzuson élő gyakorlatokat végeznek, hogy megmutassák a megtanult fogalmak megértését és visszajelzéseket kapnak az oktatóktól.

A képzés végére a résztvevők rendelkeznek az élő OpenNMT megoldás megvalósításához szükséges ismeretekkel és gyakorlattal.

A forrás- és célnyelvi mintákat a közönség igényei szerint előre elkészítjük.

A tantárgy formátuma

• Rész előadás, rész vita, nehéz gyakorlati gyakorlat

Ezen az oktató által vezetett, élő tréningen a résztvevők haladó Machine Learning technikákat tanulnak meg R-vel, miközben egy valós alkalmazás létrehozásán haladnak keresztül.

A képzés végére a résztvevők képesek lesznek:

• A felügyelet nélküli tanulási technikák megértése és alkalmazása
• Klaszterezés és osztályozás alkalmazása valós adatokon alapuló előrejelzések készítéséhez.
• Vizualizálja az adatokat, hogy gyorsan betekintést nyerhessen, döntéseket hozzon és tovább finomítsa az elemzést.
• A gépi tanulási modell teljesítményének javítása hiperparaméteres hangolással.
• Állítson be egy modellt a gyártásba, hogy nagyobb alkalmazásban használhassa.
• Alkalmazzon fejlett gépi tanulási technikákat, hogy válaszoljon a közösségi hálózati adatokkal, big data-okkal és sok mással kapcsolatos kérdésekre.

Ez a kurzus bemutatja a neurális hálózatok valós világban történő alkalmazását az R-projekt szoftver segítségével.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik a Tensorflow 2.x-et előrejelzők, osztályozók, generatív modellek, neurális hálózatok és így tovább építésére szeretnék használni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a TensorFlow 2.x.
• Ismerje meg a TensorFlow 2.x előnyeit a korábbi verziókhoz képest.
• Építsen mély tanulási modelleket.
• Valósítson meg egy speciális képosztályozót.
• Telepítsen mélytanulási modellt a felhő-, mobil- és IoT-eszközökön.

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.

Ezen 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.

TensorFlow 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

Ez 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

Ez 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.

Ezen 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.

TensorFlow™ 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

Ez 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