Deep Learning oktatás Magyarország

Ez oktatóvezetett, élő képzés (online vagy helyszíni) célközönsége az olyan közepes szintű fejlesztők, adattudósok és AI-szakemberek, akik TensorFlow Lite-ot szeretnének használni Edge AI alkalmazásokhoz.

A képzés végén a résztvevők képesek lesznek:

• Megérteni TensorFlow Lite alapjait és szerepét az Edge AI-ben.
• AI modelleket fejleszteni és optimalizálni TensorFlow Lite segítségével.
• TensorFlow Lite modelleket telepíteni különböző élek eszközökön.
• Modellkonverzióhoz és optimalizáláshoz szükséges eszközöket és technikákat használni.
• Pratikus Edge AI alkalmazásokat valósítani meg TensorFlow Lite használatával.

Ez az interaktív, tanárvezetett élő képzés Magyarország (online vagy helyszínen) előrehaladott szintű szakemberekre vonatkozik, akik további ismereteket szeretnének szerezni a computer vision területen és kifejteni TensorFlow képesséit a bonyolult látási modellök fejlesztéséhez Google Colab segítségével.

A képzés végén a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatok (CNN) építésére és betanítására TensorFlow segítségével.
• Google Colab felhőalapú modellfejlesztés hatékony és skálázható szolgáltatásainak kihasználására.
• Képfeldolgozási előkészítési technikák implementálására a látási feladatokhoz.
• Látás modellök üzembe helyezésére valós életben.
• Átvitel tanulással a CNN modellök teljesítményének javítása érdekében.
• Kép osztályozási modellök 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 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 oktatóvezetett, élő képzés Magyarország (online vagy helyszínen) olyan haladó szintű szakembereknek szól, akik szeretnék kihasználni az AI technikákat, hogy megforradalmasítsák a gyógyszerkutatás és -fejlesztés folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Megértetni AI szerepét a gyógyszerkutatás és -fejlesztés során.
• Alkalmazni a gépi tanulás technikáit a molekuláris tulajdonságok és interakciók előrejelzéséhez.
• Mély tanulási modelleket használni a virtuális szűréshez és a vezetékoptimalizáláshoz.
• AI-vezérelt megközelítéseket integrálni 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 egy 4 napos tanfolyam, amely bemutatja az AI-t és annak Python programozási nyelvet használó alkalmazását. Lehetőség van arra, hogy a kurzus befejeztével további nap álljon rendelkezésre egy mesterséges intelligencia projekt elvégzésére.

A mély erőtanú tanulás (Deep Reinforcement Learning, DRL) kombinálja az erőtanú tanulás elveit a mély tanulás architektúrákkal, hogy lehetővé tegye az ügynököknek döntéseket hozni környezetükkel való interakciók révén. Alapja számos modern AI-fejlődésnek, mint például a önvezető járművek, robotikai vezérlés, algoritmusos kereskedelem és adaptív ajánló rendszerek. A DRL lehetővé teszi, hogy egy műszaki ügynök stratégiákat tanuljon, optimalizáljon politikákat és önálló döntéseket hozzon a próbálkozás-hibázás módszerével, juttatásalapú tanulással.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) középszintű fejlesztők és adattudósok számára szól, akik tanulni és alkalmazni akarnak mély erőtanú tanulási technikákat, hogy intelligens ügynököket hozzanak létre, amelyek képesek önálló döntéshozásra komplex környezetekben.

A képzés végére a résztvevők képesek lesznek:

• Megértik az erőtanú tanulás elméleti alapjait és matematikai elveit.
• Implementálják a kulcsfontosságú RL algoritmusokat, köztük a Q-Learning, Policy Gradients és Actor-Critic módszereket.
• Mély erőtanú tanulási ügynököket építenek és edznek TensorFlow vagy PyTorch segítségével.
• Alkalmazzák a DRL-t valós világbeli alkalmazásokban, mint például játékok, robotika és döntésoptimalizálás.
• Hibákat orvendek, vizualizálják és optimalizálják az edzési teljesítményt modern eszközökkel.

A képzés formája

• Interaktív előadás és vezetett beszélgetés.
• Pratikus feladatok és gyakorlati implementálások.
• Élő programozási bemutatók és projektalapú alkalmazások.

A képzés testreszabási lehetőségek

• Ha egy testreszabott változatot kérek erre a képzésre (pl. PyTorch használata TensorFlow helyett), kérjük, lépjen kapcsolatba velünk a rendezést.

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 felügyelők, megoldás-tervezők, innovációs igazgatók, CTO-k, szoftvertervezők és bárki érdeklődésére készült, aki átfogó áttekintést szeretne kapni az alkalmazott mesterséges intelligencia-ról és annak legközelebbi fejlődési előrejelzéseiről.

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 az instruktor vezetésű élő tanfolyam Magyarország (online vagy helyszíni) kezdő szintű résztvevőkre vonatkozik, akik alapvető valószínűségszámítási, statisztikai, programozási és gépi tanulási fogalmakat szeretnék megtanulni, és ezeket az AI fejlesztéshez szeretnék alkalmazni.

A tanfolyam végén a résztvevők képesek lesznek:

• A valószínűségszámítás és statisztika alapvető fogalmait megérteni, és ezeket alkalmazni a valós életben.
• Eljárásos, függvényes és objektumorientált programozási kódot írni és megérteni.
• Gépi tanulási technikákat, például osztályozást, felcsoportosítást és neurális hálózatokat implementálni.
• A problémamegoldásra szolgáló szabálymotorokat és expert rendszereket használva AI megoldásokat fejleszteni.

A mesterséges neurális hálózat egy számítási adatmodell, amelyet „intelligens” feladatok elvégzésére képes Artificial Intelligence (AI) rendszerek fejlesztésében használnak. Neural Networks általánosan használt Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítását jelentik. Deep Learning az ML egy részhalmaza.

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 a tanár vezetett, élő képzés Magyarország-ban (online vagy helyszínen) a középhaladó szintű adatfuturisták és statisztikusok számára készült, akik adatait, modelleiket fel szeretnének készíteni és hatékonyan alkalmazni gépi tanulási technikákat a szakmai területeken.

A képzés végére a résztvevők:

• Megérteni és megvalósítani különböző gépi tanulási algoritmusokat.
• Felkészíteni adatokat és modelleket a gépi tanulás alkalmazása érdekében.
• Későbbi elemzéseket végezni és hatékonyan vizualizálni az eredményeket.
• Gépi tanulási technikákat alkalmazni a valóságos, szektor-specifikus forgatókönyvekben.

A mesterséges neuronhálózat egy számítógépes adattípus, amelyet mesterséges intelligencia (AI) rendszerek kifejlesztésében használnak intelligens feladatok végrehajtására. A neuronhálózatok gyakran használatosak gépi tanulás (ML) alkalmazásokban, amelyek saját maga egy AI megvalósítása. A mélytanulás az ML egy alrendje.

A Caffe egy mély tanulási keretrendszer, amely kifejezőkéség, gyorsaság és modularitás szem előtt tartása mellett készült.

Ez a kurzus a Caffe alkalmazását vizsgálja képfelismerésre az MNIST példával.

Célcsoport

A kurzus alkalmas mély tanulási kutatók és mérnökök számára, akik a Caffe keretrendszert szeretnék használni.

Ez a kurzus befejezése után a résztvevők képesek lesznek:

• a Caffe szerkezetének és telepítési mechanizmusainak megértésére
• a telepítés, éles környezet, architektúra feladatok elvégzésére és konfigurálására
• a kódminőség becslésére, hibakeresésre és monitorozásra
• haladó éles környezet implementálására, például modell tanítása, rétegek megvalósítása és naplózás

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 az oktatóvezetett élő tanfolyam (online vagy helyszínen) bemutatkozik a mintafelismerés és a gépi tanulás területébe. Érinti a gyakorlati alkalmazásokat a statisztikában, az informatikában, a jelelkészítésben, a számítógépes látásban, az adatbányászatban és a bioinformatikában.

E tanfolyam végén a résztvevők képesek lesznek:

• Alapvető statisztikai módszereket alkalmaznak a mintafelismerésre.
• Fő modelleket, mint például neurális hálózatokat és keresőmódszereket használnak az adatelemzésre.
• Fejlett technikákat valósítanak meg bonyolult problémamegoldásra.
• Növelik a előrejelzés pontosságát különböző modellek kombinálásával.

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

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 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 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.

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.

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.

Ez az oktató által vezetett élő képzés során a résztvevők megtanulják, hogyan használhatják a Matlab-ot konvolúciós neurális háló kialakítására, építésére és megjelenítésére képes felismeréshez.

Ez a képzés végén a résztvevők képesek lesznek:

• Melyek mély tanulási modelleket építenek
• Az adatzarfók automatizálására
• Caffe és TensorFlow-Keras modelljeivel munkavégzésre
• Több GPU-val, felhőben vagy fürtökkel való tanulási adatok betanítására

Célcsoport

• Fejlesztők
• Mérnökök
• Tudományterületi szakember

Képzés formája

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorló feladatok

Ez az instruktor vezetésű élő képzés (Magyarország-ban online vagy területi) a kezdő és középhaladó szintű szakembereknek irányult, akik szeretnék fejleszteni a gépi tanulás algoritmusaihoz, mély tanulási technikákhoz, valamint mesterséges intelligencia (MI) alapú döntésfogást vevő rendszerek használatában való tudásszintüket. A képzés gyakorláson alapuló tapasztalatot nyújt a gépi tanulás fogalmainak, mély tanulási modelljeinek és praktikus alkalmazásaiknak megismeréséhez R programban.

A képzés végén a résztvevők képesek lesznek:

• Ismeretlen az alapvető gépi tanulás és mély tanulási eljárásokról.
• Felismerni és alkalmazni a különböző gépi tanulási algoritmusokat regressziós, osztályozó, fürtözési és anomália-észlelési feladatokhoz.
• Használni a mély tanulási architektúrákat, mint például az mesterséges neurális hálózatokat (ANN).
• Alkalmazni felügyelt és nem felügyelt tanulási modelleket.
• Megértetni a modell teljesítményét és optimalizálni a hiperparamétereket.
• R programot használni adatelemzés, vizualizáció és gépi tanulás alkalmazásokhoz.

A kiképzés azoknak az embereknek szánva, akik megtanulni szeretnék a neurális hálózatok alapjait és alkalmazásait.

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.

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 kurz bevezető az R-project szoftver használatára valós világbeli problémák megoldására neural hálózatok alkalmazásával.

Ez az interaktív, élő képzés Magyarország (online vagy helyszíni) a fejlesztőknek és adattudósoknak szánt, akik TensorFlow 2.x segítségével kívának prediktív modelleket, osztályozókat, generatív modelleket, neurális hálózatokat stb. létrehozni.

Ez a képzés befejeződésekor a résztvevők képesek lesznek:

• TensorFlow 2.x telepítésére és konfigurálására.
• Megérteni TensorFlow 2.x előnyeit az előző verziókkal összevetve.
• Mély tanulási modelleket építeni.
• Egy haladó kép-osztályozót implementálni.
• Üzemeltetni a mély tanulási modellt felhőben, mobil és IoT eszközökön.

Ez az interaktív, élő képzés Magyarország (online vagy helyszínen) a mérnököknek szánt, akik kis beágyazott eszközökre szeretnének gépi tanulási modelleket írni, betölteni és futtatni.

A képzés végére a résztvevők képesek lesznek:

• A TensorFlow Lite telepítésére.
• Gépi tanulási modelleket betölteni beágyazott eszközre, hogy hangfelismerést, képclassifieringet, stb. valósítsanak meg.
• Mesterséges intelligenciát hozzáadni a hardveres eszközhöz anélkül, hogy hálózati kapcsolatra lenne szükség.

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