Deep Learning oktatás Budapest

Ez az oktató által vezetett, élő képzés Budapest (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 Budapest-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a computer vision ismereteiket és felfedezni a TensorFlow lehetőségeit a kifinomult látási modellek fejlesztéséhez a Google Colab segítségével.

A képzés végére a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatokat (CNN-ket) építeni és betanítani a TensorFlow segítségével.
• Kihasználni a Google Colabot skálázható és hatékony felhőalapú modellfejlesztéshez.
• Képfeldolgozási technikákat implementálni computer vision feladatokhoz.
• Computer vision modelleket üzembe helyezni valós alkalmazásokhoz.
• Transzfer tanulást alkalmazni a CNN-modellek teljesítményének javításához.
• Képbesorolási modellek eredményeinek megjelenítése és értelmezése.

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszínen) középszintű adattudósok és fejlesztők számára készült, akik szeretnének mélytanulási technikákat megérteni és alkalmazni a Google Colab környezetben.

A képzés végére a résztvevők képesek lesznek:

• Beállítani és kezelni a Google Colab-ot mélytanulási projektekhez.
• Megérteni a neurális hálózatok alapjait.
• Mélytanulási modelleket implementálni a TensorFlow segítségével.
• Mélytanulási modelleket betanítani és értékelni.
• Kihasználni a TensorFlow haladó funkcióit a mélytanuláshoz.

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik a legújabb mélytanulási technikákban szeretnének specializálódni az NLU területén.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az NLU és az NLP modellek közötti főbb különbségeket.
• Speciális mélytanulási technikák alkalmazása NLU feladatokban.
• Felfedezni mély architektúrákat, mint a transzformerek és a figyelemmechanizmusok.
• Kihasználni az NLU jövőbeli trendjeit a kifinomultabb MI-rendszerek építéséhez.

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszíni) haladó szintű szakembereknek szól, akik a mélytanulási modellek legújabb XAI technikáit szeretnék megismerni, különös tekintettel az értelmezhető AI rendszerek építésére.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a mélytanulásban rejlő megmagyarázhatósági kihívásokat.
• Fejlett XAI technikákat implementálni neurális hálózatokban.
• Értelmezni a mélytanulási modellek által hozott döntéseket.
• Értékelni a teljesítmény és az átláthatóság közötti kompromisszumokat.

Ez az oktató által vezetett, élő képzés Budapest-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, élőben zajló képzés Budapest (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék kihasználni az MI technikákat a gyógyszerkutatási és fejlesztési folyamatok forradalmasítására.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az MI szerepét a gyógyszerkutatásban és fejlesztésben.
• Gépi tanulási technikák alkalmazása a molekuláris tulajdonságok és kölcsönhatások előrejelzésére.
• Mélytanulási modellek használata virtuális szűrésre és vezető vegyület optimalizálására.
• MI alapú megközelítések integrálása a klinikai vizsgálati folyamatba.

Ez az oktató által vezetett, élő képzés Budapest-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.

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszínen) kezdő és középszintű adattudósok és gépi tanulási mérnökök számára készült, akik szeretnék javítani mélytanulási modelljeik teljesítményét.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az elosztott mélytanulás alapelveit.
• Telepíteni és konfigurálni a DeepSpeed-et.
• Skálázni mélytanulási modelleket elosztott hardvereken a DeepSpeed segítségével.
• Megvalósítani és kipróbálni a DeepSpeed optimalizációs és memória-hatékonysági funkcióit.

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszíni) kezdő és középhaladó szintű fejlesztőknek szól, akik Nagy Nyelvi Modelleket szeretnének használni különböző természetes nyelvi feladatokhoz.

A képzés végére a résztvevők képesek lesznek:

• Fejlesztői környezet beállítása, amely tartalmaz egy népszerű LLM-t.
• Alapvető LLM létrehozása és finomhangolása egyéni adathalmazon.
• LLMs használata különböző természetes nyelvi feladatokhoz, mint például szövegösszefoglalás, kérdésmegválaszolás, szöveggenerálás és még sok más.
• LLMs hibakeresése és értékelése olyan eszközökkel, mint a TensorBoard, PyTorch Lightning és Hugging Face Datasets.

Ez az oktató által vezetett, élő képzés (online vagy helyszínen) adattudósok, gépi tanulás mérnökök és számítógépes látás kutatók számára készült, akik szeretnék kihasználni a Stable Diffusiont, hogy kiváló minőségű képeket generáljanak különböző felhasználási esetekhez.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Stable Diffusion alapelveit és azt, hogyan működik a képgenerálásban.
• Stable Diffusion modelleket építeni és betanítani képgenerálási feladatokhoz.
• A Stable Diffusiont alkalmazni különböző képgenerálási forgatókönyvekben, mint például a képbeillesztés, képkiterjesztés és kép-kép fordítás.
• Optimalizálni a Stable Diffusion modellek teljesítményét és stabilitását.

Ezen oktatóvezetésű, élő képzés során Budapestben a résztvevők a legfontosabb és legmodernebb gépi tanulási technikákat sajátítják el Pythonban, miközben sorozatot készítenek bemutató alkalmazásokból, amelyek képekkel, zenével, szöveggel és pénzügyi adatokkal foglalkoznak.

A képzés végére a résztvevők képesek lesznek:

• Gépi tanulási algoritmusokat és technikákat implementálni komplex problémák megoldására.
• Mély tanulást és félig felügyelt tanulást alkalmazni olyan alkalmazásokban, amelyek képekkel, zenével, szöveggel és pénzügyi adatokkal foglalkoznak.
• A Python algoritmusokat maximális potenciáljukig kihasználni.
• Olyan könyvtárakat és csomagokat használni, mint a NumPy és a Theano.

Ez egy 4 napos kurzus, amely bemutatja a mesterséges intelligenciát és annak alkalmazását a Python programozási nyelv segítségével. Lehetőség van egy további napra, hogy egy MI projektet végezz el a kurzus befejezése után. 

A Mély Megerősítéses Tanulás (DRL) a megerősítéses tanulás elveit a mély tanulási architektúrákkal kombinálja, hogy lehetővé tegye az ügynökök számára a döntéshozatalt a környezetükkel való interakció révén. Számos modern AI-fejlesztés alapját képezi, mint például az önvezető járművek, a robotika irányítása, az algoritmikus kereskedés és az adaptív ajánlórendszerek. A DRL lehetővé teszi egy mesterséges ügynök számára, hogy stratégiákat tanuljon, politikákat optimalizáljon és autonóm döntéseket hozzon a próbálgatás és a jutalomalapú tanulás segítségével.

Ez az oktató által vezetett, élő képzés (online vagy helyszínen) középhaladó szintű fejlesztőknek és adattudósoknak szól, akik szeretnének megismerni és alkalmazni a Mély Megerősítéses Tanulás technikáit, hogy intelligens ügynököket építsenek, amelyek képesek autonóm döntéshozatalra komplex környezetekben.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a megerősítéses tanulás elméleti alapjait és matematikai elveit.
• Kulcsfontosságú RL algoritmusokat implementálni, beleértve a Q-Learnint, a Policy Gradients és az Actor-Critic módszereket.
• Mély megerősítéses tanulási ügynököket építeni és betanítani TensorFlow vagy PyTorch segítségével.
• DRL-t alkalmazni valós alkalmazásokban, mint például játékok, robotika és döntésoptimalizálás.
• Hibakeresést, vizualizációt és a betanítási teljesítmény optimalizálását modern eszközökkel végezni.

A kurzus formátuma

• Interaktív előadás és irányított beszélgetés.
• Gyakorlati feladatok és gyakorlati megvalósítások.
• Élő kódolási bemutatók és projektalapú alkalmazások.

Kurzus testreszabási lehetőségek

• Ha egy testreszabott változatot szeretne kérni a kurzusból (pl. PyTorch használata TensorFlow helyett), kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.

Ezen oktatóvezetésű, élő képzés során Budapest, a résztvevők megtanulják, hogyan implementáljanak mélytanulási modelleket a távközlésben Python használatával, miközben végigvezetik őket egy mélytanulási kockázati modell létrehozásán.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a mélytanulás alapvető fogalmait.
• Megismerni a mélytanulás alkalmazásait és felhasználását a távközlésben.
• Python, Keras és TensorFlow használatával mélytanulási modelleket létrehozni a távközlésben.
• Saját mélytanulási ügyfélkiesés előrejelző modellt építeni Python használatával.

Ez a kurzus vezetők, megoldásarchitektusok, innovációs tisztviselők, műszaki igazgatók, szoftverarchitektusok és bárki számára készült, aki érdeklődik a mesterséges intelligencia gyakorlati alkalmazásai és a közeljövőben várható fejlődése iránt.

Ez a kurzus az autóiparban alkalmazott mesterséges intelligenciát (különös hangsúlyt fektetve a gépi tanulásra és a mélytanulásra) mutatja be. Segít meghatározni, hogy mely technológiák használhatók (potenciálisan) egy autóban különböző helyzetekben: az egyszerű automatizálástól kezdve a képfelismerésen át az autonóm döntéshozatalig.

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszíni) kezdő szintű résztvevőknek szól, akik szeretnének megismerni a valószínűségszámítás, statisztika, programozás és gépi tanulás alapfogalmait, és ezeket az MI fejlesztésében alkalmazni.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a valószínűségszámítás és statisztika alapfogalmait, és azokat valós helyzetekben alkalmazni.
• Procedurális, funkcionális és objektum-orientált programkódot írni és értelmezni.
• Gépi tanulási technikákat implementálni, mint például osztályozás, klaszterezés és neurális hálózatok.
• MI megoldásokat fejleszteni szabálymotorok és szakértői rendszerek segítségével problémamegoldásra.

A Mesterséges Neurális Hálózat egy számítástechnikai adatmodell, amelyet a Mesterséges Intelligencia (MI) rendszerek fejlesztésében használnak, amelyek képesek „intelligens” feladatok végrehajtására. A Neurális Hálózatokat gyakran használják a Gépi Tanulás (ML) alkalmazásokban, amelyek maguk is az MI egyik megvalósításai. A Mély Tanulás az ML egy részterülete.

Ez egy 4 napos képzés, amely bemutatja a mesterséges intelligenciát és annak alkalmazásait. Lehetőség van egy további napra az AI projekt megvalósításához a képzés befejezése után. 

Ez az oktató által vezetett, élőben zajló képzés Budapest-ben (online vagy helyszíni) középszintű adattudósok és statisztikusok számára készült, akik szeretnék hatékonyan előkészíteni az adatokat, modelleket építeni és gépi tanulási technikákat alkalmazni szakmai területükön.

A képzés végére a résztvevők képesek lesznek:

• Megérteni és megvalósítani különböző gépi tanulási algoritmusokat.
• Adatokat és modelleket előkészíteni gépi tanulási alkalmazásokhoz.
• Utólagos elemzéseket végezni és eredményeket hatékonyan vizualizálni.
• Gépi tanulási technikákat alkalmazni valós, ágazatspecifikus helyzetekben.

A Mesterséges Neurális Hálózat egy számítástechnikai adatmodell, amelyet a Mesterséges Intelligencia (MI) rendszerek fejlesztésében használnak, amelyek „intelligens” feladatokat képesek végrehajtani. A Neurális Hálózatokat gyakran használják a Gépi Tanulás (ML) alkalmazásokban, amelyek maguk is az MI egyik megvalósítását képviselik. A Mély Tanulás az ML egy részhalmaza.

Ez az oktató által vezetett, élő képzés Budapest-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.

Ez az oktató által vezetett, élőben tartott képzés Budapest (online vagy helyszíni) bevezetést nyújt a mintafelismerés és a gépi tanulás területére. A képzés érinti a statisztika, számítástechnika, jelfeldolgozás, számítógépes látás, adatbányászat és bioinformatika gyakorlati alkalmazásait.

A képzés végére a résztvevők képesek lesznek:

• Alapvető statisztikai módszerek alkalmazására a mintafelismerésben.
• Kulcsfontosságú modellek, például neurális hálózatok és kernel módszerek használatára az adatelemzésben.
• Fejlett technikák alkalmazására komplex problémamegoldás során.
• Különböző modellek kombinálásával javítani az előrejelzési pontosságot.

Ez a kurzus általános áttekintést nyújt a mélytanulásról anélkül, hogy túlságosan elmerülne bármely konkrét módszerben. Ideális azok számára, akik szeretnének elkezdeni a mélytanulást használni a predikciók pontosságának javítása érdekében.

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszíni) kutatók és fejlesztők számára készült, akik szeretnék telepíteni, beállítani, testreszabni és használni a DeepMind Lab platformot általános mesterséges intelligencia és gépi tanulási rendszerek fejlesztéséhez.

A képzés végére a résztvevők képesek lesznek:

• Testreszabni a DeepMind Lab-ot, hogy olyan környezetet építsenek és futtassanak, amely megfelel a tanulási és képzési igényeknek.
• A DeepMind Lab 3D-s szimulációs környezetében képezni a tanuló ügynököket első személyű nézetben.
• Az ügynökök értékelését elősegíteni, hogy intelligencia fejlődését előmozdítsák egy 3D-s játék-szerű világban.

A gépi tanulás a mesterséges intelligencia egyik ága, ahol a számítógépek képesek tanulni anélkül, hogy explicit módon programozva lennének. A mélytanulás a gépi tanulás egyik részterülete, amely olyan módszereket használ, amelyek az adatreprezentációk és szerkezetek tanulásán alapulnak, például a neurális hálózatok.

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszíni) üzleti elemzők, adattudósok és fejlesztők számára készült, akik mélytanulási modelleket szeretnének építeni és implementálni a bevételnövekedés gyorsítására és az üzleti világ problémáinak megoldására.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a gépi tanulás és a mélytanulás alapvető fogalmait.
• Bepillantást nyerni az üzleti és ipari jövőbe a gépi tanulás és a mélytanulás segítségével.
• Üzleti stratégiákat és megoldásokat meghatározni a mélytanulás segítségével.
• Megtanulni, hogyan alkalmazható az adattudomány és a mélytanulás üzleti problémák megoldásában.
• Mélytanulási modelleket építeni Python, Pandas, TensorFlow, CNTK, Torch, Keras stb. használatával.

Ebben az oktató által vezetett, élő képzésen Budapest a résztvevők megtanulják, hogyan használják a Python könyvtárait az NLP-hez, miközben létrehoznak egy alkalmazást, amely feldolgoz egy képgyűjteményt és generál hozzá feliratokat.

A képzés végére a résztvevők képesek lesznek:

• Tervezni és kódolni DL-t az NLP-hez Python könyvtárak használatával.
• Python kódot készíteni, amely egy jelentős méretű képgyűjteményt olvas be és kulcsszavakat generál.
• Python kódot készíteni, amely a felismert kulcsszavakból feliratokat generál.

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, élőben képzés Budapest-ben (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék gyorsítani a valós idejű gépi tanulási alkalmazásokat és nagy léptékben telepíteni azokat.

A képzés végén a résztvevők képesek lesznek:

• Az OpenVINO eszközkészlet telepítésére.
• Számítógépes látóalkalmazás gyorsítására FPGA felhasználásával.
• Különböző CNN rétegek futtatására az FPGA-n.
• Az alkalmazás kibővítésére több csomóponton belül egy Kubernetes klaszterben.

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék a TensorFlow-ot használni a lehetséges csalási adatok elemzéséhez.

A képzés végére a résztvevők képesek lesznek:

• Csalásfelismerő modell létrehozására Python és TensorFlow segítségével.
• Lineáris regressziók és lineáris regressziós modellek építésére csalás előrejelzéséhez.
• Végponttól végpontig tartó AI alkalmazás fejlesztésére a csalási adatok elemzéséhez.

Ez az oktató által vezetett, élőben tartott képzés Budapest (online vagy helyszíni) formájában fejlesztőknek és adattudósoknak szól, akik a Horovod használatával szeretnék elosztott mélytanulási képzéseket futtatni és azt több párhuzamosan futó GPU-ra skálázni.

A képzés végén a résztvevők képesek lesznek:

• A szükséges fejlesztői környezet beállítása a mélytanulási képzések indításához.
• A Horovod telepítése és konfigurálása a modellek tanításához a TensorFlow, Keras, PyTorch és Apache MXNet használatával.
• Mélytanulási képzések skálázása a Horovod segítségével több GPU-n való futtatásra.

Ez az oktató által vezetett, élőben tartott képzés Budapest (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.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják a Matlabot egy konvolúciós neurális hálózat tervezésére, építésére és megjelenítésére képefelismerés céljából.

A képzés végére a résztvevők képesek lesznek:

• Mélytanulási modell készítésére
• Adatcímkézés automatizálására
• Caffe és TensorFlow-Keras modellekkel való munkavégzésre
• Adatok betanítására több GPU, a felhő vagy klaszterek segítségével

Közönség

• Fejlesztők
• Mérnökök
• Szakterületi szakértők

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszíni) kezdő és középhaladó szintű szakembereknek szól, akik szeretnék fejleszteni a gépi tanulási algoritmusok, mélytanulási technikák és MI-alapú döntéshozatal megértését. A képzés során gyakorlati tapasztalatokat szerezhetnek a gépi tanulás fogalmaival, mélytanulási modellekkel és gyakorlati megvalósításokkal az R használatával.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a gépi tanulás és a mélytanulás alapjait.
• Különböző gépi tanulási algoritmusokat alkalmazni regresszió, osztályozás, klaszterezés és anomáliadetektálás céljából.
• Mélytanulási architektúrákat használni, például mesterséges neurális hálózatokat (ANNs).
• Felügyelt és felügyletlen tanulási modelleket implementálni.
• Modell teljesítményének értékelése és hiperparaméterek optimalizálása.
• Az R használata adatelemzéshez, vizualizációhoz és gépi tanulási alkalmazásokhoz.

A képzés azoknak szól, akik szeretnének megismerkedni a neurális hálózatok alapjaival és azok alkalmazásaival.

Ez az osztálytermi képzési session előadásokat, számítógépes példákat és esettanulmányi gyakorlatokat tartalmaz, amelyeket releváns neurális és mély neurális hálózati könyvtárakkal végezhet el.

Ez az oktató által vezetett, élőben zajló képzés Budapest-ben (online vagy helyszínen) szoftvermérnököknek szól, akik Pythonban szeretnének programozni az OpenCV 4-gyel a mélytanulás területén.

A képzés végére a résztvevők képesek lesznek:

• Képeket és videókat megtekinteni, betölteni és osztályozni az OpenCV 4 segítségével.
• Mélytanulást implementálni az OpenCV 4-ben a TensorFlow és a Keras segítségével.
• Mélytanulási modelleket futtatni és hatásos jelentéseket készíteni képekből és videókból.

Ezen oktató által vezetett, élő képzés során a résztvevők a valós alkalmazások létrehozásának lépései során sajátítják el a gépi tanulás haladó technikáit R nyelven.

A képzés végére a résztvevők képesek lesznek:

• Megérteni és alkalmazni a felügyelet nélküli tanulási technikákat
• Klaszterezést és osztályozást alkalmazni a valós adatok alapján történő előrejelzésekhez.
• Adatokat vizualizálni a gyors betekintés, döntéshozatal és további elemzés finomítása érdekében.
• Javítani a gépi tanulási modell teljesítményét hiperparaméter-hangolással.
• Modellt éles környezetbe helyezni egy nagyobb alkalmazásban való használatra.
• Haladó gépi tanulási technikákat alkalmazni a közösségi hálózati adatok, big data és egyéb kérdések megválaszolásához.

Ez a kurzus bemutatja, hogyan alkalmazhatók a neurális hálózatok valós világbeli problémák megoldására az R-project szoftver segítségével.

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszíni) fejlesztők és adattudósok számára készült, akik a TensorFlow 2.x-et szeretnék használni előrejelzők, osztályozók, generatív modellek, neurális hálózatok stb. létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a TensorFlow 2.x-et.
• Megérteni a TensorFlow 2.x előnyeit a korábbi verziókhoz képest.
• Mélytanulási modelleket építeni.
• Fejlett képosztályozót implementálni.
• Mélytanulási modellt telepíteni a felhőbe, mobil- és IoT eszközökre.

Ez az oktató által vezetett, élő képzés Budapest (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.

Ezen oktatóvezetésű, élő képzésen Budapest (online vagy helyszíni) a résztvevők megtanulják, hogyan konfigurálják és használják a TensorFlow Servinget ML modellek üzembe helyezésére és kezelésére éles környezetben.

A képzés végére a résztvevők képesek lesznek:

• Különböző TensorFlow modellek betanítására, exportálására és kiszolgálására.
• Algoritmusok tesztelésére és üzembe helyezésére egyetlen architektúra és API-készlet használatával.
• A TensorFlow Serving kiterjesztésére más típusú modellek kiszolgálására, nem csak TensorFlow modellekre.

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

Ez az oktató által vezetett, élő képzés Budapest-ben (online vagy helyszíni) azoknak az adattudósoknak szól, akik egyetlen ML modell tanításától szeretnének továbblépni több ML modell termelési környezetbe történő üzembe helyezéséhez.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a TFX-et és a támogató harmadik féltől származó eszközöket.
• A TFX használatával létrehozni és kezelni egy teljes ML termelési folyamatot.
• A TFX komponensekkel dolgozni a modellezés, képzés, következtetés kiszolgálása és üzembe helyezések kezelése terén.
• Gépi tanulási funkciókat üzembe helyezni webalkalmazásokban, mobilalkalmazásokban, IoT eszközökön és egyebeken.

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

Ez a kurzus a neurális hálózatok és általában a gépi tanulási algoritmusok, valamint a mély tanulás (algoritmusok és alkalmazások) elméleti ismereteivel kezdődik.

A képzés 1. része (40%) inkább az alapokra összpontosít, de segít a megfelelő technológia kiválasztásában: TensorFlow, Caffe, Theano, DeepDrive, Keras stb.

A képzés 2. része (20%) bemutatja a Theano-t, egy Python könyvtárat, amely leegyszerűsíti a mély tanulási modellek írását.

A képzés 3. része (40%) kiterjedten a TensorFlow-ra épül, amely a Google nyílt forráskódú szoftverkönyvtára a mély tanuláshoz. A példák és gyakorlatok mind TensorFlow-ban készülnek.

Célközönség

Ez a kurzus azoknak a mérnököknek szól, akik a TensorFlow-ot szeretnék használni mély tanulási projektekben.

A kurzus elvégzése után a résztvevők:

• alapos ismeretekkel rendelkeznek a mély neurális hálózatokról (DNN), a konvolúciós neurális hálózatokról (CNN) és a rekurrens neurális hálózatokról (RNN)
• megértik a TensorFlow szerkezetét és üzembe helyezési mechanizmusait
• képesek lesznek telepítési, üzemi környezet és architektúra feladatok elvégzésére és konfigurálására
• képesek lesznek kódminőség értékelésére, hibakeresésre és monitorozásra
• képesek lesznek fejlett termelési feladatok elvégzésére, mint a modellek betanítása, gráfok építése és naplózás