TensorFlow oktatás Budapest

Ez oktatóvezetett, élő tanfolyam Budapest (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 a tanárvezetett, élő kiejtésű oktatás Budapest (online vagy helyszínen) azoknak a középfokú adattudósoknak és fejlesztőknek szól, akik meg szeretnék tanulni és alkalmazni a mélytanulási technikákat a Google Colab környezetben.

Ezen oktatás befejezésével a résztvevők képesek lesznek:

• Google Colab beállítása és navigálása mélytanulási projektekhez.
• Neurális hálózatok alapelveinek megértése.
• Mélytanulási modellek implementálása TensorFlow-mal.
• Mélytanulási modellek kiképzése és értékelése.
• TensorFlow mélytanuláshoz tartozó fejlett funkciók használata.

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.

Ezen az oktató által vezetett, élő képzésen a Budapest-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 Budapest-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 Budapest-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.

Ezen az oktató által vezetett, élő képzésen a Budapest-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.

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 az oktató által vezetett, élő képzés a Budapest-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.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják ki a TPU processzorok innovációit, hogy maximalizálják saját AI alkalmazásaik teljesítményét.

A képzés végén a résztvevők képesek lesznek:

• Various types of neural networks training on large amounts of data.
• TPU használata az inference folyamat gyorsításához akár két nagyságrenddel.
• TPU felhasználása intenzív alkalmazások feldolgozására, mint például képkeresés, felhővizion, és fotók.

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 kurzus elejében bemutatja az neurális hálózatok fogalmát és általánosságban a gépi tanulás algoritmusait, valamint a mély tanulást (algoritmusok és alkalmazások).

A képzés 40%-a (1. rész) főként az alapokra koncentrál, de segít megválasztani a megfelelő technológiát: TensorFlow, Caffe, Theano, DeepDrive, Keras, stb.

A képzés 20%-a (2. rész) bemutatja a Theano-t - egy Python könyvtárat, ami egyszerűvé teszi mély tanulási modellek írását.

A képzés 40%-a (3. rész) kiterjedt ismertetést ad a Tensorflow-rol - Google nyílt forráskódú szoftverkönyvtárának, amely a mély tanuláshoz készült, és amit az alapokon fogunk példákat és gyakorlati feladatokat elvégezni.

Célközönség

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

A kurzus befejezése után a résztvevők:

• megértenek a mély neurális hálózatok (DNN), CNN és RNN fogalmát

• megértenek a TensorFlow szerkezetét és üzembe helyezési mechanizmusait

• elvégezni tudnak telepítést, termelőkörnyezet-architektúrát és konfigurációt

• kódminőséget tudnak értékelni, hibakeresést és figyelést végezhetnek

• haladó termelési feladatokat, például modellek betanítását, gráfok létrehozását és naplózást tudnak megvalósítani