Online TensorFlow Képzés Magyarország-ban

Ez az oktató által vezetett, élő képzés Magyarország-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 Magyarország-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 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. 

Ebben az oktató által vezetett, élő képzésen Magyarország 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, élő képzés Magyarország (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, élő képzés Magyarország-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.

Ezen oktatóvezetésű, élő képzésen Magyarország (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 Magyarország-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