Szkolenia Deep Learning w Warszawa

To prowadzone przez instruktora szkolenie na żywo w Warszawa (na miejscu lub zdalnie) jest przeznaczone dla średniozaawansowanych specjalistów finansowych, programistów fintech i specjalistów AI, którzy chcą wdrożyć rozwiązania Edge AI w usługach finansowych.Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć rolę Edge AI w usługach finansowych.
• Wdrożyć systemy wykrywania oszustw przy użyciu Edge AI.
• Poprawić obsługę klienta dzięki rozwiązaniom opartym na sztucznej inteligencji.
• Zastosować Edge AI do zarządzania ryzykiem i podejmowania decyzji.
• Wdrażać i zarządzać rozwiązaniami Edge AI w środowiskach finansowych.

To prowadzone przez instruktora szkolenie na żywo w Warszawa (na miejscu lub zdalnie) jest przeznaczone dla inżynierów przemysłowych średniego szczebla, specjalistów ds. produkcji i programistów AI, którzy chcą wdrożyć rozwiązania Edge AI w automatyce przemysłowej.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć rolę Edge AI w automatyce przemysłowej.
• Wdrożyć rozwiązania konserwacji predykcyjnej przy użyciu Edge AI.
• Zastosować techniki AI do kontroli jakości w procesach produkcyjnych.
• Optymalizować procesy przemysłowe przy użyciu Edge AI.
• Wdrażać i zarządzać rozwiązaniami Edge AI w środowiskach przemysłowych.

To prowadzone przez instruktora szkolenie na żywo w Warszawa (na miejscu lub zdalnie) jest skierowane do naukowców zajmujących się danymi na poziomie średnio-zaawansowanym i zaawansowanym, inżynierów uczenia maszynowego, badaczy głębokiego uczenia się i ekspertów ds. wizji komputerowej, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie głębokiego uczenia się do generowania tekstu na obraz.Pod koniec tego szkolenia uczestnicy będą potrafili:

Zrozumienie zaawansowanych architektur i technik głębokiego uczenia się do generowania tekstu na obraz. Wdrażaj złożone modele i optymalizacje w celu uzyskania wysokiej jakości syntezy obrazu. Optymalizuj wydajność i skalowalność w przypadku dużych zbiorów danych i złożonych modeli. Dostosuj hiperparametry, aby uzyskać lepszą wydajność modelu i uogólnienie. Zintegruj Stable Diffusion z innymi platformami i narzędziami głębokiego uczenia się

Optimizing AI Models for Edge Devices focuses on techniques for optimizing AI models to run efficiently on edge hardware. This course covers model compression, quantization, and other optimization techniques, providing practical knowledge for building performant AI models for edge devices.This instructor-led, live training (online or onsite) is aimed at intermediate-level AI developers, machine learning engineers, and system architects who wish to optimize AI models for edge deployment.By the end of this training, participants will be able to:

• Understand the challenges and requirements of deploying AI models on edge devices.
• Apply model compression techniques to reduce the size and complexity of AI models.
• Utilize quantization methods to enhance model efficiency on edge hardware.
• Implement pruning and other optimization techniques to improve model performance.
• Deploy optimized AI models on various edge devices.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, inżynierów uczenia maszynowego i badaczy wizji komputerowej, którzy chcą wykorzystać Stable Diffusion do generowania wysokiej jakości obrazów do różnych zastosowań. Po zakończeniu tego szkolenia uczestnicy będą w stanie

Zrozumienie zasad działania modelu Stable Diffusion i jego zastosowania do generowania obrazów. Budowanie i trenowanie modeli Stable Diffusion dla zadań generowania obrazów. Zastosuj Stable Diffusion do różnych scenariuszy generowania obrazów, takich jak inpainting, outpainting i tłumaczenie obrazu na obraz. Optymalizacja wydajności i stabilności modeli Stable Diffusion.

To prowadzone przez instruktora szkolenie na żywo w Warszawa (online lub na miejscu) jest skierowane do biologów, którzy chcą zrozumieć, jak działa AlphaFold i używać modeli AlphaFold jako przewodników w swoich badaniach eksperymentalnych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych zasad działania AlphaFold.
• Dowiedz się, jak działa AlphaFold.
• Dowiedz się, jak interpretować przewidywania i wyniki AlphaFold.

TensorFlow Lite is a lightweight version of TensorFlow designed for mobile and embedded devices. Edge AI with TensorFlow Lite focuses on utilizing TensorFlow Lite for developing and deploying Edge AI models. This course covers the tools and techniques specific to TensorFlow Lite, providing practical knowledge for building efficient AI models for edge devices.This instructor-led, live training (online or onsite) is aimed at intermediate-level developers, data scientists, and AI practitioners who wish to leverage TensorFlow Lite for Edge AI applications.By the end of this training, participants will be able to:

• Understand the fundamentals of TensorFlow Lite and its role in Edge AI.
• Develop and optimize AI models using TensorFlow Lite.
• Deploy TensorFlow Lite models on various edge devices.
• Utilize tools and techniques for model conversion and optimization.
• Implement practical Edge AI applications using TensorFlow Lite.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

To prowadzone przez instruktora szkolenie na żywo w Warszawa (online lub na miejscu) jest przeznaczone dla początkujących i średnio zaawansowanych analityków danych i inżynierów uczenia maszynowego, którzy chcą poprawić wydajność swoich modeli głębokiego uczenia. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie zasad rozproszonego uczenia głębokiego.
• Instalacja i konfiguracja DeepSpeed.
• Skalowanie modeli głębokiego uczenia na rozproszonym sprzęcie przy użyciu DeepSpeed.
• Wdrożenie i eksperymentowanie z funkcjami DeepSpeed w celu optymalizacji i wydajności pamięci.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą korzystać z dużych modeli językowych do różnych zadań związanych z językiem naturalnym. Po zakończeniu tego szkolenia uczestnicy będą w stanie

Skonfigurowanie środowiska programistycznego zawierającego popularny program LLM. Utwórz podstawowy mechanizm LLM i dostosuj go do niestandardowego zestawu danych. Wykorzystanie LLM do różnych zadań związanych z językiem naturalnym, takich jak podsumowywanie tekstu, odpowiadanie na pytania, generowanie tekstu i inne. Debugowanie i ocena LLM przy użyciu narzędzi takich jak TensorBoard, PyTorch Lightning i Hugging Face Datasets.

W tym prowadzonym przez instruktora szkoleniu na żywo w Warszawa uczestnicy poznają najistotniejsze i najnowocześniejsze techniki uczenia maszynowego w Python, budując serię aplikacji demonstracyjnych obejmujących obraz, muzykę, tekst i dane finansowe. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Wdrażanie algorytmów i technik uczenia maszynowego w celu rozwiązywania złożonych problemów.
• Zastosowanie głębokiego uczenia i uczenia pół-nadzorowanego w aplikacjach obejmujących obraz, muzykę, tekst i dane finansowe.
• Wykorzystaj algorytmy Python do ich maksymalnego potencjału.
• Używaj bibliotek i pakietów takich jak NumPy i Theano.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów i analityków danych, którzy chcą nauczyć się podstaw Deep Reinforcement Learning podczas tworzenia agenta Deep Learning. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie kluczowych koncepcji stojących za Deep Reinforcement Learning i umiejętność odróżnienia go od uczenia maszynowego.
• Zastosowanie zaawansowanych algorytmów Reinforcement Learning do rozwiązywania rzeczywistych problemów.
• Zbuduj agenta głębokiego uczenia.

W tym instruktażowym szkoleniu na żywo w Warszawa uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla telekomunikacji przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego.
• Poznanie aplikacji i zastosowań głębokiego uczenia w telekomunikacji.
• Używanie Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla telekomunikacji.
• Budują własny model przewidywania rezygnacji klientów w oparciu o uczenie głębokie przy użyciu języka Python.

Embedding Projector to aplikacja internetowa typu open source do wizualizacji danych wykorzystywanych do szkolenia systemów uczenia maszynowego. Stworzona przez Google, jest częścią TensorFlow. To prowadzone przez instruktora szkolenie na żywo wprowadza koncepcje stojące za Embedding Projector i przeprowadza uczestników przez konfigurację projektu demonstracyjnego. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zobacz, jak dane są interpretowane przez modele uczenia maszynowego
• Poruszanie się po widokach 3D i 2D danych w celu zrozumienia, w jaki sposób algorytm uczenia maszynowego je interpretuje.
• Zrozumienie koncepcji stojących za embeddings i ich roli w reprezentowaniu wektorów matematycznych dla obrazów, słów i cyfr.
• Zbadaj właściwości konkretnego osadzenia, aby zrozumieć zachowanie modelu.
• Zastosuj Embedding Project do rzeczywistych przypadków użycia, takich jak budowanie systemu rekomendacji utworów dla miłośników muzyki.

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

To prowadzone przez instruktora szkolenie na żywo w Warszawa (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą używać TensorFlow Lite do wdrażania modeli głębokiego uczenia się na urządzeniach wbudowanych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja Tensorflow Lite na urządzeniu wbudowanym.
• Zrozumienie koncepcji i komponentów leżących u podstaw TensorFlow Lite.
• Konwersja istniejących modeli do formatu TensorFlow Lite w celu wykonania na urządzeniach wbudowanych.
• Pracuj w ramach ograniczeń małych urządzeń i TensorFlow Lite, jednocześnie ucząc się, jak rozszerzyć zakres operacji, które można uruchomić.
• Deploy a deep learning model on an embedded device running Linux.

Ten prowadzony przez instruktora trening na żywo w Warszawa (online lub na miejscu) jest skierowany do programistów, którzy chcą używać TensorFlow Lite do tworzenia aplikacji mobilnych z funkcjami głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja TensorFlow Lite.
• Zrozumienie zasad stojących za TensorFlow, uczeniem maszynowym i głębokim uczeniem.
• Ładowanie modeli TensorFlow na urządzenie z systemem Android.
• Włączanie funkcji głębokiego uczenia i uczenia maszynowego, takich jak wizja komputerowa i rozpoznawanie języka naturalnego w aplikacji mobilnej.

To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla programistów, którzy chcą używać TensorFlow Lite do tworzenia aplikacji mobilnych na iOS z funkcjami głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja TensorFlow Lite.
• Zrozumienie zasad stojących za TensorFlow i uczeniem maszynowym na urządzeniach mobilnych.
• Ładowanie modeli TensorFlow na urządzenie z systemem iOS.
• Uruchom aplikację iOS zdolną do wykrywania i klasyfikowania obiektów przechwyconych przez kamerę urządzenia.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą pisać, ładować i uruchamiać modele uczenia maszynowego na bardzo małych urządzeniach wbudowanych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja TensorFlow Lite.
• Załaduj modele uczenia maszynowego na urządzenie wbudowane, aby umożliwić mu wykrywanie mowy, klasyfikowanie obrazów itp.
• Dodaj sztuczną inteligencję do urządzeń sprzętowych bez polegania na łączności sieciowej.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą używać Chainer do budowania i trenowania sieci neuronowych w Python, jednocześnie ułatwiając debugowanie kodu. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Ustawienie środowiska programistycznego niezbędnego do rozpoczęcia tworzenia modeli sieci neuronowych.
• Definiowanie i wdrażanie modeli sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonaj przykłady i zmodyfikuj istniejące algorytmy, aby zoptymalizować modele szkoleniowe głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.

To prowadzone przez instruktora szkolenie na żywo w Warszawa (online lub na miejscu) jest przeznaczone dla programistów lub naukowców zajmujących się danymi, którzy chcą używać Horovod do uruchamiania rozproszonych szkoleń z głębokiego uczenia się i skalowania ich w celu równoległego działania na wielu procesorach graficznych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Ustawienie niezbędnego środowiska programistycznego do rozpoczęcia treningów głębokiego uczenia.
• Instalacja i konfiguracja Horovod do trenowania modeli z TensorFlow, Keras, PyTorch i Apache MXNet.
• Skalowanie treningu głębokiego uczenia za pomocą Horovod w celu uruchomienia na wielu procesorach graficznych.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla analityków danych, którzy chcą przyspieszyć aplikacje uczenia maszynowego w czasie rzeczywistym i wdrożyć je na dużą skalę. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja zestawu narzędzi OpenVINO.
• Akceleruj aplikację widzenia komputerowego przy użyciu FPGA.
• Wykonaj różne warstwy CNN na FPGA.
• Skaluj aplikację na wielu węzłach w klastrze Kubernetes.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wykorzystać Apache MXNet' do zbudowania i wdrożenia modelu głębokiego uczenia się do rozpoznawania obrazów. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja Apache MXNet i jego komponentów.
• Zrozumieć architekturę i struktury danych MXNet.
• Używanie niskopoziomowych i wysokopoziomowych interfejsów API Apache MXNet do wydajnego budowania sieci neuronowych.
• Zbuduj konwolucyjną sieć neuronową do klasyfikacji obrazów.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla osób technicznych, które chcą zastosować model głębokiego uczenia się w aplikacjach do rozpoznawania obrazów. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja Keras.
• Szybkie prototypowanie modeli głębokiego uczenia.
• Zaimplementuj sieć konwolucyjną.
• Zaimplementuj sieć rekurencyjną.
• Wykonanie modelu głębokiego uczenia zarówno na CPU, jak i GPU.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą rozwijać zaawansowane sieci neuronowe głębokiego uczenia i modelować je za pomocą Keras i Python. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zastosowanie głębokiego uczenia się z wykorzystaniem nadzorowanych lub nienadzorowanych metod uczenia się.
• Rozwijanie, trenowanie i wdrażanie współbieżnych sieci neuronowych i rekurencyjnych sieci neuronowych.
• Używaj Keras i Python do budowania modeli głębokiego uczenia się w celu rozwiązywania problemów związanych z obrazami, tekstem, dźwiękiem i nie tylko.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą zbudować autonomiczny samochód przy użyciu technik głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Użyj Keras do zbudowania i wytrenowania konwolucyjnej sieci neuronowej.
• Użyj technik wizji komputerowej do identyfikacji pasów ruchu w projekcie autonomicznej jazdy.
• Trenowanie modelu głębokiego uczenia się w celu rozróżniania znaków drogowych.
• Symulacja w pełni autonomicznego samochodu.

Torch to biblioteka uczenia maszynowego typu open source i naukowy framework obliczeniowy oparty na języku programowania Lua. Zapewnia środowisko programistyczne dla numerów, uczenia maszynowego i wizji komputerowej, ze szczególnym naciskiem na głębokie uczenie i sieci konwolucyjne. Jest to jeden z najszybszych i najbardziej elastycznych frameworków do uczenia maszynowego i głębokiego i jest używany przez firmy takie jak Facebook, Google, Twitter, NVIDIA, AMD, Intel i wiele innych. W tym prowadzonym przez instruktora szkoleniu na żywo omawiamy zasady Torch, jego unikalne cechy i sposób, w jaki można go zastosować w rzeczywistych aplikacjach. Przez cały czas wykonujemy liczne ćwiczenia praktyczne, demonstrując i ćwicząc poznane koncepcje. Pod koniec kursu uczestnicy będą mieli dogłębne zrozumienie podstawowych funkcji i możliwości Torch, a także jego roli i wkładu w przestrzeń sztucznej inteligencji w porównaniu z innymi frameworkami i bibliotekami. Uczestnicy otrzymają również niezbędną praktykę do wdrożenia Torch we własnych projektach. Format kursu Przegląd maszyn i Deep Learning Kodowanie w klasie i ćwiczenia integracyjne Pytania testowe posypane po drodze, aby sprawdzić zrozumienie

Caffe to platforma głębokiego uczenia stworzona z myślą o ekspresji, szybkości i modułowości. Ten kurs bada zastosowanie Caffe jako struktury głębokiego uczenia się do rozpoznawania obrazów na przykładzie MNIST Publiczność Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem Caffe jako frameworka. Po ukończeniu tego kursu uczestnicy będą w stanie

• zrozumieć strukturę i mechanizmy wdrażania Caffe&rsquo
• przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
• wdrażać zaawansowaną produkcję, taką jak modele szkoleniowe, wdrażanie warstw i rejestrowanie

SINGA to ogólna rozproszona platforma głębokiego uczenia się do trenowania dużych modeli głębokiego uczenia się na dużych zbiorach danych. Została ona zaprojektowana w oparciu o intuicyjny model programowania bazujący na abstrakcji warstw. Obsługiwanych jest wiele popularnych modeli głębokiego uczenia, a mianowicie modele typu feed-forward, w tym konwolucyjne sieci neuronowe (CNN), modele energetyczne, takie jak ograniczona maszyna Boltzmanna (RBM) i rekurencyjne sieci neuronowe (RNN). Dla użytkowników dostępnych jest wiele wbudowanych warstw. Architektura SINGA jest wystarczająco elastyczna, aby uruchamiać synchroniczne, asynchroniczne i hybrydowe ramy szkoleniowe. SINGA obsługuje również różne schematy partycjonowania sieci neuronowych w celu zrównoleglenia uczenia dużych modeli, a mianowicie partycjonowanie w wymiarze partii, wymiarze funkcji lub partycjonowanie hybrydowe. Publiczność Ten kurs jest skierowany do badaczy, inżynierów i programistów, którzy chcą wykorzystać Apache SINGA jako platformę głębokiego uczenia się. Po ukończeniu tego kursu uczestnicy będą

• rozumieć strukturę i mechanizmy wdrażania SINGA
• być w stanie wykonać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
• być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, osadzanie terminów, tworzenie wykresów i rejestrowanie

 

Deeplearning4j to pierwsza komercyjna, otwarta, rozproszona biblioteka głębokiego uczenia napisana dla języka Java i Scala. Zintegrowana z Hadoop i Spark, DL4J została zaprojektowana do użytku w środowiskach biznesowych na rozproszonych procesorach graficznych i CPU.   Publiczność Ten kurs jest skierowany do inżynierów i programistów, którzy chcą wykorzystać Deeplearning4j w swoich projektach.   Po tym kursie uczestnicy będą w stanie

Deeplearning4j to otwarta, rozproszona biblioteka głębokiego uczenia napisana dla języka Java i Scala. Zintegrowana z Hadoop i Spark, DL4J została zaprojektowana do użytku w środowiskach biznesowych na rozproszonych procesorach graficznych i CPU. Word2Vec to metoda obliczania wektorowych reprezentacji słów wprowadzona przez zespół badaczy z Google pod kierownictwem Tomasa Mikolova. Publiczność Ten kurs jest skierowany do badaczy, inżynierów i programistów, którzy chcą wykorzystać Deeplearning4J do tworzenia modeli Word2Vec.

Jest to 4-dniowy kurs wprowadzający w sztuczną inteligencję i jej zastosowanie. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu;

W tym instruktażowym szkoleniu na żywo w Warszawa uczestnicy nauczą się korzystać z Python bibliotek dla NLP, tworząc aplikację, która przetwarza zestaw zdjęć i generuje podpisy.  Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Projektowanie i kodowanie DL dla NLP przy użyciu Python bibliotek.
• Tworzenie Python kodu, który odczytuje ogromną kolekcję zdjęć i generuje słowa kluczowe.
• Stwórz Pythonkod, który generuje podpisy na podstawie wykrytych słów kluczowych.

Publiczność Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych Ten kurs zawiera działające przykłady.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla analityków danych, którzy chcą wykorzystać TensorFlow do analizy danych dotyczących potencjalnych oszustw. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Tworzenie modelu wykrywania oszustw w Pythonie i TensorFlow.
• Budowanie regresji liniowej i modeli regresji liniowej w celu przewidywania oszustw.
• Opracowanie kompleksowej aplikacji AI do analizy danych o oszustwach.

To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć obciążenia uczenia maszynowego w chmurze lokalnej lub hybrydowej.

• Pod koniec tego szkolenia uczestnicy będą w stanie:
• Instalować i konfigurować Kubernetes i Kubeflow na klastrze OpenShift.
• Używać OpenShift do uproszczenia pracy związanej z inicjalizacją klastra Kubernetes.
• Tworzenie i wdrażanie potoku Kubernetes do automatyzacji i zarządzania modelami ML w produkcji.
• Trenowanie i wdrażanie TensorFlow modeli ML na wielu GPU i maszynach działających równolegle.
• Wywoływanie usług chmury publicznej (np. usług AWS) z poziomu OpenShift w celu rozszerzenia aplikacji ML
.

Ten kurs zapewni Ci wiedzę na temat sieci neuronowych i ogólnie na temat algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).To szkolenie skupia się bardziej na podstawach, ale pomoże Ci wybrać odpowiednią technologię: TensorFlow, Caffe, Teano, DeepDrive, Keras itp. Przykłady znajdują się w TensorFlow.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów i analityków danych, którzy chcą korzystać z Tensorflow 2.x do tworzenia predyktorów, klasyfikatorów, modeli generatywnych, sieci neuronowych itp. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja TensorFlow 2.x.
• Zrozumienie korzyści płynących z TensorFlow 2.x w porównaniu z poprzednimi wersjami.
• Buduj modele głębokiego uczenia.
• Wdrożenie zaawansowanego klasyfikatora obrazów.
• Deploy a deep learning model to the cloud, mobile and IoT devices.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla analityków danych, którzy chcą używać TensorFlow.js do identyfikowania wzorców i generowania prognoz za pomocą modeli uczenia maszynowego. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Buduj i trenuj modele uczenia maszynowego za pomocą TensorFlow.js.
• Uruchamiaj istniejące modele uczenia maszynowego w przeglądarce lub pod Node.js.
• Przetrenuj istniejące wcześniej modele uczenia maszynowego przy użyciu niestandardowych danych.

W tym prowadzonym przez instruktora szkoleniu na żywo w Warszawa (online lub na miejscu) uczestnicy dowiedzą się, jak skonfigurować i używać TensorFlow Serving do wdrażania modeli ML i zarządzania nimi w środowisku produkcyjnym. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Trenuj, eksportuj i obsługuj różne modele TensorFlow.
• Testowanie i wdrażanie algorytmów przy użyciu jednej architektury i zestawu interfejsów API.
• Rozszerzenie TensorFlow Serving w celu obsługi innych typów modeli poza modelami TensorFlow.

TensorFlow to API drugiej generacji Google' biblioteki oprogramowania open source do uczenia głębokiego. System został zaprojektowany w celu ułatwienia badań nad uczeniem maszynowym oraz szybkiego i łatwego przejścia od prototypu badawczego do systemu produkcyjnego. Publiczność Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach Deep Learning Po ukończeniu tego kursu uczestnicy będą

• rozumieć TensorFlow’strukturę i mechanizmy wdrażania
• być w stanie przeprowadzić zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
• być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie

Kurs ten bada, na konkretnych przykładach, zastosowanie Tensor Flow do celów rozpoznawania obrazów Publiczność Ten kurs jest przeznaczony dla inżynierów pragnących wykorzystać TensorFlow do celów rozpoznawania obrazów Po ukończeniu tego kursu uczestnicy będą w stanie

• zrozumieć strukturę i mechanizmy wdrażania TensorFlow&rsquo
• przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
• wdrażać zaawansowane funkcje produkcyjne, takie jak trenowanie modeli, budowanie wykresów i logowanie

To prowadzone przez instruktora szkolenie na żywo w Warszawa (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą przejść od szkolenia pojedynczego modelu ML do wdrożenia wielu modeli ML do produkcji. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja TFX oraz narzędzi innych firm.
• Używanie TFX do tworzenia i zarządzania kompletnym potokiem produkcyjnym ML.
• Praca z komponentami TFX w celu przeprowadzenia modelowania, szkolenia, obsługi wnioskowania i zarządzania wdrożeniami.
• Wdrażaj funkcje uczenia maszynowego w aplikacjach internetowych, aplikacjach mobilnych, urządzeniach IoT i nie tylko.

W tym instruktażowym szkoleniu na żywo w Warszawa uczestnicy dowiedzą się, jak wykorzystać innowacje w procesorach TPU, aby zmaksymalizować wydajność własnych aplikacji AI. Po zakończeniu szkolenia uczestnicy będą w stanie

• Trenowanie różnych typów sieci neuronowych na dużych ilościach danych.
• Użycie procesorów TPU do przyspieszenia procesu wnioskowania nawet o dwa rzędy wielkości.
• Użyj TPU do przetwarzania intensywnych aplikacji, takich jak wyszukiwanie obrazów, widzenie w chmurze i zdjęcia.

TensorFlow™ to biblioteka oprogramowania typu open source do obliczeń numerycznych z wykorzystaniem wykresów przepływu danych. SyntaxNet to neuronowa platforma przetwarzania języka naturalnego dla TensorFlow. Word2Vec jest używany do uczenia się wektorowych reprezentacji słów, zwanych "word embeddings". Word2vec jest szczególnie wydajnym obliczeniowo modelem predykcyjnym do uczenia się osadzania słów z surowego tekstu. Występuje on w dwóch wersjach: Continuous Bag-of-Words model (CBOW) i Skip-Gram model (rozdział 3.1 i 3.2 w Mikolov et al.). Używane w tandemie, SyntaxNet i Word2Vec pozwalają użytkownikom generować wyuczone modele osadzania z danych wejściowych języka naturalnego. Publiczność Ten kurs jest skierowany do programistów i inżynierów, którzy zamierzają pracować z modelami SyntaxNet i Word2Vec w swoich wykresach TensorFlow. Po ukończeniu tego kursu uczestnicy będą

• rozumieć TensorFlow’strukturę i mechanizmy wdrażania
• być w stanie przeprowadzić zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
• być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, osadzanie terminów, tworzenie wykresów i rejestrowanie

Ten kurs rozpoczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych i ogólnie algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje). Część 1 (40%) tego szkolenia koncentruje się bardziej na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow, Caffe, Theano, DeepDrive, Keras itp. Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia się. Część trzecia (40%) szkolenia będzie w znacznym stopniu oparta na Tensorflow - API drugiej generacji otwartej biblioteki oprogramowania Google do uczenia głębokiego. Przykłady i ćwiczenia zostaną wykonane w TensorFlow. Publiczność Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach Deep Learning Po ukończeniu tego kursu uczestnicy będą

• dobrze rozumie głębokie sieci neuronowe (DNN), CNN i RNN
• rozumieć TensorFlow’ strukturę i mechanizmy wdrażania
• być w stanie wykonać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
• być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie

Kurs obejmuje sztuczną inteligencję (z naciskiem na Machine Learning i głębokie uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystywana w wielu sytuacjach w samochodzie: od prostej automatyzacji, rozpoznawania obrazu po autonomiczne podejmowanie decyzji.

Sztuczna sieć neuronowa to obliczeniowy model danych wykorzystywany w rozwoju systemów sztucznej inteligencji (AI) zdolnych do wykonywania "inteligentnych" zadań. Sztuczne sieci neuronowe Neural Networks są powszechnie stosowane w aplikacjach uczenia maszynowego (ML), które same w sobie są jedną z implementacji sztucznej inteligencji. Deep Learning jest podzbiorem ML.

Ten kurs jest ogólnym przeglądem Deep Learning bez wchodzenia zbyt głęboko w jakiekolwiek konkretne metody. Jest odpowiedni dla osób, które chcą zacząć korzystać z uczenia głębokiego, aby zwiększyć dokładność przewidywania.

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.

Wprowadzenie: Głębokie uczenie staje się głównym elementem projektowania przyszłych produktów, które chcą włączyć sztuczną inteligencję do swoich modeli. W ciągu najbliższych 5-10 lat narzędzia, biblioteki i języki programowania głębokiego uczenia staną się standardowymi komponentami każdego zestawu narzędzi do tworzenia oprogramowania. Jak dotąd Google, Sales Force, Facebook i Amazon z powodzeniem wykorzystują sztuczną inteligencję do głębokiego uczenia się w celu rozwoju swojej działalności. Zastosowania obejmowały automatyczne tłumaczenie maszynowe, analizę obrazu, analizę wideo, analizę ruchu, generowanie ukierunkowanych reklam i wiele innych. Ten kurs jest przeznaczony dla tych organizacji, które chcą włączyć Deep Learning jako bardzo ważną część strategii swojego produktu lub usługi. Poniżej znajduje się zarys kursu głębokiego uczenia się, który możemy dostosować do różnych poziomów pracowników / interesariuszy w organizacji. Docelowi odbiorcy: (W zależności od grupy docelowej, materiały szkoleniowe zostaną dostosowane) Kierownictwo Ogólny przegląd sztucznej inteligencji i tego, jak wpisuje się ona w strategię korporacyjną, z sesjami poświęconymi planowaniu strategicznemu, mapom drogowym technologii i alokacji zasobów w celu zapewnienia maksymalnej wartości. Kierownicy projektów Jak zaplanować projekt AI, w tym gromadzenie i ocenę danych, czyszczenie i weryfikację danych, opracowanie modelu proof-of-concept, integrację z procesami biznesowymi i dostarczanie w całej organizacji. Deweloperzy Dogłębne szkolenia techniczne, ze szczególnym uwzględnieniem sieci neuronowych i głębokiego uczenia, analizy obrazu i wideo (CNN), analizy dźwięku i tekstu (NLP) oraz wprowadzania sztucznej inteligencji do istniejących aplikacji. Sprzedawcy Ogólny przegląd sztucznej inteligencji i sposobu, w jaki może ona zaspokoić potrzeby klientów, propozycje wartości dla różnych produktów i usług oraz sposoby rozwiewania obaw i promowania korzyści płynących ze sztucznej inteligencji.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) skierowane jest do analityków biznesowych, analityków danych i programistów, którzy chcą budować i wdrażać modele głębokiego uczenia się, aby przyspieszyć wzrost przychodów i rozwiązywać problemy w świecie biznesu. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia maszynowego i uczenia głębokiego.
• Uzyskanie wglądu w przyszłość biznesu i przemysłu dzięki ML i DL.
• Definiowanie strategii biznesowych i rozwiązań z głębokim uczeniem.
• Dowiedz się, jak zastosować naukę o danych i głębokie uczenie się w rozwiązywaniu problemów biznesowych.
• Buduj modele uczenia głębokiego przy użyciu Pythona, Pandas, TensorFlow, CNTK, Torch, Keras itp.

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. R to popularny język programowania w branży finansowej. Jest używany w aplikacjach finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów przy użyciu R, przechodząc przez proces tworzenia modelu przewidywania cen akcji opartego na głębokim uczeniu się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego
• Poznanie aplikacji i zastosowań uczenia głębokiego w finansach
• Wykorzystanie R do tworzenia modeli głębokiego uczenia dla finansów
• Zbudują własny model przewidywania cen akcji oparty na głębokim uczeniu przy użyciu R

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla bankowości przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego
• Poznanie aplikacji i zastosowań uczenia głębokiego w bankowości
• Wykorzystanie Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla bankowości
• Zbudują własny model ryzyka kredytowego oparty na uczeniu głębokim przy użyciu języka Python

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. R to popularny język programowania w branży finansowej. Jest używany w aplikacjach finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla bankowości przy użyciu R, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego
• Poznanie aplikacji i zastosowań uczenia głębokiego w bankowości
• Wykorzystanie R do tworzenia modeli głębokiego uczenia dla bankowości
• Zbudują własny model ryzyka kredytowego oparty na głębokim uczeniu przy użyciu R

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów przy użyciu Python, przechodząc przez proces tworzenia modelu przewidywania cen akcji opartego na głębokim uczeniu się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego
• Poznanie aplikacji i zastosowań uczenia głębokiego w finansach
• Wykorzystanie Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla finansów
• Zbudują własny model przewidywania cen akcji oparty na uczeniu głębokim przy użyciu języka Python

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie maszynowe Deep Learning to poddziedzina uczenia maszynowego, która próbuje naśladować działanie ludzkiego mózgu w podejmowaniu decyzji. Jest on szkolony na podstawie danych w celu automatycznego dostarczania rozwiązań problemów. Deep Learning zapewnia ogromne możliwości dla branży medycznej, która siedzi na kopalni złota danych. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy wezmą udział w serii dyskusji, ćwiczeń i analiz przypadków, aby zrozumieć podstawy Deep Learning. Najważniejsze narzędzia i techniki Deep Learning zostaną ocenione, a ćwiczenia zostaną przeprowadzone w celu przygotowania uczestników do przeprowadzenia własnej oceny i wdrożenia rozwiązań Deep Learning w ich organizacjach. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstaw Deep Learning
• Poznanie technik Deep Learning i ich zastosowań w przemyśle
• Zbadanie kwestii w medycynie, które można rozwiązać za pomocą technologii Deep Learning
• Zapoznanie się z Deep Learning studiami przypadków w medycynie
• Sformułowanie strategii przyjęcia najnowszych technologii w Deep Learning w celu rozwiązania problemów w medycynie

Publiczność

• Menedżerowie
• Specjaliści medyczni na stanowiskach kierowniczych

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uwaga

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów i analityków danych, którzy chcą zastosować konwolucyjne sieci neuronowe (CNN) do analizy skanów MRI. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstaluj i skonfiguruj niezbędne środowisko programistyczne, oprogramowanie i biblioteki, aby rozpocząć programowanie.
• Analiza obrazów MRI przy użyciu technik głębokiego uczenia, takich jak CNN.
• Wykrywanie potencjalnych schorzeń, takich jak choroby serca, poprzez analizę skanów MRI.
• Zastosowanie technik takich jak segmentacja obrazu i szkolenie CNN w celu identyfikacji potencjalnej choroby.
• Identyfikacja genomiki choroby przy użyciu radiomiki.
• Zbuduj i wdróż aplikację głębokiego uczenia przeznaczoną do analizy obrazów w opiece zdrowotnej.

Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej ze studentami na Lasagne lub Keras w zależności od grupy dydaktycznej. Metoda nauczania: prezentacja, dyskusja i studia przypadków Sztuczna inteligencja zrewolucjonizowała wiele dziedzin nauki, a obecnie zaczyna rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od realiów domen Machine Learning i Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy już opanowali narzędzia informatyczne (w tym podstawową wiedzę na temat programowania oprogramowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych istniejących obecnie architektur sieciowych. Chociaż podstawy matematyczne są przywoływane podczas kursu, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. Całkowicie możliwe jest pominięcie matematyki w celu zachowania jedynie wizji "systemów", ale takie podejście znacznie ograniczy zrozumienie tematu.

Kurs ten obejmuje sztuczną inteligencję (z naciskiem na Machine Learning and Deep Learning)

Ta sesja szkoleniowa w klasie będzie zawierać prezentacje i przykłady komputerowe oraz ćwiczenia studium przypadku do wykonania z odpowiednimi bibliotekami sieci neuronowych i sieci głębokich

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą programować w Python z OpenCV 4 do głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Przeglądaj, ładuj i klasyfikuj obrazy i filmy za pomocą OpenCV 4.
• Implementacja głębokiego uczenia w OpenCV 4 z TensorFlow i Keras.
• Uruchamiaj modele głębokiego uczenia i generuj wpływowe raporty z obrazów i filmów.

OpenFace to oparte na Pythonie i Torch oprogramowanie open-source do rozpoznawania twarzy w czasie rzeczywistym, bazujące na badaniach Google FaceNet. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Praca z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4 w celu implementacji wykrywania, wyrównywania i przekształcania twarzy.
• Zastosuj OpenFace w rzeczywistych aplikacjach, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja stałych klientów itp.

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak skonfigurować i używać OpenNMT do tłumaczenia różnych przykładowych zestawów danych. Kurs rozpoczyna się od przeglądu sieci neuronowych, które mają zastosowanie do tłumaczenia maszynowego. Uczestnicy będą wykonywać ćwiczenia na żywo podczas całego kursu, aby zademonstrować zrozumienie poznanych pojęć i uzyskać informacje zwrotne od instruktora. Pod koniec tego szkolenia uczestnicy będą mieli wiedzę i praktykę potrzebną do wdrożenia rozwiązania OpenNMT na żywo. Próbki języka źródłowego i docelowego zostaną wstępnie przygotowane zgodnie z wymaganiami odbiorców. Format kursu Część wykładu, część dyskusji, ciężka praktyka praktyczna

W tym instruktażowym szkoleniu na żywo omówimy zasady działania sieci neuronowych i wykorzystamy OpenNN do zaimplementowania przykładowej aplikacji. Format kursu Wykład i dyskusja połączone z praktycznymi ćwiczeniami.

PaddlePaddle (PArallel Distributed Deep LEarning) to skalowalna platforma głębokiego uczenia opracowana przez Baidu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z PaddlePaddle, aby umożliwić głębokie uczenie się w swoich aplikacjach produktowych i usługowych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Konfiguracja i konfiguracja PaddlePaddle
• Konfigurowanie konwolucyjnej sieci neuronowej (CNN) do rozpoznawania obrazów i wykrywania obiektów
• Konfigurowanie rekurencyjnej sieci neuronowej (RNN) do analizy nastrojów
• Skonfiguruj głębokie uczenie w systemach rekomendacji, aby pomóc użytkownikom znaleźć odpowiedzi
• Przewidywać współczynniki klikalności (CTR), klasyfikować zestawy obrazów na dużą skalę, wykonywać optyczne rozpoznawanie znaków (OCR), szeregować wyszukiwania, wykrywać wirusy komputerowe i wdrażać system rekomendacji.

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają zaawansowane techniki Machine Learning z R, przechodząc przez proces tworzenia rzeczywistej aplikacji. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie i wdrożenie nienadzorowanych technik uczenia się
• Zastosowanie klastrowania i klasyfikacji do tworzenia prognoz w oparciu o rzeczywiste dane.
• Wizualizacja danych w celu szybkiego uzyskania wglądu, podejmowania decyzji i dalszego udoskonalania analizy.
• Poprawa wydajności modelu uczenia maszynowego przy użyciu dostrajania hiper-parametrów.
• Wdrożenie modelu do produkcji w celu wykorzystania w większej aplikacji.
• Zastosuj zaawansowane techniki uczenia maszynowego, aby odpowiedzieć na pytania dotyczące danych sieci społecznościowych, dużych zbiorów danych i innych.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą tworzyć modele wykrywania i śledzenia obiektów z akceleracją sprzętową do analizy strumieniowych danych wideo. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja niezbędnego środowiska programistycznego, oprogramowania i bibliotek w celu rozpoczęcia programowania.
• Budowanie, trenowanie i wdrażanie modeli głębokiego uczenia się w celu analizowania kanałów wideo na żywo.
• Identyfikacja, śledzenie, segmentacja i przewidywanie różnych obiektów w klatkach wideo.
• Optymalizacja modeli wykrywania i śledzenia obiektów.
• Wdrożenie inteligentnej aplikacji do analizy wideo (IVA).