DeepSpeed for Machine Learning - Plan Szkolenia

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy głębokiego uczenia się i ekspertów od wizji komputerowej, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie głębokiego uczenia się w celu generowania tekstu na obraz.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zaawansowane architektury i techniki głębokiego uczenia się do generowania tekstu na obraz.
• Wdrożyć złożone modele i optymalizacje dla wysokiej jakości syntezy obrazu.
• Optymalizować wydajność i skalowalność dla dużych zbiorów danych i złożonych modeli.
• Dostrajanie hiperparametrów w celu uzyskania lepszej wydajności i uogólnienia modelu.
• Integracja Stable Diffusion z innymi strukturami i narzędziami głębokiego uczenia się

To prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla biologów, którzy chcą zrozumieć, jak działa AlphaFold i używać modeli AlphaFold jako przewodników w swoich badaniach eksperymentalnych.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe zasady AlphaFold.
• Dowiedzieć się, jak działa AlphaFold.
• Dowiedzieć się, jak interpretować prognozy i wyniki AlphaFold.

Caffe to ramka uczenia głębokiego stworzona z myślą o wyrażaniu, szybkości i modularności.

Ten kurs bada zastosowanie Caffe jako ramki uczenia głębokiego do rozpoznawania obrazów przy użyciu MNIST jako przykładu

Grupa docelowa

Ten kurs jest odpowiedni dla badaczy i inżynierów uczenia głębokiego zainteresowanych wykorzystaniem Caffe jako ramki.

Po ukończeniu tego kursu uczestnicy będą w stanie:

• zrozumieć strukturę i mechanizmy wdrażania Caffe
• wykonawać zadania związane z instalacją/środowiskiem produkcji/architekturą i konfiguracją
• oceniać jakość kodu, wykonywać debugowanie i monitorowanie
• wdrażać zaawansowane rozwiązania produkcji, takie jak szkolenie modeli, implementacja warstw i logowanie

To prowadzone przez instruktora szkolenie na żywo w Polsce (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.

Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
• Definiować i wdrażać modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli szkoleniowych głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.

Computer Network ToolKit (CNTK) jest Microsoft otwartym, wielomaszynowym, wieloGPU, wysoce wydajnym uczeniem maszynowym RNN dla mowy, tekstu i obrazów.

Odbiorcy

Ten kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać CNTK w swoich projektach.

Grupa docelowa

Ten kurs jest dedykowany badaczom i inżynierom z dziedziny uczenia głębokiego zainteresowanym wykorzystaniem dostępnych narzędzi (w większości open source) do analizy obrazów komputerowych.

Kurs dostarcza przykładowych, praktycznych zadań.

Ten szkoleniowy, prowadzony przez instruktora, w trybie Polsce (online lub na miejscu) jest skierowany do rozwiniętych programistów, naukowców danych oraz praktyków AI, którzy chcą wykorzystać TensorFlow Lite do zastosowań Edge AI.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawy TensorFlow Lite i jego rolę w Edge AI.
• Rozwijać i optymalizować modele AI za pomocą TensorFlow Lite.
• Wdrażać modele TensorFlow Lite na różnych urządzeniach edge.
• Wykorzystywać narzędzia i techniki do konwersji i optymalizacji modeli.
• Wdrażać praktyczne aplikacje Edge AI za pomocą TensorFlow Lite.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą przyspieszyć aplikacje uczenia maszynowego w czasie rzeczywistym i wdrożyć je na dużą skalę.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować zestaw narzędzi OpenVINO.
• Przyspieszyć aplikację widzenia komputerowego za pomocą FPGA.
• Wykonywać różne warstwy CNN na FPGA.
• Skalować aplikację na wielu węzłach w klastrze Kubernetes.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) 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 GPU.

Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć prowadzenie szkoleń z zakresu głębokiego uczenia się.
• Zainstalować i skonfigurować Horovod do trenowania modeli z TensorFlow, Keras, PyTorch i Apache MXNet.
• Skalować trening głębokiego uczenia z Horovod, aby działał na wielu GPU.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla osób technicznych, które chcą zastosować model głębokiego uczenia się do aplikacji rozpoznawania obrazu.

Pod koniec tego szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Keras.
• Szybko prototypować modele głębokiego uczenia się.
• Wdrożyć sieć konwolucyjną.
• Zaimplementować sieć rekurencyjną.
• Wykonać model głębokiego uczenia zarówno na CPU, jak i GPU.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, inżynierów uczenia maszynowego i badaczy wizji komputerowej, którzy chcą wykorzystać Stable Diffusion do generowania wysokiej jakości obrazów dla różnych przypadków użycia.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zasady Stable Diffusion i jak to działa w przypadku generowania obrazów.
• Budować i trenować modele Stable Diffusion do zadań generowania obrazów.
• Zastosować Stable Diffusion do różnych scenariuszy generowania obrazów, takich jak inpainting, outpainting i tłumaczenie obrazu na obraz.
• Optymalizacja wydajności i stabilności modeli Stable Diffusion.

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.

TensorFlow jest API drugiej generacji biblioteki oprogramowania z otwartym kodem źródłowym Google dla głębokiego uczenia maszynowego. System został zaprojektowany, aby ułatwić badania w zakresie uczenia maszynowego oraz aby szybko i łatwo przechodzić od prototypu badawczego do systemu produkcyjnego.

Adresaci

Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach związanych z głębokim uczeniem maszynowym.

Po ukończeniu tego kursu uczestnicy:

• zrozumieją strukturę i mechanizmy wdrażania TensorFlow
• będą w stanie wykonać zadania związane z instalacją, środowiskiem produkcyjnym, architekturą i konfiguracją
• będą w stanie ocenić jakość kodu, wykonać debugowanie i monitorowanie
• będą w stanie wdrożyć zaawansowane funkcje produkcyjne, takie jak trenowanie modeli, budowanie grafów i logowanie

Ten kurs eksploruje, z użyciem konkretnych przykładów, zastosowanie Tensor Flow w celu rozpoznawania obrazów

Grupa docelowa

Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w celu rozpoznawania obrazów

Po ukończeniu tego kursu uczestnicy będą mogli:

• rozumieć strukturę TensorFlow oraz mechanizmy wdrażania
• wykonywać zadania związane z instalacją, środowiskiem produkcyjnym, architekturą oraz konfiguracją
• oceniać jakość kodu, wykonywać debugowanie i monitorowanie
• wdrażać zaawansowane funkcje produkcyjne, takie jak szkolenie modeli, budowanie grafów i logowanie

TensorFlow™ to otwarta biblioteka oprogramowania do obliczeń numerycznych za pomocą grafów przepływu danych.

SyntaxNet to ramka neural-network do przetwarzania języka naturalnego dla TensorFlow.

Word2Vec służy do nauki wektorowych reprezentacji słów, zwanych "word embeddings". Word2vec jest szczególnie obliczeniowo efektywnym modelem predykcyjnym do nauki word embeddings z nieprzetworzonego tekstu. Istnieje w dwóch wariantach: Continuous Bag-of-Words model (CBOW) i Skip-Gram model (rozdział 3.1 i 3.2 w pracy Mikolov et al.).

Używane wspólnie, SyntaxNet i Word2Vec umożliwiają użytkownikom generowanie modeli Learned Embedding z wejścia języka naturalnego.

Odbiorcy kursu

Ten kurs jest skierowany do programistów i inżynierów, którzy zamierzają pracować z modelami SyntaxNet i Word2Vec w swoich grafach TensorFlow.

Po ukończeniu tego kursu uczestnicy będą mogli:

• zrozumieć strukturę i mechanizmy wdrożenia TensorFlow
• wykonywać zadania związane z instalacją, środowiskiem produkcyjnym, architekturą i konfiguracją
• oceniać jakość kodu, wykonywać debugowanie, monitorowanie
• implementować zaawansowane zadania produkcyjne, takie jak trening modeli, osadzanie terminów, budowanie grafów i logowanie