Głębokie uczenie dla NLU: Poza modelami NLP - Plan Szkolenia

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy uczenia głębokiego oraz ekspertów w dziedzinie przetwarzania obrazów, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie uczenia głębokiego do generowania obrazów z tekstu.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć zaawansowane architektury i techniki uczenia głębokiego do generowania obrazów z tekstu.
• Implementować złożone modele i optymalizacje do syntezy wysokiej jakości obrazów.
• Optymalizować wydajność i skalowalność dla dużych zbiorów danych i złożonych modeli.
• Dostosowywać hiperparametry w celu poprawy wydajności i uogólnienia modelu.
• Integrować Stable Diffusion z innymi frameworkami i narzędziami do uczenia głębokiego.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do biologów, którzy chcą zrozumieć, jak działa AlphaFold, i wykorzystywać modele AlphaFold jako przewodniki w swoich badaniach eksperymentalnych.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe zasady działania AlphaFold.
• Poznać, jak działa AlphaFold.
• Nauczyć się interpretować przewidywania i wyniki AlphaFold.

To 4-dniowy kurs wprowadzający do sztucznej inteligencji i jej zastosowań. Istnieje możliwość dodatkowego dnia na realizację projektu związanego z AI po zakończeniu kursu. 

Ten prowadzony przez instruktora, live trening w Polsce (online lub na miejscu) jest skierowany do badaczy i programistów, którzy chcą używać Chainera do budowania i trenowania sieci neuronowych w Pythonie, jednocześnie ułatwiając debugowanie kodu.

Pod koniec szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
• Zdefiniować i zaimplementować modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli treningowych głębokiego uczenia, wykorzystując jednocześnie GPU do wysokiej wydajności.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu), skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat computer vision i poznać możliwości TensorFlow w zakresie tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Budować i trenować konwolucyjne sieci neuronowe (CNNs) przy użyciu TensorFlow.
• Wykorzystywać Google Colab do skalowalnego i efektywnego rozwoju modeli w chmurze.
• Stosować techniki wstępnego przetwarzania obrazów do zadań computer vision.
• Wdrażać modele computer vision do rzeczywistych zastosowań.
• Wykorzystywać transfer learning, aby poprawić wydajność modeli CNN.
• Wizualizować i interpretować wyniki modeli klasyfikacji obrazów.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do średniozaawansowanych naukowców zajmujących się danymi i programistów, którzy chcą zrozumieć i stosować techniki głębokiego uczenia w środowisku Google Colab.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Skonfigurować i poruszać się po Google Colab w projektach związanych z głębokim uczeniem.
• Zrozumieć podstawy sieci neuronowych.
• Implementować modele głębokiego uczenia za pomocą TensorFlow.
• Trenować i oceniać modele głębokiego uczenia.
• Wykorzystywać zaawansowane funkcje TensorFlow do głębokiego uczenia.

W tym szkoleniu prowadzonym przez instruktora, uczestnicy nauczą się używać bibliotek Pythona do NLP, tworząc aplikację, która przetwarza zestaw zdjęć i generuje podpisy.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Projektować i kodować DL dla NLP przy użyciu bibliotek Pythona.
• Tworzyć kod w Pythonie, który czyta znacznie dużą kolekcję zdjęć i generuje słowa kluczowe.
• Tworzyć kod w Pythonie, który generuje podpisy z wykrytych słów kluczowych.

Odbiorcy

Kurs jest odpowiedni dla badaczy i inżynierów zajmujących się Deep Learning, zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych.

Kurs zawiera praktyczne przykłady.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do programistów, naukowców zajmujących się danymi oraz praktyków AI na poziomie średnio zaawansowanym, którzy chcą wykorzystać TensorFlow Lite w aplikacjach Edge AI.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy TensorFlow Lite i jego rolę w Edge AI.
• Tworzyć i optymalizować modele AI przy użyciu TensorFlow Lite.
• Wdrażać modele TensorFlow Lite na różnych urządzeniach brzegowych.
• Wykorzystywać narzędzia i techniki do konwersji i optymalizacji modeli.
• Wdrażać praktyczne aplikacje Edge AI przy użyciu TensorFlow Lite.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą przyspieszyć aplikacje uczenia maszynowego działające w czasie rzeczywistym i wdrażać je na dużą skalę.

Pod koniec szkolenia uczestnicy będą mogli:

• Zainstalować zestaw narzędzi OpenVINO.
• Przyspieszyć aplikację do przetwarzania obrazów, wykorzystując FPGA.
• Wykonywać różne warstwy CNN na FPGA.
• Skalować aplikację na wielu węzłach w klastrze Kubernetes.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą wykorzystać TensorFlow do analizy potencjalnych danych dotyczących oszustw.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Tworzyć modele wykrywania oszustw w Pythonie i TensorFlow.
• Budować regresje liniowe i modele regresji liniowej do przewidywania oszustw.
• Tworzyć kompleksowe aplikacje AI do analizy danych dotyczących oszustw.

Ten prowadzony przez instruktora, żywy trening w Polsce (online lub na miejscu) jest skierowany do programistów lub naukowców zajmujących się danymi, którzy chcą wykorzystać Horovod do przeprowadzenia rozproszonego uczenia głębokiego i skalowania go na wiele GPU działających równolegle.

Pod koniec szkolenia uczestnicy będą w stanie:

• Skonfigurować niezbędne środowisko deweloperskie do uruchamiania zadań związanych z uczeniem głębokim.
• Zainstalować i skonfigurować Horovod do uczenia modeli z TensorFlow, Keras, PyTorch i Apache MXNet.
• Skalować uczenie głębokie z Horovod, aby działało na wielu GPU.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do osób technicznych, które chcą zastosować modele uczenia głębokiego w aplikacjach rozpoznawania obrazów.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Keras.
• Szybko tworzyć prototypy modeli uczenia głębokiego.
• Zaimplementować sieć splotową.
• Zaimplementować sieć rekurencyjną.
• Wykonać model uczenia głębokiego zarówno na CPU, jak i GPU.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do 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 szkolenia uczestnicy będą mogli:

• Zrozumieć zasady działania Stable Diffusion i sposób generowania obrazów.
• Tworzyć i trenować modele Stable Diffusion do zadań generowania obrazów.
• Stosować Stable Diffusion w różnych scenariuszach generowania obrazów, takich jak inpainting, outpainting i translacja obrazów.
• Optymalizować wydajność i stabilność modeli Stable Diffusion.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do inżynierów, którzy chcą pisać, ładować i uruchamiać modele uczenia maszynowego na bardzo małych urządzeniach wbudowanych.

Pod koniec tego szkolenia uczestnicy będą mogli:

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