Uczenie Maszynowe i Głębokie Uczenie - 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 na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą przyspieszyć aplikacje uczenia maszynowego w czasie rzeczywistym i wdrażać je na dużą skalę.

Pod koniec szkolenia uczestnicy będą mogli:

• Zainstalować zestaw narzędzi OpenVINO.
• Przyspieszyć aplikację do przetwarzania obrazów za pomocą 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.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do programistów lub naukowców zajmujących się danymi, którzy chcą wykorzystać Horovod do prowadzenia rozproszonych treningów uczenia głębokiego i skalowania ich do działania na wielu GPU równolegle.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne do uruchamiania treningów uczenia głębokiego.
• Zainstalować i skonfigurować Horovod do trenowania modeli z TensorFlow, Keras, PyTorch oraz Apache MXNet.
• Skalować trening uczenia głębokiego z Horovod do działania 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, na żywo (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, inżynierów uczenia maszynowego oraz badaczy wizji komputerowej, którzy chcą wykorzystać Stable Diffusion do generowania wysokiej jakości obrazów w różnych zastosowaniach.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć zasady działania Stable Diffusion i jak działa ono w generowaniu obrazów.
• Tworzyć i trenować modele Stable Diffusion do zadań generowania obrazów.
• Stosować Stable Diffusion w różnych scenariuszach generowania obrazów, takich jak inpainting, outpainting i tłumaczenie obrazu na obraz.
• 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.