TensorFlow Extended (TFX) - Plan Szkolenia

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

Ten szkolenie prowadzone przez instruktora w formie Polsce (online lub na miejscu) skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat wizji komputerowej i eksplorować możliwości TensorFlow do tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Budować i trenować sieci neuronowe konwolucyjne (CNNs) przy użyciu TensorFlow.
• Korzystać z Google Colab do skalowalnego i wydajnego rozwoju modeli w chmurze.
• Wdrażać techniki przetwarzania obrazów do zadań związanych z wizją komputerową.
• Wdrażać modele wizji komputerowej do rzeczywistych zastosowań.
• Używać transfer learningu do poprawy wydajności modeli CNN.
• Wizualizować i interpretować wyniki modeli klasyfikacji obrazów.

To szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do pośrednio zaawansowanych naukowców danych i programistów, którzy chcą zrozumieć i zastosować techniki uczenia głębokiego za pomocą środowiska Google Colab.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Skonfigurować i poruszać się po Google Colab dla projektów uczenia głębokiego.
• Zrozumieć podstawy sieci neuronowych.
• Wdrażać modele uczenia głębokiego za pomocą TensorFlow.
• Trenować i oceniać modele uczenia głębokiego.
• Wykorzystywać zaawansowane funkcje TensorFlow do uczenia głębokiego.

W tym szkoleniu prowadzonym przez instruktora, uczestnicy nauczą się korzystać z bibliotek Pythona do NLP podczas tworzenia aplikacji przetwarzającej zestaw zdjęć i generującej opisy.

Po zakończeniu tego szkolenia, uczestnicy będą w stanie:

• Zaprojektować i zaprogramować DL dla NLP za pomocą bibliotek Pythona.
• Stworzyć kod Pythona, który odczytuje znacznie dużą kolekcję zdjęć i generuje słowa kluczowe.
• Stworzyć kod Pythona, który generuje opisy na podstawie wykrytych słów kluczowych.

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.

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

• Stworzyć model wykrywania oszustw w Python i TensorFlow.
• Zbudować regresje liniowe i modele regresji liniowej do przewidywania oszustw.
• Opracować kompleksową aplikację AI do analizy danych dotyczących oszustw.

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.

W tym prowadzonym przez instruktora szkoleniu na żywo w Polsce (online lub na miejscu) uczestnicy dowiedzą się, jak skonfigurować i używać Serving do wdrażania modeli ML i zarządzania nimi w środowisku produkcyjnym.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Trenować, eksportować i obsługiwać różne modele TensorFlow.
• Testować i wdrażać algorytmy przy użyciu jednej architektury i zestawu API.
• Rozszerzać Serving do obsługi innych typów modeli poza modelami TensorFlow.

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

W tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy dowiedzą się, jak wykorzystać innowacje w procesorach TPU, aby maksymalnie poprawić wydajność swoich własnych aplikacji AI.

Na koniec szkolenia uczestnicy będą w stanie:

• Trenować różne typy sieci neuronowych na dużych ilościach danych.
• Używać TPU do przyspieszenia procesu inferencji o dwa rzędy wielkości.
• Wykorzystywać TPU do przetwarzania wymagających aplikacji, takich jak wyszukiwanie obrazów, widzenie w chmurze i zdjęcia.

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

Ten kurs rozpoczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych oraz ogólnie o algorytmach uczenia maszynowego, uczenia głębokiego (algorytmy i zastosowania).

Część 1 (40%) tego szkolenia skupia się bardziej na podstawach, ale pomoże Ci wybrać odpowiednią technologię: TensorFlow, Caffe, Theano, DeepDrive, Keras, itd.

Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Python, która ułatwia tworzenie modeli uczenia głębokiego.

Część 3 (40%) szkolenia będzie oparta głównie na TensorFlow - 2-generacyjnej API biblioteki oprogramowania Google open source dla Deep Learning. Przykłady i ćwiczenia praktyczne będą wykonywane w TensorFlow.

Grupa docelowa

Ten kurs jest przeznaczony dla inżynierów, którzy chcą używać TensorFlow w swoich projektach Deep Learning.

Po ukończeniu tego kursu uczestnicy:

• będą mieli dobre zrozumienie sieci neuronowych głębokich (DNN), CNN i RNN

• zrozumieją strukturę i mechanizmy wdrażania TensorFlow

• będą w stanie wykonać zadania związane z instalacją, środowiskiem produkcyjnym, architekturą i konfiguracją

• będą w stanie oceniać jakość kodu, wykonywać debugowanie i monitorowanie

• będą w stanie wdrażać zaawansowane produkcyjne funkcje, takie jak trenowanie modeli, budowanie grafów i logowanie