TPU Programming: Building Neural Network Applications on Tensor Processing Units - Plan Szkolenia

Kurs ten został stworzony dla menadżerów, architektów, analityków biznesowych i systemowych, menedżerów oprogramowania oraz wszystkich zainteresowanych przeglądem stosowania sztucznej inteligencji i prognozą dla jej rozwoju.

Szkolenie skierowane jest do osób, które chcą poznać podstawy sieci neuronowych i ich zastosowań.

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.

Uczestnicy

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

Uczestnicy

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

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.

Uczestnicy

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

Uczestnicy

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.

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.

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.

Uczestnicy

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

W tym instruktażowym szkoleniu na żywo w Polsce 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&nbspkodowanie 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.

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.

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 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.

To prowadzone przez instruktora szkolenie na żywo w Polsce (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.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Konfigurować i nawigować w 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.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

To szkolenie prowadzone przez instruktora (online lub stacjonarne) jest skierowane do zaawansowanych zawodowców, którzy chcą pogłębić swoją wiedzę na temat wizji komputerowej i eksplorować możliwości TensorFlow do tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.

• Budowanie i trenowanie sieci neuronowych konwolucyjnych (CNNs) za pomocą TensorFlow.
• Wykorzystanie Google Colab do skalowalnego i efektywnego rozwoju modeli w chmurze.
• Implementacja technik przetwarzania obrazów dla zadań wizji komputerowej.
• Wdrażanie modeli wizji komputerowej do zastosowań rzeczywistych.
• Używanie transfer learningu do poprawy wydajności modeli CNN.
• Wizualizowanie i interpretowanie wyników modeli klasyfikacji obrazów.