Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Rozpoczęcie pracy
- Konfiguracja i instalacja
Podstawy TensorFlow
- Tworzenie, inicjalizowanie, zapisywanie i przywracanie zmiennych TensorFlow
- Dodawanie danych do TensorFlow, czytanie i wstępne ładowanie danych
- Jak korzystać z infrastruktury TensorFlow do trenowania modeli w skali produkcyjnej
- Wizualizowanie i ocenianie modeli za pomocą TensorBoard
Mechanika TensorFlow 101
- Przygotowanie danych
- Pobieranie
- Wejścia i zmienne pomocnicze (placeholders)
- Budowanie grafu
- Inferencja
- Strata (loss)
- Trening
- Trening modelu
- Graf
- Sesja
- Pętla treningowa (train loop)
- Ocena modelu
- Budowanie grafu ewaluacyjnego
- Wyniki ewaluacji
Zaawansowane użycie
- Wątkowość i kolejki
- Rozproszone TensorFlow
- Pisanie dokumentacji i udostępnianie modelu
- Dostosowywanie czytników danych
- Korzystanie z GPU
- Manipulowanie plikami modeli TensorFlow
Serwowanie TensorFlow
- Wprowadzenie
- Tutorial podstawowego serwowania
- Tutorial zaawansowanego serwowania
- Tutorial serwowania modelu Inception
Rozpoczęcie pracy z SyntaxNet
- Przetwarzanie ze standardowego wejścia
- Annotowanie korpusu
- Konfigurowanie skryptów Pythona
Budowanie potoku NLP z użyciem SyntaxNet
- Pobieranie danych
- Tagowanie części mowy (part-of-speech tagging)
- Trening taggera parts of speech w SyntaxNet
- Przetwarzanie wstępne za pomocą taggera
- Analiza zależności: analiza przejściowa (transition-based parsing)
- Trening parsera etap 1: lokalny pre-trening
- Trening parsera etap 2: globalny trening
Wektorowe reprezentacje słów
- Motywacja: Dlaczego warto uczyć word embeddings?
- Skalowanie za pomocą treningu kontrastującego z szumem (noise-contrastive training)
- Model Skip-gram
- Budowanie grafu
- Trening modelu
- Wizualizacja nauczonych embeddingsów
- Ocenianie embeddingsów: rozumowanie analogiczne (analogical reasoning)
- Optymalizacja implementacji
Wymagania
Działające zrozumienie języka Python
35 godzin
Opinie uczestników (3)
Bardzo kompetentny
Usama Adam - TWPI
Szkolenie - Natural Language Processing with TensorFlow
Przetłumaczone przez sztuczną inteligencję
Sposób, w jaki przedstawiał wszystko z przykładami i szkoleniami, był tak przydatny
Ibrahim Mohammedameen - TWPI
Szkolenie - Natural Language Processing with TensorFlow
Przetłumaczone przez sztuczną inteligencję
Organizacja, przestrzegając proponowanego porządku obrad, wiedza trenera w tej dziedzinie
Ali Kattan - TWPI
Szkolenie - Natural Language Processing with TensorFlow
Przetłumaczone przez sztuczną inteligencję