Szkolenia Deep Learning w Polsce

This instructor-led, live training in Polsce (online or onsite) is aimed at intermediate-level developers, data scientists, and AI practitioners who wish to leverage TensorFlow Lite for Edge AI applications.By the end of this training, participants will be able to:

• Understand the fundamentals of TensorFlow Lite and its role in Edge AI.
• Develop and optimize AI models using TensorFlow Lite.
• Deploy TensorFlow Lite models on various edge devices.
• Utilize tools and techniques for model conversion and optimization.
• Implement practical Edge AI applications using TensorFlow Lite.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą specjalizować się w najnowocześniejszych technikach głębokiego uczenia się dla NLU.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć kluczowe różnice między modelami NLU i NLP.
• Zastosować zaawansowane techniki głębokiego uczenia do zadań NLU.
• Zbadać głębokie architektury, takie jak transformatory i mechanizmy uwagi.
• Wykorzystać przyszłe trendy w NLU do budowania zaawansowanych systemów sztucznej inteligencji.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą wykorzystać techniki sztucznej inteligencji do zrewolucjonizowania procesów odkrywania i opracowywania leków.Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć rolę sztucznej inteligencji w odkrywaniu i opracowywaniu leków.
• Zastosować techniki uczenia maszynowego do przewidywania właściwości molekularnych i interakcji.
• Wykorzystywać modele głębokiego uczenia do wirtualnych badań przesiewowych i optymalizacji potencjalnych leków.
• Zintegrować podejścia oparte na sztucznej inteligencji z procesem badań klinicznych.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy głębokiego uczenia się i ekspertów od wizji komputerowej, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie głębokiego uczenia się w celu generowania tekstu na obraz.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zaawansowane architektury i techniki głębokiego uczenia się do generowania tekstu na obraz.
• Wdrożyć złożone modele i optymalizacje dla wysokiej jakości syntezy obrazu.
• Optymalizować wydajność i skalowalność dla dużych zbiorów danych i złożonych modeli.
• Dostrajanie hiperparametrów w celu uzyskania lepszej wydajności i uogólnienia modelu.
• Integracja Stable Diffusion z innymi strukturami i narzędziami głębokiego uczenia się

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych naukowców zajmujących się danymi i inżynierów uczenia maszynowego, którzy chcą poprawić wydajność swoich modeli głębokiego uczenia się.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zasady rozproszonego głębokiego uczenia się.
• Zainstalować i skonfigurować DeepSpeed.
• Skalować modele głębokiego uczenia na rozproszonym sprzęcie za pomocą DeepSpeed.
• Wdrażać i eksperymentować z funkcjami DeepSpeed w celu optymalizacji i wydajności pamięci.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą korzystać z dużych modeli językowych do różnych zadań związanych z językiem naturalnym.Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować środowisko programistyczne zawierające popularny LLM.
• Stworzyć podstawowy LLM i dostroić go na niestandardowym zestawie danych.
• Używać LLM do różnych zadań związanych z językiem naturalnym, takich jak podsumowywanie tekstu, odpowiadanie na pytania, generowanie tekstu i inne.
• Debugowanie i ocena LLM przy użyciu narzędzi takich jak TensorBoard, PyTorch Lightning i Hugging Face Datasets.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla 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 tego szkolenia uczestnicy będą mogli

• Zrozumieć zasady Stable Diffusion i jak to działa w przypadku generowania obrazów.
• Budować i trenować modele Stable Diffusion do zadań generowania obrazów.
• Zastosować Stable Diffusion do różnych scenariuszy generowania obrazów, takich jak inpainting, outpainting i tłumaczenie obrazu na obraz.
• Optymalizacja wydajności i stabilności modeli Stable Diffusion.

To prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla biologów, którzy chcą zrozumieć, jak działa AlphaFold i używać modeli AlphaFold jako przewodników w swoich badaniach eksperymentalnych.Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe zasady AlphaFold.
• Dowiedzieć się, jak działa AlphaFold.
• Dowiedzieć się, jak interpretować prognozy i wyniki AlphaFold.

W tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy poznają najbardziej odpowiednie i najnowocześniejsze techniki uczenia maszynowego w Python, budując serię aplikacji demonstracyjnych obejmujących obraz, muzykę, tekst i dane finansowe.Pod koniec tego szkolenia uczestnicy będą mogli

• Wdrożyć algorytmy i techniki uczenia maszynowego do rozwiązywania złożonych problemów.
• Zastosować głębokie uczenie się i pół-nadzorowane uczenie się do aplikacji obejmujących obraz, muzykę, tekst i dane finansowe.
• Wykorzystać maksymalny potencjał algorytmów Python.
• Korzystać z bibliotek i pakietów, takich jak NumPy i Theano.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów i analityków danych, którzy chcą nauczyć się podstaw Deep Reinforcement Learning podczas tworzenia agenta Deep Learning. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie kluczowych koncepcji stojących za Deep Reinforcement Learning i umiejętność odróżnienia go od uczenia maszynowego.
• Zastosowanie zaawansowanych algorytmów Reinforcement Learning do rozwiązywania rzeczywistych problemów.
• Zbuduj agenta głębokiego uczenia.

W tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla telekomunikacji przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe koncepcje głębokiego uczenia się.
• Poznać aplikacje i zastosowania głębokiego uczenia się w telekomunikacji.
• Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla telekomunikacji.
• Zbudować własny model przewidywania rezygnacji klientów oparty na uczeniu głębokim przy użyciu Python.

Kurs obejmuje sztuczną inteligencję (z naciskiem na Machine Learning i głębokie uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystywana w wielu sytuacjach w samochodzie: od prostej automatyzacji, rozpoznawania obrazu po autonomiczne podejmowanie decyzji.

Caffe to platforma głębokiego uczenia stworzona z myślą o ekspresji, szybkości i modułowości. Ten kurs bada zastosowanie Caffe jako struktury głębokiego uczenia się do rozpoznawania obrazów na przykładzie MNIST Publiczność Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem Caffe jako frameworka. Po ukończeniu tego kursu uczestnicy będą w stanie

• zrozumieć strukturę i mechanizmy wdrażania Caffe&rsquo
• przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
• wdrażać zaawansowaną produkcję, taką jak modele szkoleniowe, wdrażanie warstw i rejestrowanie

Ten kurs jest ogólnym przeglądem Deep Learning bez wchodzenia zbyt głęboko w jakiekolwiek konkretne metody. Jest odpowiedni dla osób, które chcą zacząć korzystać z uczenia głębokiego, aby zwiększyć dokładność przewidywania.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą zainstalować, skonfigurować, dostosować i używać platformy DeepMind Lab do rozwijania ogólnej sztucznej inteligencji i systemów uczenia maszynowego.Pod koniec tego szkolenia uczestnicy będą mogli

• Dostosować DeepMind Lab, aby zbudować i uruchomić środowisko, które odpowiada potrzebom uczenia się i szkolenia.
• Używać środowiska symulacji 3D DeepMind Lab do szkolenia agentów uczących się z perspektywy pierwszej osoby.
• Ułatwiać ocenę agentów w celu rozwijania inteligencji w świecie 3D przypominającym grę.

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.

Wprowadzenie:Głębokie uczenie staje się głównym elementem projektowania przyszłych produktów, które chcą włączyć sztuczną inteligencję do serca swoich modeli. W ciągu najbliższych 5-10 lat narzędzia, biblioteki i języki programowania głębokiego uczenia staną się standardowymi komponentami każdego zestawu narzędzi do tworzenia oprogramowania. Jak dotąd Go ogle, Sales Force, Facebook, Amazon z powodzeniem wykorzystują sztuczną inteligencję do głębokiego uczenia się w celu rozwoju swojej działalności. Zastosowania obejmują automatyczne tłumaczenie maszynowe, analizę obrazu, analizę wideo, analizę ruchu, generowanie ukierunkowanych reklam i wiele innych.Ten kurs jest skierowany do tych organizacji, które chcą włączyć Deep Learning jako bardzo ważną część strategii swoich produktów lub usług. Poniżej znajduje się zarys kursu głębokiego uczenia się, który możemy dostosować do różnych poziomów pracowników / interesariuszy w organizacji.Grupa docelowa:(W zależności od grupy docelowej, materiały kursu zostaną dostosowane)Kadra kierowniczaOgólny przegląd sztucznej inteligencji i jej dopasowania do strategii korporacyjnej, z sesjami poświęconymi planowaniu strategicznemu, mapom drogowym technologii i alokacji zasobów w celu zapewnienia maksymalnej wartości.Kierownicy projektówJak zaplanować projekt AI, w tym gromadzenie i ocenę danych, czyszczenie i weryfikację danych, opracowanie modelu proof-of-concept, integrację z procesami biznesowymi i dostarczanie w całej organizacji.ProgramiściDogłębne szkolenia techniczne, koncentrujące się na sieciach neuronowych i głębokim uczeniu, analizie obrazu i wideo (CNN), analizie dźwięku i tekstu (NLP) oraz wprowadzaniu sztucznej inteligencji do istniejących aplikacji.SprzedawcyOgólny przegląd sztucznej inteligencji i sposobu, w jaki może ona zaspokoić potrzeby klientów, propozycje wartości dla różnych produktów i usług oraz sposoby rozwiewania obaw i promowania korzyści płynących ze sztucznej inteligencji.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla analityków biznesowych, naukowców zajmujących się danymi i programistów, którzy chcą budować i wdrażać modele głębokiego uczenia się w celu przyspieszenia wzrostu przychodów i rozwiązywania problemów w świecie biznesu.Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe koncepcje uczenia maszynowego i głębokiego uczenia.
• Uzyskać wgląd w przyszłość biznesu i przemysłu dzięki ML i DL.
• Definiować strategie biznesowe i rozwiązania z wykorzystaniem głębokiego uczenia.
• Dowiedzieć się, jak zastosować naukę o danych i głębokie uczenie się w rozwiązywaniu problemów biznesowych.
• Budowanie modeli głębokiego uczenia przy użyciu Python, Pandas, TensorFlow, CNTK, Torch, Keras itp.

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. R to popularny język programowania w branży finansowej. Jest używany w aplikacjach finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów przy użyciu R, przechodząc przez proces tworzenia modelu przewidywania cen akcji opartego na głębokim uczeniu się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego
• Poznanie aplikacji i zastosowań uczenia głębokiego w finansach
• Wykorzystanie R do tworzenia modeli głębokiego uczenia dla finansów
• Zbudują własny model przewidywania cen akcji oparty na głębokim uczeniu przy użyciu R

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu.W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla bankowości przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe koncepcje głębokiego uczenia się
• Poznać aplikacje i zastosowania głębokiego uczenia się w bankowości
• Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla bankowości
• Zbudować własny model ryzyka kredytowego głębokiego uczenia przy użyciu Python.

Odbiorcy

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. R to popularny język programowania w branży finansowej. Jest używany w aplikacjach finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla bankowości przy użyciu R, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji uczenia głębokiego
• Poznanie aplikacji i zastosowań uczenia głębokiego w bankowości
• Wykorzystanie R do tworzenia modeli głębokiego uczenia dla bankowości
• Zbudują własny model ryzyka kredytowego oparty na głębokim uczeniu przy użyciu R

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu.W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów przy użyciu Python, przechodząc przez proces tworzenia modelu prognozowania cen akcji głębokiego uczenia się.Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe koncepcje głębokiego uczenia się
• Poznać aplikacje i zastosowania głębokiego uczenia się w finansach
• Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia się dla finansów
• Zbuduj własny model przewidywania cen akcji głębokiego uczenia przy użyciu Python.

Odbiorcy

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Machine Learning to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Deep Learning to poddziedzina Machine Learning, która próbuje naśladować działanie ludzkiego mózgu w podejmowaniu decyzji. Jest on szkolony na podstawie danych w celu automatycznego dostarczania rozwiązań problemów. Deep Learning zapewnia ogromne możliwości dla branży medycznej, która siedzi na kopalni złota danych.W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy wezmą udział w serii dyskusji, ćwiczeń i analiz przypadków, aby zrozumieć podstawy Deep Learning. Najważniejsze narzędzia i techniki Deep Learning zostaną ocenione, a ćwiczenia zostaną przeprowadzone w celu przygotowania uczestników do przeprowadzenia własnej oceny i wdrożenia rozwiązań Deep Learning w ich organizacjach.Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawy Deep Learning
• poznać techniki Deep Learning i ich zastosowania w przemyśle
• Zbadać kwestie w medycynie, które można rozwiązać za pomocą technologii Deep Learning
• Zapoznać się z Deep Learning studiami przypadków w medycynie
• Sformułować strategię przyjęcia najnowszych technologii w Deep Learning do rozwiązywania problemów w medycynie.

Publiczność

• Menedżerowie
• Specjaliści medyczni na stanowiskach kierowniczych

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uwaga

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą zastosować konwolucyjne sieci neuronowe (CNN) do analizy skanów MRI.Pod koniec tego szkolenia uczestnicy będą w stanie

• Zainstalować i skonfigurować niezbędne środowisko programistyczne, oprogramowanie i biblioteki, aby rozpocząć rozwój.
• Analizować obrazy MRI przy użyciu technik głębokiego uczenia, takich jak CNN.
• Wykrywać potencjalne warunki zdrowotne, takie jak choroby serca, poprzez analizę skanów MRI.
• Zastosuj techniki takie jak segmentacja obrazu i szkolenie CNN w celu zidentyfikowania potencjalnej choroby.
• Identyfikacja genomiki choroby przy użyciu radiomiki.
• Zbudować i wdrożyć aplikację głębokiego uczenia przeznaczoną do analizy obrazów medycznych.

Publiczność 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.

Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej ze studentami na Lasagne lub Keras w zależności od grupy dydaktycznej. Metoda nauczania: prezentacja, dyskusja i studia przypadków Sztuczna inteligencja zrewolucjonizowała wiele dziedzin nauki, a obecnie zaczyna rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od realiów domen Machine Learning i Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy już opanowali narzędzia informatyczne (w tym podstawową wiedzę na temat programowania oprogramowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych istniejących obecnie architektur sieciowych. Chociaż podstawy matematyczne są przywoływane podczas kursu, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. Całkowicie możliwe jest pominięcie matematyki w celu zachowania jedynie wizji "systemów", ale takie podejście znacznie ograniczy zrozumienie tematu.

Ten kurs obejmuje sztuczną inteligencję (z naciskiem na Machine Learning i Deep Learning)

Ta sesja szkoleniowa w klasie będzie zawierać prezentacje i przykłady komputerowe oraz ćwiczenia studium przypadku do wykonania z odpowiednimi bibliotekami sieci neuronowych i sieci głębokich

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą programować w Python z OpenCV 4 do głębokiego uczenia się.Pod koniec tego szkolenia uczestnicy będą mogli

• Przeglądać, ładować i klasyfikować obrazy i filmy za pomocą OpenCV 4.
• Wdrożyć głębokie uczenie w OpenCV 4 z TensorFlow i Keras.
• Uruchamiać modele głębokiego uczenia i generować wpływowe raporty z obrazów i filmów.

OpenFace to Python i Torch oparte na otwartym oprogramowaniu do rozpoznawania twarzy w czasie rzeczywistym, oparte na badaniach FaceNet firmy Google.W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy.Pod koniec tego szkolenia uczestnicy będą mogli

• Pracować z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4, aby zaimplementować wykrywanie twarzy, wyrównanie i transformację.
• Zastosować OpenFace do rzeczywistych zastosowań, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja powtarzających się klientów itp.

Odbiorcy

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak skonfigurować i używać OpenNMT do tłumaczenia różnych przykładowych zestawów danych. Kurs rozpoczyna się od przeglądu sieci neuronowych, które mają zastosowanie do tłumaczenia maszynowego. Uczestnicy będą wykonywać ćwiczenia na żywo podczas całego kursu, aby zademonstrować zrozumienie poznanych pojęć i uzyskać informacje zwrotne od instruktora. Pod koniec tego szkolenia uczestnicy będą mieli wiedzę i praktykę potrzebną do wdrożenia rozwiązania OpenNMT na żywo. Próbki języka źródłowego i docelowego zostaną wstępnie przygotowane zgodnie z wymaganiami odbiorców. Format kursu Część wykładu, część dyskusji, ciężka praktyka praktyczna

PaddlePaddle (PArallel Distributed Deep LEarning) to skalowalna platforma głębokiego uczenia opracowana przez Baidu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z PaddlePaddle, aby umożliwić głębokie uczenie się w swoich aplikacjach produktowych i usługowych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Konfiguracja i konfiguracja PaddlePaddle
• Konfigurowanie konwolucyjnej sieci neuronowej (CNN) do rozpoznawania obrazów i wykrywania obiektów
• Konfigurowanie rekurencyjnej sieci neuronowej (RNN) do analizy nastrojów
• Skonfiguruj głębokie uczenie w systemach rekomendacji, aby pomóc użytkownikom znaleźć odpowiedzi
• Przewidywać współczynniki klikalności (CTR), klasyfikować zestawy obrazów na dużą skalę, wykonywać optyczne rozpoznawanie znaków (OCR), szeregować wyszukiwania, wykrywać wirusy komputerowe i wdrażać system rekomendacji.

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają zaawansowane techniki Machine Learning z R, przechodząc przez proces tworzenia rzeczywistej aplikacji. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie i wdrożenie nienadzorowanych technik uczenia się
• Zastosowanie klastrowania i klasyfikacji do tworzenia prognoz w oparciu o rzeczywiste dane.
• Wizualizacja danych w celu szybkiego uzyskania wglądu, podejmowania decyzji i dalszego udoskonalania analizy.
• Poprawa wydajności modelu uczenia maszynowego przy użyciu dostrajania hiper-parametrów.
• Wdrożenie modelu do produkcji w celu wykorzystania w większej aplikacji.
• Zastosuj zaawansowane techniki uczenia maszynowego, aby odpowiedzieć na pytania dotyczące danych sieci społecznościowych, dużych zbiorów danych i innych.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą tworzyć modele wykrywania i śledzenia obiektów z akceleracją sprzętową do analizy strumieniowych danych wideo. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja niezbędnego środowiska programistycznego, oprogramowania i bibliotek w celu rozpoczęcia programowania.
• Budowanie, trenowanie i wdrażanie modeli głębokiego uczenia się w celu analizowania kanałów wideo na żywo.
• Identyfikacja, śledzenie, segmentacja i przewidywanie różnych obiektów w klatkach wideo.
• Optymalizacja modeli wykrywania i śledzenia obiektów.
• Wdrożenie inteligentnej aplikacji do analizy wideo (IVA).

To prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą używać TensorFlow Lite do wdrażania modeli głębokiego uczenia się na urządzeniach wbudowanych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja Tensorflow Lite na urządzeniu wbudowanym.
• Zrozumienie koncepcji i komponentów leżących u podstaw TensorFlow Lite.
• Konwersja istniejących modeli do formatu TensorFlow Lite w celu wykonania na urządzeniach wbudowanych.
• Pracuj w ramach ograniczeń małych urządzeń i TensorFlow Lite, jednocześnie ucząc się, jak rozszerzyć zakres operacji, które można uruchomić.
• Deploy a deep learning model on an embedded device running Linux.

Ten prowadzony przez instruktora trening na żywo w Polsce (online lub na miejscu) jest skierowany do programistów, którzy chcą używać TensorFlow Lite do tworzenia aplikacji mobilnych z funkcjami głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja TensorFlow Lite.
• Zrozumienie zasad stojących za TensorFlow, uczeniem maszynowym i głębokim uczeniem.
• Ładowanie modeli TensorFlow na urządzenie z systemem Android.
• Włączanie funkcji głębokiego uczenia i uczenia maszynowego, takich jak wizja komputerowa i rozpoznawanie języka naturalnego w aplikacji mobilnej.

To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla programistów, którzy chcą używać TensorFlow Lite do tworzenia aplikacji mobilnych na iOS z funkcjami głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja TensorFlow Lite.
• Zrozumienie zasad stojących za TensorFlow i uczeniem maszynowym na urządzeniach mobilnych.
• Ładowanie modeli TensorFlow na urządzenie z systemem iOS.
• Uruchom aplikację iOS zdolną do wykrywania i klasyfikowania obiektów przechwyconych przez kamerę urządzenia.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą pisać, ładować i uruchamiać modele uczenia maszynowego na bardzo małych urządzeniach wbudowanych. Po zakończeniu tego szkolenia uczestnicy będą w stanie

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

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą używać Chainer do budowania i trenowania sieci neuronowych w Python, jednocześnie ułatwiając debugowanie kodu.Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
• Definiować i wdrażać modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli szkoleniowych głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów lub naukowców zajmujących się danymi, którzy chcą używać Horovod do uruchamiania rozproszonych szkoleń z głębokiego uczenia się i skalowania ich w celu równoległego działania na wielu GPU.Pod koniec tego szkolenia uczestnicy będą mogli

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć prowadzenie szkoleń z zakresu głębokiego uczenia się.
• Zainstalować i skonfigurować Horovod do trenowania modeli z TensorFlow, Keras, PyTorch i Apache MXNet.
• Skalować trening głębokiego uczenia z Horovod, aby działał na wielu GPU.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą przyspieszyć aplikacje uczenia maszynowego w czasie rzeczywistym i wdrożyć je na dużą skalę.Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować zestaw narzędzi OpenVINO.
• Przyspieszyć aplikację widzenia komputerowego za pomocą FPGA.
• Wykonywać różne warstwy CNN na FPGA.
• Skalować aplikację na wielu węzłach w klastrze Kubernetes.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wykorzystać Apache MXNet do zbudowania i wdrożenia modelu głębokiego uczenia się do rozpoznawania obrazów.Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Apache MXNet i jego komponenty.
• Zrozumieć architekturę i struktury danych MXNet.
• Używać niskopoziomowych i wysokopoziomowych interfejsów API Apache MXNet do wydajnego budowania sieci neuronowych.
• Zbudować konwolucyjną sieć neuronową do klasyfikacji obrazów.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla osób technicznych, które chcą zastosować model głębokiego uczenia się do aplikacji rozpoznawania obrazu.Pod koniec tego szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Keras.
• Szybko prototypować modele głębokiego uczenia się.
• Wdrożyć sieć konwolucyjną.
• Zaimplementować sieć rekurencyjną.
• Wykonać model głębokiego uczenia zarówno na CPU, jak i GPU.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą rozwijać zaawansowane sieci neuronowe głębokiego uczenia się i modelować za pomocą Keras i Python.Pod koniec tego szkolenia uczestnicy będą mogli

• Zastosować głębokie uczenie się z nadzorowanymi lub nienadzorowanymi metodami uczenia się.
• Opracowywać, szkolić i wdrażać współbieżne sieci neuronowe i rekurencyjne sieci neuronowe.
• Używać Keras i Python do budowania modeli głębokiego uczenia się w celu rozwiązywania problemów związanych z obrazami, tekstem, dźwiękiem i nie tylko.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów, którzy chcą zbudować autonomiczny samochód przy użyciu technik głębokiego uczenia się.Pod koniec tego szkolenia uczestnicy będą mogli:

• Używać Keras do budowania i trenowania konwolucyjnej sieci neuronowej.
• Wykorzystać techniki wizji komputerowej do identyfikacji pasów ruchu w projekcie autonomicznej jazdy.
• Trenować model głębokiego uczenia się, aby rozróżniać znaki drogowe.
• Symulować w pełni autonomiczny samochód.

Torch to biblioteka uczenia maszynowego typu open source i naukowy framework obliczeniowy oparty na języku programowania Lua. Zapewnia środowisko programistyczne dla numerów, uczenia maszynowego i wizji komputerowej, ze szczególnym naciskiem na głębokie uczenie i sieci splotowe. Jest to jeden z najszybszych i najbardziej elastycznych frameworków dla Machine and Deep Learning i jest używany przez firmy takie jak Facebook, Go ogle, Twitter, NVIDIA, AMD, Intel i wiele innych.W tym prowadzonym przez instruktora szkoleniu na żywo omawiamy zasady Torch, jego unikalne cechy i sposób, w jaki można go zastosować w rzeczywistych aplikacjach. Przez cały czas przechodzimy przez liczne ćwiczenia praktyczne, demonstrując i ćwicząc poznane koncepcje.Pod koniec kursu uczestnicy będą mieli dogłębne zrozumienie podstawowych funkcji i możliwości Torch, a także jego roli i wkładu w przestrzeń sztucznej inteligencji w porównaniu z innymi frameworkami i bibliotekami. Uczestnicy otrzymają również niezbędną praktykę do wdrożenia Torch we własnych projektach.Format kursu

• Przegląd maszyny i Deep Learning
• Kodowanie w klasie i ćwiczenia integracyjne
• Pytania testowe posypane po drodze, aby sprawdzić zrozumienie

SINGA to ogólna rozproszona platforma głębokiego uczenia się do trenowania dużych modeli głębokiego uczenia się na dużych zbiorach danych. Została ona zaprojektowana w oparciu o intuicyjny model programowania bazujący na abstrakcji warstw. Obsługiwane są różne popularne modele głębokiego uczenia, a mianowicie modele typu feed-forward, w tym splotowe sieci neuronowe (CNN), modele energetyczne, takie jak ograniczona maszyna Boltzmanna (RBM) i rekurencyjne sieci neuronowe (RNN). Dla użytkowników dostępnych jest wiele wbudowanych warstw. Architektura SINGA jest wystarczająco elastyczna, aby uruchamiać synchroniczne, asynchroniczne i hybrydowe ramy szkoleniowe. SINGA obsługuje również różne schematy partycjonowania sieci neuronowych w celu zrównoleglenia uczenia dużych modeli, a mianowicie partycjonowanie w wymiarze wsadowym, wymiarze funkcji lub partycjonowanie hybrydowe.OdbiorcyTen kurs jest skierowany do badaczy, inżynierów i programistów, którzy chcą wykorzystać Apache SINGA jako platformę głębokiego uczenia się.Po ukończeniu tego kursu uczestnicy będą

• zrozumieć strukturę i mechanizmy wdrażania SINGA
• być w stanie przeprowadzić instalację / środowisko produkcyjne / zadania architektury i konfigurację
• 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

Deeplearning4j jest pierwszą komercyjną, otwartoźródłową, rozproszoną biblioteką głębokiego uczenia napisaną dla Java i Scala. Zintegrowana z Hadoop i Spark, DL4J jest przeznaczona do użytku w środowiskach biznesowych na rozproszonych GPU i procesorach.OdbiorcyTen kurs jest skierowany do inżynierów i programistów, którzy chcą wykorzystać Deeplearning4j w swoich projektach.Po tym kursie delegaci będą mogli:

Deeplearning4j to open-source'owa, rozproszona biblioteka głębokiego uczenia napisana dla Java i Scala. Zintegrowana z Hadoop i Spark, DL4J jest przeznaczona do użytku w środowiskach biznesowych na rozproszonych GPU i procesorach.[2Vec to metoda obliczania wektorowych reprezentacji słów wprowadzona przez zespół badaczy z Google pod kierownictwem Tomasa Mikolova.OdbiorcyTen kurs jest skierowany do badaczy, inżynierów i programistów, którzy chcą wykorzystać Deeplearning4J do tworzenia modeli Word2Vec.

Computer Network ToolKit (CNTK) jest Microsoft otwartym, wielomaszynowym, wieloGPU, wysoce wydajnym uczeniem maszynowym RNN dla mowy, tekstu i obrazów.OdbiorcyTen kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać CNTK w swoich projektach.

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.