Prowadzone przez instruktorów kursy szkoleniowe Deep Learning (DL) online lub na miejscu demonstrują poprzez praktyczne ćwiczenia podstawy i zastosowania Deep Learning i obejmują takie tematy, jak głębokie uczenie maszynowe, głębokie uczenie strukturalne i uczenie hierarchiczne.
Szkolenie Deep Learning jest dostępne jako "szkolenie online na żywo" lub "szkolenie na miejscu na żywo". Szkolenie na żywo online (inaczej "zdalne szkolenie na żywo") odbywa się za pośrednictwem interaktywnego, zdalnego pulpitu. Szkolenie na żywo na miejscu może być prowadzone lokalnie w siedzibie klienta w Trójmiasto lub w korporacyjnych centrach szkoleniowych NobleProg w Trójmiasto.
NobleProg - lokalny dostawca szkoleń
Gdynia
Hotel Nadmorski, Ejsmonda 2, Gdynia, Polska, 81-409
Sala szkoleniowa znajduje się zaledwie 3 kilometry od Dworca PKP/PKS w Gdyni, co sprawia, że jest łatwo dostępna dla uczestników podróżujących pociągiem lub autobusem. Dodatkowo, jest oddalona tylko o 400 metrów od przystanku autobusowego, ułatwiając dojazd nawet tym, którzy podróżują komunikacją miejską. Wyposażona jest w niezbędne narzędzia do prowadzenia szkoleń, takie jak rzutnik, ekran oraz flipchart, co zapewnia komfortowe warunki dla uczestników i prowadzącego zajęcia.
Gdańsk
Hotel Fahrenheit, Grodzka 19, Gdańsk, Polska, 80-841
Sala szkoleniowa znajduje się w samym sercu malowniczej gdańskiej starówki, co sprawia, że otoczenie jest nie tylko inspirujące, ale także wyjątkowo atrakcyjne dla uczestników. W niedalekiej odległości można znaleźć dworzec PKP oraz PKS, ułatwiając przyjazd zarówno tym podróżującym pociągiem, jak i autobusem. Dodatkowo, lotnisko i port są również w zasięgu ręki, co czyni tę lokalizację wygodną dla osób przybywających z dalszych miejscowości, zarówno z kraju, jak i spoza jego granic.
Ten szkoleniowy, prowadzony przez instruktora, w trybie Trójmiasto (online lub na miejscu) jest skierowany do rozwiniętych programistów, naukowców danych oraz praktyków AI, którzy chcą wykorzystać TensorFlow Lite do zastosowań Edge AI.
Po zakończeniu tego szkolenia uczestnicy będą w stanie:
Zrozumieć podstawy TensorFlow Lite i jego rolę w Edge AI.
Rozwijać i optymalizować modele AI za pomocą TensorFlow Lite.
Wdrażać modele TensorFlow Lite na różnych urządzeniach edge.
Wykorzystywać narzędzia i techniki do konwersji i optymalizacji modeli.
Wdrażać praktyczne aplikacje Edge AI za pomocą TensorFlow Lite.
Ten szkolenie prowadzone przez instruktora w formie Trójmiasto (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.
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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 Trójmiasto (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 szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do profesjonalistów zaawansowanego poziomu, którzy chcą wykorzystać techniki AI do rewolucjonizowania procesów odkrywania i rozwoju leków.
Po zakończeniu tego szkolenia uczestnicy będą w stanie:
Zrozumieć rolę AI w odkrywaniu i rozwoju leków.
Zastosować techniki uczenia maszynowego do przewidywania właściwości i interakcji cząsteczkowych.
Używać modeli uczenia głębokiego do wirtualnego przesiewania i optymalizacji prowadzących związków.
Wprowadzić podejścia napędzane przez AI do procesu badań klinicznych.
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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.
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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 Trójmiasto (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.
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.
W tym szkoleniu prowadzonym przez instruktora, uczestnicy nauczą się najbardziej aktualnych i zaawansowanych technik machine learning w Pythonie, tworząc serię demonstracyjnych aplikacji zawierających obrazy, muzykę, teksty i dane finansowe.
Na koniec tego szkolenia uczestnicy będą w stanie:
Zaimplementować algorytmy i techniki machine learning do rozwiązywania skomplikowanych problemów.
Zastosować głębokie uczenie (deep learning) i uczenie półsupervizowane (semi-supervised learning) do aplikacji zawierających obrazy, muzykę, teksty i dane finansowe.
Wypchnąć algorytmy Pythona do ich maksymalnego potencjału.
Używać bibliotek i pakietów takich jak NumPy i Theano.
Jest to 4-dniowy kurs wprowadzający sztuczną inteligencję i jej zastosowanie przy użyciu języka programowania Python. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu.
Deep Reinforcement Learning (DRL) łączy zasady uczenia przez wzmocnienie z architekturami deep learning, aby umożliwić agentom podejmowanie decyzji przez interakcję z ich otoczeniem. Jest fundamentem wielu współczesnych osiągnięć w dziedzinie sztucznej inteligencji, takich jak samochody bez kierowcy, kontrola robotów, handlowanie algorytmiczne i adaptacyjne systemy rekomendacji. DRL pozwala sztucznemu agentowi uczyć się strategii, optymalizować polityki i podejmować autonomiczne decyzje na podstawie prób i błędów przy użyciu uczenia opierającego się na nagrodach.
To szkolenie prowadzone przez instruktora (online lub na miejscu) jest przeznaczone dla developerów i naukowców danych na poziomie średniozaawansowanym, którzy chcą nauczyć się i zastosować techniki Deep Reinforcement Learning w celu budowy inteligentnych agentów zdolnych do autonomicznego podejmowania decyzji w złożonych środowiskach.
Na zakończenie tego szkolenia uczestnicy będą w stanie:
Zrozumieć teoretyczne podstawy i matematyczne zasady uczenia przez wzmocnienie.
Wdrożyć kluczowe algorytmy RL, w tym Q-Learning, gradienty polityki i metody Actor-Critic.
Budować i trenować agenty Deep Reinforcement Learning przy użyciu TensorFlow lub PyTorch.
Zastosować DRL w realnych aplikacjach, takich jak gry, robotyka i optymalizacja decyzji.
Diagnostykować, wizualizować i optymalizować wydajność treningu przy użyciu nowoczesnych narzędzi.
Format kursu
Interaktywne wykłady i prowadzone dyskusje.
Ćwiczenia praktyczne i implementacje.
Żywe demonstracje kodowania i aplikacje oparte na projektach.
Opcje dostosowania kursu
Aby złożyć wniosek o dostosowaną wersję tego kursu (np. używając PyTorch zamiast TensorFlow), skontaktuj się z nami w celu umówienia.
W tym prowadzonym przez instruktora szkoleniu na żywo w Trójmiasto 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 ten został stworzony z myślą o menedżerach, architektach rozwiązań, specjalistach ds. innowacji, CTO, architektach oprogramowania i wszystkich, którzy są zainteresowani przeglądem stosowanej sztucznej inteligencji i najbliższymi prognozami jej rozwoju.
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.
To szkolenie prowadzone przez instruktora w Trójmiasto (online lub na miejscu) jest przeznaczone dla uczestników na poziomie początkującego, którzy chcą nauczyć się podstawowych pojęć z zakresu prawdopodobieństwa, statystyki, programowania i uczenia maszynowego, a następnie zastosować je w rozwoju sztucznej inteligencji.
Na zakończenie tego szkolenia uczestnicy będą w stanie:
Rozumieć podstawowe pojęcia z prawdopodobieństwa i statystyki oraz zastosować je w realnych scenariuszach.
Pisać i rozumieć kod programowania w stylach proceduralnym, funkcjonalnym i obiektowym.
Wdrażać techniki uczenia maszynowego, takie jak klasyfikacja, klastrowanie i sieci neuronowe.
Tworzyć rozwiązania AI za pomocą silników reguł i systemów ekspertów do rozwiązywania problemów.
Sztuczna sieć neuronowa to obliczeniowy model danych wykorzystywany w rozwoju Artificial Intelligence (AI) systemów zdolnych do wykonywania "inteligentnych" zadań. Neural Networks są powszechnie używane w aplikacjach Machine Learning (ML), które same w sobie są jedną z implementacji sztucznej inteligencji. Deep Learning jest podzbiorem ML.
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.
To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, skierowane jest do pośrednio zaawansowanych naukowców danych i statystyków, którzy chcą przygotować dane, budować modele oraz stosować techniki uczenia maszynowego w swoich zawodowych dziedzinach.
Po ukończeniu tego szkolenia uczestnicy będą mogli:
Zrozumieć i wdrażać różne algorytmy Machine Learning.
Przygotowywać dane i modele do zastosowań uczenia maszynowego.
Przeprowadzać analizy post hoc i skutecznie wizualizować wyniki.
Zastosować techniki uczenia maszynowego w rzeczywistych, sektoralnych scenariuszach.
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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.
Computer Network ToolKit (CNTK) jest Microsoft otwartym, wielomaszynowym, wieloGPU, wysoce wydajnym uczeniem maszynowym RNN dla mowy, tekstu i obrazów.
Odbiorcy
Ten kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać CNTK w swoich projektach.
To ten szkolenie prowadzone przez instruktora w Trójmiasto (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Dotyka ono praktycznych zastosowań w statystyce, informatyce, przetwarzaniu sygnałów, komputerowym rozpoznawaniu wzorców, górnictwie danych i bioinformatyce.
Na zakończenie tego szkolenia uczestnicy będą w stanie:
Zastosować podstawowe metody statystyczne do rozpoznawania wzorców.
Wykorzystać kluczowe modele, takie jak sieci neuronowe i metody jąder do analizy danych.
Wdrożyć zaawansowane techniki do rozwiązywania złożonych problemów.
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 Trójmiasto (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.
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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. 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
W tym instruktażowym szkoleniu na żywo w Trójmiasto 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 kodowanie 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.
Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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.
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 Trójmiasto (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 Trójmiasto (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.
Trening prowadzony przez instruktora w Trójmiasto (online lub stacjonarnie) jest skierowany do profesjonalistów na poziomie początkującym do średniozaawansowanym, którzy chcą rozwinąć swoje zrozumienie algorytmów uczenia maszynowego, technik głębokiego uczenia i podejmowania decyzji opartych na sztucznej inteligencji. Kurs oferuje praktyczne doświadczenie w zakresie konceptów uczenia maszynowego, modeli głębokiego uczenia oraz praktycznych zastosowań przy użyciu R.
Na końcu tego treningu uczestnicy będą mogli:
Zrozumieć podstawy uczenia maszynowego i głębokiego uczenia.
Zastosować różne algorytmy uczenia maszynowego do regresji, klasyfikacji, grupowania i wykrywania anomalii.
Używać architektur głębokiego uczenia, takich jak sztuczne sieci neuronowe (ANN).
Zaimplementować modele nadzorowane i nienadzorowane.
Oceenić wydajność modelu i zoptymalizować hiperparametry.
Używać R do analizy danych, wizualizacji i zastosowań uczenia maszynowego.
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 Trójmiasto (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 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.
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 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.
W tym prowadzonym przez instruktora szkoleniu na żywo w Trójmiasto (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 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
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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.
W tym szkoleniu prowadzonym przez instruktora w Trójmiasto, uczestnicy nauczą się, jak skorzystać z innowacji w procesorach TPU, aby maksymalizować wydajność własnych aplikacji AI.
Po zakończeniu szkolenia uczestnicy będą w stanie:
Trenować różne typy sieci neuronowych na dużych ilościach danych.
Używać TPU do przyspieszenia procesu inferencji o aż dwa rzędy wielkości.
Wykorzystywać TPU do przetwarzania wymagających aplikacji, takich jak wyszukiwanie obrazów, wizja w chmurze i zdjęcia.
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
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
Więcej...
Ostatnia aktualizacja:
Opinie uczestników (17)
Dobrze omówione przez trenera przykłady ćwiczeń
Mariusz - Politechnika Opolska
Szkolenie - Artificial Intelligence (AI) for Mechatronics
Jasność, z jaką było przedstawione
John McLemore - Motorola Solutions
Szkolenie - Deep Learning for Telecom (with Python)
Przetłumaczone przez sztuczną inteligencję
Trener wyjaśnił treść dobrze i był zaangażowany przez cały czas. Zatrzymywał się, aby zadać pytania, i pozwolił nam samodzielnie dojść do rozwiązań w niektórych praktycznych sesjach. Dojść do rozwiązań w niektórych praktycznych sesjach. Ponadto dostosował kurs do naszych potrzeb.
Robert Baker
Szkolenie - Deep Learning with TensorFlow 2.0
Przetłumaczone przez sztuczną inteligencję
Tomasz naprawdę dobrze znał informacje i kurs był dobrze dobrany.
Raju Krishnamurthy - Google
Szkolenie - TensorFlow Extended (TFX)
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
Trener był profesjonalistą w dziedzinie tematu i doskonało łączył teorię z praktyką.
Fahad Malalla - Tatweer Petroleum
Szkolenie - Applied AI from Scratch in Python
Przetłumaczone przez sztuczną inteligencję
Dużo wskazówek praktycznych
Pawel Dawidowski - ABB Sp. z o.o.
Szkolenie - Deep Learning with TensorFlow
Duża wiedza teoretyczna i praktyczna prowadzących. Komunikatywność prowadzących. W trakcie kursu można było zadawać pytania i uzyskać satysfakcjonujące odpowiedzi.
Kamil Kurek - ING Bank Slaski S.A.; Kamil Kurek Programowanie
Szkolenie - Understanding Deep Neural Networks
Szczegółowe omówienie zagadnień związanych z uczeniem maszynowym, w szczególności sieci neuronowe. Demistyfikowało wiele z tych tematów.
Sacha Nandlall
Szkolenie - Python for Advanced Machine Learning
Przetłumaczone przez sztuczną inteligencję
Odkładany, aktualny podejście lub CPI (TensorFlow, era, learn) do tworzenia uczenia maszynowego.
Paul Lee
Szkolenie - TensorFlow for Image Recognition
Przetłumaczone przez sztuczną inteligencję
Lubię nowe wglądy w głębokim uczeniu maszynowym.
Josip Arneric
Szkolenie - Neural Network in R
Przetłumaczone przez sztuczną inteligencję
Trener bardzo zrozumiale wytłumaczył trudne i zaawansowane tematy.
Leszek K
Szkolenie - Artificial Intelligence Overview
Otrzymaliśmy dużo więcej informacji na temat tematu. Zostały przeprowadzone ciekawe dyskusje na temat realnych spraw w naszej firmie.
Sebastiaan Holman
Szkolenie - Machine Learning and Deep Learning
Przetłumaczone przez sztuczną inteligencję
Przegląd globalny uczenia głębokiego.
Bruno Charbonnier
Szkolenie - Advanced Deep Learning
Przetłumaczone przez sztuczną inteligencję
Temat jest bardzo interesujący.
Wojciech Baranowski
Szkolenie - Introduction to Deep Learning
Przetłumaczone przez sztuczną inteligencję
Anna stworzyła wspaniałe środowisko do zadawania pytań i uczenia się. Bawiliśmy się wspaniale i jednocześnie uczymy się wielu rzeczy.
Gudrun Bickelq
Szkolenie - Introduction to the use of neural networks
Przetłumaczone przez sztuczną inteligencję
Było bardzo interaktywne i mniej formalne, niż się spodziewałem. Porozmawialiśmy na wiele tematów w tym czasie, a trener zawsze był gotowy do bardziej szczegółowego lub ogólnej dyskusji o tych tematach oraz ich związki. Czuję, że szkolenie podarowało mi narzędzia do dalszego uczenia się, a nie było to jednorazowe spotkanie, w którym nauka kończy się po zakończeniu sesji, co jest bardzo ważne w świetle skali i złożoności tematu.
Jonathan Blease
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking
Szkolenie Deep Learning Trójmiasto, szkolenie wieczorowe Deep Learning (DL) Trójmiasto, szkolenie weekendowe Deep Learning (DL) Trójmiasto, Deep Learning (DL) boot camp Trójmiasto, kurs zdalny Deep Learning Trójmiasto, instruktor Deep Learning Trójmiasto, lekcje Deep Learning (DL) Trójmiasto, kurs online Deep Learning Trójmiasto, nauczanie wirtualne Deep Learning Trójmiasto, Kursy Deep Learning (DL) Trójmiasto, Kurs Deep Learning Trójmiasto, edukacja zdalna Deep Learning (DL) Trójmiasto, Trener DL (Deep Learning) Trójmiasto, wykładowca DL (Deep Learning) Trójmiasto, nauka przez internet Deep Learning (DL) Trójmiasto
