Szkolenia Deep Learning w Wrocław

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do programistów, naukowców zajmujących się danymi oraz praktyków AI na poziomie średnio zaawansowanym, którzy chcą wykorzystać TensorFlow Lite w aplikacjach Edge AI.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy TensorFlow Lite i jego rolę w Edge AI.
• Tworzyć i optymalizować modele AI przy użyciu TensorFlow Lite.
• Wdrażać modele TensorFlow Lite na różnych urządzeniach brzegowych.
• Wykorzystywać narzędzia i techniki do konwersji i optymalizacji modeli.
• Wdrażać praktyczne aplikacje Edge AI przy użyciu TensorFlow Lite.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu), skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat computer vision i poznać możliwości TensorFlow w zakresie tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Budować i trenować konwolucyjne sieci neuronowe (CNNs) przy użyciu TensorFlow.
• Wykorzystywać Google Colab do skalowalnego i efektywnego rozwoju modeli w chmurze.
• Stosować techniki wstępnego przetwarzania obrazów do zadań computer vision.
• Wdrażać modele computer vision do rzeczywistych zastosowań.
• Wykorzystywać transfer learning, aby poprawić wydajność modeli CNN.
• Wizualizować i interpretować wyniki modeli klasyfikacji obrazów.

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do średniozaawansowanych naukowców zajmujących się danymi i programistów, którzy chcą zrozumieć i stosować techniki głębokiego uczenia w środowisku Google Colab.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Skonfigurować i poruszać się po Google Colab w projektach związanych z głębokim uczeniem.
• Zrozumieć podstawy sieci neuronowych.
• Implementować modele głębokiego uczenia za pomocą TensorFlow.
• Trenować i oceniać modele głębokiego uczenia.
• Wykorzystywać zaawansowane funkcje TensorFlow do głębokiego uczenia.

Ta prowadzona przez instruktora, żywa sesja szkoleniowa w Wrocław (online lub na miejscu) jest skierowana do profesjonalistów na zaawansowanym poziomie, którzy chcą specjalizować się w najnowocześniejszych technikach głębokiego uczenia dla NLU.

Pod koniec szkolenia uczestnicy będą w stanie:

• Zrozumieć kluczowe różnice między modelami NLU i NLP.
• Stosować zaawansowane techniki głębokiego uczenia w zadaniach NLU.
• Poznać głębokie architektury, takie jak transformatory i mechanizmy uwagi.
• Wykorzystywać przyszłe trendy w NLU do budowania zaawansowanych systemów AI.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do profesjonalistów na zaawansowanym poziomie, którzy chcą zgłębić najnowocześniejsze techniki XAI dla modeli głębokiego uczenia się, z naciskiem na budowanie interpretowalnych systemów AI.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć wyzwania związane z explainability w głębokim uczeniu się.
• Wdrażać zaawansowane techniki XAI dla sieci neuronowych.
• Interpretować decyzje podejmowane przez modele głębokiego uczenia się.
• Oceniać kompromisy między wydajnością a przejrzystością.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy uczenia głębokiego oraz ekspertów w dziedzinie przetwarzania obrazów, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie uczenia głębokiego do generowania obrazów z tekstu.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć zaawansowane architektury i techniki uczenia głębokiego do generowania obrazów z tekstu.
• Implementować złożone modele i optymalizacje do syntezy wysokiej jakości obrazów.
• Optymalizować wydajność i skalowalność dla dużych zbiorów danych i złożonych modeli.
• Dostosowywać hiperparametry w celu poprawy wydajności i uogólnienia modelu.
• Integrować Stable Diffusion z innymi frameworkami i narzędziami do uczenia głębokiego.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do profesjonalistów na zaawansowanym poziomie, którzy chcą wykorzystać techniki AI, aby zrewolucjonizować procesy odkrywania i rozwoju leków.

Po zakończeniu szkolenia uczestnicy będą w stanie:

• Zrozumieć rolę AI w odkrywaniu i rozwoju leków.
• Stosować techniki uczenia maszynowego do przewidywania właściwości i interakcji molekularnych.
• Wykorzystywać modele głębokiego uczenia do wirtualnego przesiewania i optymalizacji liderów.
• Integrować podejścia oparte na AI w proces badań klinicznych.

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do biologów, którzy chcą zrozumieć, jak działa AlphaFold, i wykorzystywać modele AlphaFold jako przewodniki w swoich badaniach eksperymentalnych.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe zasady działania AlphaFold.
• Poznać, jak działa AlphaFold.
• Nauczyć się interpretować przewidywania i wyniki AlphaFold.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do początkujących i średnio zaawansowanych naukowców zajmujących się danymi oraz inżynierów uczenia maszynowego, którzy chcą poprawić wydajność swoich modeli uczenia głębokiego.

Pod koniec tego szkolenia uczestnicy będą mogli:

• Zrozumieć zasady rozproszonego uczenia głębokiego.
• Zainstalować i skonfigurować DeepSpeed.
• Skalować modele uczenia głębokiego na rozproszonym sprzęcie przy użyciu DeepSpeed.
• Wdrażaæ i eksperymentować z funkcjami DeepSpeed w celu optymalizacji i efektywności pamięci.

Ten prowadzony przez instruktora, żywy trening w Wrocław (online lub na miejscu) jest skierowany do programistów na poziomie podstawowym i średnio zaawansowanym, którzy chcą korzystać z dużych modeli językowych do różnych zadań związanych z językiem naturalnym.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Skonfigurować środowisko programistyczne zawierające popularny LLM.
• Stworzyć podstawowy LLM i dostroić go do niestandardowego zestawu danych.
• Korzystać z LLM do różnych zadań związanych z językiem naturalnym, takich jak podsumowywanie tekstu, odpowiadanie na pytania, generowanie tekstu i wiele innych.
• Debugować i oceniać LLM za pomocą narzędzi takich jak TensorBoard, PyTorch Lightning i Hugging Face Datasets.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do 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 szkolenia uczestnicy będą mogli:

• Zrozumieć zasady działania Stable Diffusion i sposób generowania obrazów.
• Tworzyć i trenować modele Stable Diffusion do zadań generowania obrazów.
• Stosować Stable Diffusion w różnych scenariuszach generowania obrazów, takich jak inpainting, outpainting i translacja obrazów.
• Optymalizować wydajność i stabilność modeli Stable Diffusion.

W tym szkoleniu prowadzonym przez instruktora na żyvo w Wrocław, uczestnicy poznają najbardziej istotne i nowoczesne techniki uczenia maszynowego w Pythonie, budując serię demonstracyjnych aplikacji obejmujących dane obrazowe, muzyczne, tekstowe i finansowe.

Pod koniec szkolenia uczestnicy będą mogli:

• Implementować algorytmy i techniki uczenia maszynowego do rozwiązywania złożonych problemów.
• Stosować uczenie głębokie i częściowo nadzorowane w aplikacjach dotyczących danych obrazowych, muzycznych, tekstowych i finansowych.
• Wykorzystywać algorytmy Pythona do ich maksymalnego potencjału.
• Korzystać z bibliotek i pakietów takich jak NumPy i Theano.

To 4-dniowy kurs wprowadzający do sztucznej inteligencji i jej zastosowań z wykorzystaniem języka programowania Python. Istnieje możliwość dodania dodatkowego dnia na realizację projektu związanego z AI po zakończeniu kursu. 

Głębokie Uczenie przez Wzmocnienie (DRL) łączy zasady uczenia przez wzmacnianie z architekturami głębokiego uczenia się, umożliwiając agentom podejmowanie decyzji poprzez interakcję z ich środowiskiem. Stanowi podstawę wielu współczesnych postępów w dziedzinie sztucznej inteligencji, takich jak samochody autonomiczne, sterowanie robotami, algorytmiczny handel oraz systemy rekomendacji adaptacyjnych. DRL pozwala sztucznemu agentowi uczyć się strategii, optymalizować polityki i podejmować autonomiczne decyzje na podstawie prób i błędów, wykorzystując uczenie oparte na nagrodach.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do programistów i naukowców zajmujących się danymi na poziomie średniozaawansowanym, którzy chcą poznać i zastosować techniki Głębokiego Uczenia przez Wzmocnienie do budowy inteligentnych agentów zdolnych do autonomicznego podejmowania decyzji w złożonych środowiskach.

Po zakończeniu szkolenia uczestnicy będą w stanie:

• Zrozumieć teoretyczne podstawy i matematyczne zasady Uczenia przez Wzmocnienie.
• Zaimplementować kluczowe algorytmy RL, w tym Q-Learning, Policy Gradients oraz metody Actor-Critic.
• Budować i trenować agentów Głębokiego Uczenia przez Wzmocnienie przy użyciu TensorFlow lub PyTorch.
• Zastosować DRL w rzeczywistych zastosowaniach, takich jak gry, robotyka i optymalizacja decyzji.
• Rozwiązywać problemy, wizualizować i optymalizować wydajność treningu przy użyciu nowoczesnych narzędzi.

Format kursu

• Interaktywny wykład i dyskusja pod kierunkiem instruktora.
• Ćwiczenia praktyczne i implementacje.
• Demonstracje kodowania na żywo i aplikacje oparte na projektach.

Opcje dostosowania kursu

• Aby zamówić dostosowaną wersję tego kursu (np. z użyciem PyTorch zamiast TensorFlow), skontaktuj się z nami w celu uzgodnienia szczegółów.

W tym prowadzonym przez instruktora, żywym szkoleniu w Wrocław, uczestnicy nauczą się, jak implementować modele deep learning dla telekomunikacji za pomocą Pythona, przechodząc przez proces tworzenia modelu deep learning do oceny ryzyka kredytowego.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje deep learning.
• Poznać zastosowania i wykorzystanie deep learning w telekomunikacji.
• Wykorzystać Python, Keras i TensorFlow do tworzenia modeli deep learning dla telekomunikacji.
• Zbudować własny model przewidywania utraty klientów za pomocą Pythona.

Kurs ten został stworzony dla menedżerów, architektów rozwiązań, dyrektorów ds. innowacji, CTO, architektów oprogramowania oraz wszystkich zainteresowanych przeglądem zastosowań sztucznej inteligencji i najbliższymi prognozami jej rozwoju.

Ten kurs obejmuje zagadnienia związane z AI (ze szczególnym naciskiem na Uczenie Maszynowe i Głębokie Uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystana w różnych sytuacjach w samochodzie: od prostych zadań automatyzacji, przez rozpoznawanie obrazów, po autonomiczne podejmowanie decyzji.

Szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do uczestników na poziomie podstawowym, którzy chcą poznać kluczowe koncepcje z zakresu prawdopodobieństwa, statystyki, programowania i uczenia maszynowego, a następnie zastosować je w rozwoju AI.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje prawdopodobieństwa i statystyki oraz zastosować je w rzeczywistych scenariuszach.
• Pisać i rozumieć kod programowania proceduralnego, funkcyjnego i obiektowego.
• Wdrażać techniki uczenia maszynowego, takie jak klasyfikacja, grupowanie i sieci neuronowe.
• Tworzyć rozwiązania AI wykorzystujące silniki reguł i systemy ekspertowe do rozwiązywania problemów.

Sztuczna Sieć Neuronowa to model obliczeniowy danych używany w rozwoju systemów Sztucznej Inteligencji (AI), które są zdolne do wykonywania "inteligentnych" zadań. Sieci Neuronowe są powszechnie stosowane w zastosowaniach Uczenia Maszynowego (ML), które same w sobie są jedną z implementacji AI. Głębokie Uczenie się to podzbiór ML.

To 4-dniowy kurs wprowadzający do sztucznej inteligencji i jej zastosowań. Istnieje możliwość dodatkowego dnia na realizację projektu związanego z AI po zakończeniu kursu. 

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu), skierowane jest do data scientistów i statystyków na poziomie średniozaawansowanym, którzy chcą przygotowywać dane, budować modele i skutecznie stosować techniki uczenia maszynowego w swoich dziedzinach zawodowych.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć i wdrożyć różne algorytmy Uczenia Maszynowego.
• Przygotować dane i modele do zastosowań uczenia maszynowego.
• Przeprowadzać analizy post hoc i skutecznie wizualizować wyniki.
• Stosować techniki uczenia maszynowego w rzeczywistych, specyficznych dla sektora scenariuszach.

Ten prowadzony przez instruktora, live trening w Wrocław (online lub na miejscu) jest skierowany do badaczy i programistów, którzy chcą używać Chainera do budowania i trenowania sieci neuronowych w Pythonie, jednocześnie ułatwiając debugowanie kodu.

Pod koniec szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
• Zdefiniować i zaimplementować modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
• Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli treningowych głębokiego uczenia, wykorzystując jednocześnie GPU do wysokiej wydajności.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Porusza praktyczne zastosowania w statystyce, informatyce, przetwarzaniu sygnałów, przetwarzaniu obrazów, eksploracji danych i bioinformatyce.

Pod koniec szkolenia uczestnicy będą mogli:

• Stosować podstawowe metody statystyczne w rozpoznawaniu wzorców.
• Wykorzystywać kluczowe modele, takie jak sieci neuronowe i metody jądrowe, do analizy danych.
• Implementować zaawansowane techniki rozwiązywania złożonych problemów.
• Poprawiać dokładność predykcji poprzez łączenie różnych modeli.

Ten kurs stanowi ogólny przegląd uczenia głębokiego bez zagłębiania się w konkretne metody. Jest odpowiedni dla osób, które chcą zacząć wykorzystywać uczenie głębokie w celu zwiększenia dokładności prognoz.

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do badaczy i deweloperów, którzy chcą zainstalować, skonfigurować, dostosować i używać platformy DeepMind Lab do rozwijania ogólnej sztucznej inteligencji i systemów uczenia maszynowego.

Pod koniec szkolenia uczestnicy będą w stanie:

• Dostosować DeepMind Lab do budowania i uruchamiania środowiska odpowiadającego potrzebom uczenia się i treningu.
• Wykorzystać środowisko symulacyjne 3D DeepMind Lab do trenowania agentów uczących się z perspektywy pierwszoosobowej.
• Ułatwić ewaluację agentów w celu rozwijania inteligencji w świecie przypominającym grę 3D.

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 reprezentacji danych i struktur, takich jak sieci neuronowe.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do 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.

Pod koniec tego szkolenia uczestnicy będą mogli:

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

Uczenie maszynowe to dziedzina sztucznej inteligencji, w której komputery mają zdolność uczenia się bez konieczności jawnego programowania. Głębokie uczenie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu, znany z przejrzystej składni i czytelności kodu.

W tym szkoleniu prowadzonym przez instruktora, uczestnicy nauczą się, jak wdrażać modele głębokiego uczenia w bankowości przy użyciu Pythona, tworząc model głębokiego uczenia do oceny ryzyka kredytowego.

Po zakończeniu szkolenia uczestnicy będą potrafili:

• Zrozumieć podstawowe koncepcje głębokiego uczenia
• Poznać zastosowania i wykorzystanie głębokiego uczenia w bankowości
• Wykorzystać Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia w bankowości
• Zbudować własny model głębokiego uczenia do oceny ryzyka kredytowego przy użyciu Pythona

Grupa docelowa

• Programiści
• Analitycy danych

Format kursu

• Część wykładowa, dyskusje, ćwiczenia i intensywna praktyka

W tym szkoleniu prowadzonym przez instruktora, uczestnicy nauczą się używać bibliotek Pythona do NLP, tworząc aplikację, która przetwarza zestaw zdjęć i generuje podpisy.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Projektować i kodować DL dla NLP przy użyciu bibliotek Pythona.
• Tworzyć kod w Pythonie, który czyta znacznie dużą kolekcję zdjęć i generuje słowa kluczowe.
• Tworzyć kod w Pythonie, który generuje podpisy z wykrytych słów kluczowych.

Odbiorcy

Kurs jest odpowiedni dla badaczy i inżynierów zajmujących się Deep Learning, zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych.

Kurs zawiera praktyczne przykłady.

To szkolenie prowadzone przez instruktora w Wrocław (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą przyspieszyć aplikacje uczenia maszynowego działające w czasie rzeczywistym i wdrażać je na dużą skalę.

Pod koniec szkolenia uczestnicy będą mogli:

• Zainstalować zestaw narzędzi OpenVINO.
• Przyspieszyć aplikację do przetwarzania obrazów, wykorzystując FPGA.
• Wykonywać różne warstwy CNN na FPGA.
• Skalować aplikację na wielu węzłach w klastrze Kubernetes.

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą wykorzystać TensorFlow do analizy potencjalnych danych dotyczących oszustw.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Tworzyć modele wykrywania oszustw w Pythonie i TensorFlow.
• Budować regresje liniowe i modele regresji liniowej do przewidywania oszustw.
• Tworzyć kompleksowe aplikacje AI do analizy danych dotyczących oszustw.

Ten prowadzony przez instruktora, żywy trening w Wrocław (online lub na miejscu) jest skierowany do programistów lub naukowców zajmujących się danymi, którzy chcą wykorzystać Horovod do przeprowadzenia rozproszonego uczenia głębokiego i skalowania go na wiele GPU działających równolegle.

Pod koniec szkolenia uczestnicy będą w stanie:

• Skonfigurować niezbędne środowisko deweloperskie do uruchamiania zadań związanych z uczeniem głębokim.
• Zainstalować i skonfigurować Horovod do uczenia modeli z TensorFlow, Keras, PyTorch i Apache MXNet.
• Skalować uczenie głębokie z Horovod, aby działało na wielu GPU.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do osób technicznych, które chcą zastosować modele uczenia głębokiego w aplikacjach rozpoznawania obrazów.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Keras.
• Szybko tworzyć prototypy modeli uczenia głębokiego.
• Zaimplementować sieć splotową.
• Zaimplementować sieć rekurencyjną.
• Wykonać model uczenia głębokiego zarówno na CPU, jak i GPU.

Ten prowadzony przez instruktora, live trening w Wrocław (online lub na miejscu) jest skierowany do profesjonalistów na poziomie początkującym i średnio zaawansowanym, którzy chcą pogłębić swoją wiedzę na temat algorytmów uczenia maszynowego, technik głębokiego uczenia i podejmowania decyzji opartych na AI. Kurs zapewnia praktyczne doświadczenie z koncepcjami uczenia maszynowego, modelami głębokiego uczenia oraz praktycznymi implementacjami przy użyciu R.

Pod koniec tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy uczenia maszynowego i głębokiego uczenia.
• Stosować różne algorytmy uczenia maszynowego do regresji, klasyfikacji, grupowania i wykrywania anomalii.
• Korzystać z architektur głębokiego uczenia, takich jak sztuczne sieci neuronowe (ANNs).
• Implementować modele uczenia nadzorowanego i nienadzorowanego.
• Oceniać wydajność modelu i optymalizować hiperparametry.
• Używać R do analizy danych, wizualizacji i aplikacji uczenia maszynowego.

Szkolenie skierowane jest do osób, które chcą poznać podstawy sieci neuronowych oraz ich zastosowania.

Szkolenie stacjonarne będzie obejmować prezentacje, przykłady na komputerach oraz ćwiczenia studyjne do wykonania z wykorzystaniem odpowiednich bibliotek do sieci neuronowych i głębokiego uczenia.

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do inżynierów oprogramowania, którzy chcą programować w Pythonie z wykorzystaniem OpenCV 4 do głębokiego uczenia.

Po zakończeniu szkolenia uczestnicy będą mogli:

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

W tym szkoleniu prowadzonym przez instruktora na żywo uczestnicy nauczą się zaawansowanych technik uczenia maszynowego z wykorzystaniem R, tworząc jednocześnie rzeczywistą aplikację.

Pod koniec szkolenia uczestnicy będą mogli:

• Zrozumieć i wdrożyć techniki uczenia nienadzorowanego
• Stosować klasteryzację i klasyfikację do przewidywania na podstawie rzeczywistych danych.
• Wizualizować dane, aby szybko uzyskać wgląd, podejmować decyzje i dalej doskonalić analizę.
• Poprawić wydajność modelu uczenia maszynowego poprzez strojenie hiperparametrów.
• Wdrożyć model do użytku w większej aplikacji.
• Stosować zaawansowane techniki uczenia maszynowego do odpowiadania na pytania dotyczące danych z sieci społecznościowych, dużych zbiorów danych i innych.

Ten kurs wprowadza w zastosowanie sieci neuronowych do rozwiązywania rzeczywistych problemów przy użyciu oprogramowania R-project.

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do programistów i naukowców zajmujących się danymi, którzy chcą używać TensorFlow 2.x do budowania predyktorów, klasyfikatorów, modeli generatywnych, sieci neuronowych itp.

Pod koniec szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować TensorFlow 2.x.
• Zrozumieć zalety TensorFlow 2.x w porównaniu z poprzednimi wersjami.
• Budować modele głębokiego uczenia.
• Zaimplementować zaawansowany klasyfikator obrazów.
• Wdrożyć model głębokiego uczenia w chmurze, na urządzeniach mobilnych i IoT.

To szkolenie prowadzone przez instruktora na żywo w Wrocław (online lub na miejscu) jest skierowane do inżynierów, którzy chcą pisać, ładować i uruchamiać modele uczenia maszynowego na bardzo małych urządzeniach wbudowanych.

Pod koniec tego szkolenia uczestnicy będą mogli:

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

W tym szkoleniu prowadzonym przez instruktora, na żywo w Wrocław (online lub na miejscu), uczestnicy nauczą się, jak konfigurować i używać TensorFlow Serving do wdrażania i zarządzania modelami ML w środowisku produkcyjnym.

Pod koniec szkolenia uczestnicy będą mogli:

• Trenować, eksportować i serwować różne modele TensorFlow.
• Testować i wdrażać algorytmy przy użyciu jednej architektury i zestawu API.
• Rozszerzać TensorFlow Serving, aby serwować inne typy modeli poza modelami TensorFlow.

TensorFlow to API drugiej generacji biblioteki oprogramowania open source Google do głębokiego uczenia. System został zaprojektowany, aby ułatwić badania w dziedzinie uczenia maszynowego oraz umożliwić szybkie i łatwe przejście od prototypu badawczego do systemu produkcyjnego.

Grupa docelowa

Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach związanych z głębokim uczeniem.

Po ukończeniu kursu uczestnicy będą:

• rozumieć strukturę i mechanizmy wdrażania TensorFlow
• umieć przeprowadzać zadania instalacyjne, konfigurację środowiska produkcyjnego i architektury
• umieć oceniać jakość kodu, przeprowadzać debugowanie i monitorowanie
• umieć wdrażać zaawansowane procesy produkcyjne, takie jak trenowanie modeli, budowanie grafów i logowanie

Ten kurs, na konkretnych przykładach, przedstawia zastosowanie TensorFlow w celu rozpoznawania obrazów.

Odbiorcy

Kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow do rozpoznawania obrazów.

Po ukończeniu kursu uczestnicy będą potrafili:

• zrozumieć strukturę i mechanizmy wdrażania TensorFlow
• przeprowadzić zadania instalacyjne, konfigurację środowiska produkcyjnego i architektury
• oceniać jakość kodu, przeprowadzać debugowanie i monitorowanie
• wdrażać zaawansowane funkcje produkcyjne, takie jak trenowanie modeli, budowanie grafów i logowanie

To szkolenie prowadzone przez instruktora, na żywo w Wrocław (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą przejść od trenowania pojedynczego modelu uczenia maszynowego do wdrażania wielu modeli uczenia maszynowego w produkcji.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować TFX oraz wspierające narzędzia innych firm.
• Używać TFX do tworzenia i zarządzania kompletnym produkcyjnym potokiem uczenia maszynowego.
• Pracować z komponentami TFX w celu przeprowadzenia modelowania, trenowania, obsługi wnioskowania i zarządzania wdrożeniami.
• Wdrażać funkcje uczenia maszynowego w aplikacjach internetowych, mobilnych, urządzeniach IoT i innych.

TensorFlow™ to otwartoźródłowa biblioteka programistyczna do obliczeń numerycznych wykorzystująca grafy przepływu danych.

SyntaxNet to framework do przetwarzania języka naturalnego oparty na sieciach neuronowych dla TensorFlow.

Word2Vec służy do uczenia reprezentacji wektorowych słów, zwanych „osadzeniami słów” (word embeddings). Word2vec to szczególnie efektywny obliczeniowo model predykcyjny do uczenia osadzeń słów z surowego tekstu. Dostępny jest w dwóch wersjach: modelu Ciągłej Torby Słów (CBOW) oraz modelu Skip-Gram (rozdziały 3.1 i 3.2 w pracy Mikolova i innych).

Używane razem, SyntaxNet i Word2Vec pozwalają użytkownikom generować modele Learned Embedding z danych wejściowych w języku naturalnym.

Grupa docelowa

Kurs jest skierowany do programistów i inżynierów, którzy zamierzają pracować z modelami SyntaxNet i Word2Vec w swoich grafach TensorFlow.

Po ukończeniu kursu uczestnicy będą:

• rozumieć strukturę i mechanizmy wdrażania TensorFlow
• potrafić przeprowadzać zadania instalacyjne, konfigurację środowiska produkcyjnego i architekturę
• potrafić oceniać jakość kodu, przeprowadzać debugowanie i monitorowanie
• potrafić implementować zaawansowane zadania produkcyjne, takie jak trenowanie modeli, osadzanie terminów, budowanie grafów i logowanie

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

Część 1 (40%) tego szkolenia skupia się bardziej na podstawach, ale pomoże Ci w wyborze odpowiedniej technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras itp.

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

Część 3 (40%) szkolenia będzie w dużej mierze oparta na TensorFlow - API otwartej biblioteki oprogramowania Google do głębokiego uczenia. Przykłady i ćwiczenia praktyczne będą realizowane w TensorFlow.

Grupa docelowa

Ten kurs jest przeznaczony dla inżynierów, którzy chcą używać TensorFlow w swoich projektach związanych z głębokim uczeniem.

Po ukończeniu kursu uczestnicy będą:

• dobrze rozumieć głębokie sieci neuronowe (DNN), CNN i RNN
• rozumieć strukturę i mechanizmy wdrażania TensorFlow
• potrafić przeprowadzać zadania instalacyjne / środowiskowe / architektoniczne i konfiguracyjne
• potrafić oceniać jakość kodu, przeprowadzać debugowanie i monitorowanie
• potrafić implementować zaawansowane procesy produkcyjne, takie jak trenowanie modeli, budowanie grafów i logowanie