Szkolenia TensorFlow w Radom

To szkolenie prowadzone przez instruktora, na żywo w Radom (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 Radom (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.

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

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 na żywo w Radom (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.

To szkolenie prowadzone przez instruktora, na żywo w Radom (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.

W tym szkoleniu prowadzonym przez instruktora, na żywo w Radom (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 Radom (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