Introduktion till Djuplärning Träningskurs

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare på mellannivå till avancerad nivå, maskininlärningsingenjörer, forskare inom djupinlärning och experter på datorseende som vill utöka sina kunskaper och färdigheter inom djupinlärning för text-till-bild-generering.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå avancerade arkitekturer och tekniker för djupinlärning för text-till-bild-generering.
• Implementera komplexa modeller och optimeringar för högkvalitativ bildsyntes.
• Optimera prestanda och skalbarhet för stora datamängder och komplexa modeller.
• Justera hyperparametrar för bättre modellprestanda och generalisering.
• Integrera Stable Diffusion med andra ramverk och verktyg för djupinlärning

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använda AlphaFold-modeller som guider i sina experimentella studier.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande principerna för AlphaFold.
• Lär dig hur AlphaFold fungerar.
• Lär dig hur du tolkar AlphaFold förutsägelser och resultat.

Caffe är ett djupinlärningsramverk som utformats med uttryck, hastighet och moduläritet i åtanke.

Denna kurs utforskar tillämpningen av Caffe som ett ramverk för djupinlärning för bildigenkänning med MNIST som exempel

Målgrupp

Denna kurs passar för forskare och ingenjörer inom djupinlärning som är intresserade av att använda Caffe som ramverk.

När deltagarna har slutfört denna kurs kommer de kunna:

• fatta Caffes struktur och distributionsmekanismer
• utföra installation, produktionsmiljö, arkitekturuppgifter och konfiguration
• betygsätta kodkvalitet, genomföra felsökning och övervakning
• implementera avancerad produktion som träningsmodeller, implementering av lager och loggning

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till forskare och utvecklare som vill använda Chainer för att bygga och träna neurala nätverk i Python samtidigt som koden är lätt att felsöka.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den utvecklingsmiljö som krävs för att börja utveckla neurala nätverksmodeller.
• Definiera och implementera neurala nätverksmodeller med hjälp av en begriplig källkod.
• Kör exempel och modifiera befintliga algoritmer för att optimera träningsmodeller för djupinlärning samtidigt som du utnyttjar GPUs för hög prestanda.

Computer Network ToolKit (CNTK) är Microsoft:s Open Source, Multi-machine, Multi-GPU, mycket effektiva RNN-träningsmaskininlärningsramverk för tal, text och bilder.

Publik

Kursen riktar sig till ingenjörer och arkitekter som vill använda CNTK i sina projekt.

Målgrupp

Denna kurs är lämplig för djupinlärningsforskare och -ingenjörer som är intresserade av att utnyttja tillgängliga verktyg (främst öppen källkod) för att analysera datorbilder.

Kursen innehåller fungerande exempel.

Denna kurs i ledande undervisning (online eller på plats) vänder sig till utvecklare, datavetare och AI-praktiker på mellanavancerad nivå som vill utnyttja TensorFlow Lite för Edge AI-applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i TensorFlow Lite och dess roll inom Edge AI.
• Utveckla och optimera AI-modeller med TensorFlow Lite.
• Distribuera TensorFlow Lite-modeller på olika kantenheter.
• Använda verktyg och tekniker för modellkonvertering och optimering.
• Implementera praktiska Edge AI-applikationer med TensorFlow Lite.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till datavetare som vill påskynda maskininlärningsprogram i realtid och distribuera dem i stor skala.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera verktyget OpenVINO.
• Accelerera ett program för visuellt innehåll med hjälp av en FPGA.
• Kör olika CNN-lager på FPGA:n.
• Skala programmet över flera noder i ett Kubernetes-kluster.

Den här instruktörsledda, live-utbildningen i Sverige (online eller på plats) riktar sig till utvecklare eller datavetare som vill använda Horovod för att köra distribuerade djupinlärningsträningar och skala upp dem för att köra över flera GPUs parallellt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den utvecklingsmiljö som krävs för att börja köra djupinlärningsträningar.
• Installera och konfigurera Horovod för att träna modeller med TensorFlow, Keras, PyTorch och Apache MXNet.
• Skala djupinlärningsträning med Horovod för att köras på flera GPU:er.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till tekniska personer som vill tillämpa djupinlärningsmodellen på bildigenkänningsapplikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Keras.
• Skapa snabbt prototyper av djupinlärningsmodeller.
• Implementera ett faltningsnätverk.
• Implementera ett återkommande nätverk.
• Kör en djupinlärningsmodell på både en CPU och GPU.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare, maskininlärningsingenjörer och forskare inom datorseende som vill utnyttja Stable Diffusion för att generera bilder av hög kvalitet för en mängd olika användningsfall.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för Stable Diffusion och hur det fungerar för bildgenerering.
• Skapa och träna Stable Diffusion-modeller för bildgenereringsuppgifter.
• Tillämpa Stable Diffusion på olika bildgenereringsscenarier, såsom inpainting, outpainting och bild-till-bild-översättning.
• Optimera prestanda och stabilitet för Stable Diffusion-modeller.

Denna handledningssökande, liveutbildning i Sverige (online eller på plats) riktas till ingenjörer som vill skriva, ladda och köra maskininlärningsmodeller på mycket små inbyggda enheter.

När denna utbildning är avslutad kommer deltagarna kunna:

• Installera TensorFlow Lite.
• Ladda maskininlärningsmodeller på en inbyggd enhet för att göra den kapabel till att identifiera tal, klassificera bilder, etc.
• Lägga till AI i hårdvaraenheter utan att bero av nätverksanslutning.

TensorFlow är en andra generations API för Googles öppen källkodsprogrambibliotek för djupinlärning. Systemet är utformat för att underlätta maskininlärningsforskning och göra det snabbt och lätt att övergå från forskningsprototyp till produktionsmiljö.

Målgrupp

Denna kurs är avsedd för ingenjörer som vill använda TensorFlow för sina djupinlärningsprojekt.

Efter att ha slutfört denna kurs kommer deltagarna att:

• föstå TensorFlow:s struktur och distributionsmekanismer
• kunna utföra installation, produktionsmiljö, arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, utföra felsökning och övervakning
• kunna implementera avancerade produktionsfunktioner som träningsmodeller, bygga diagram och loggning

Denna kurs utforskar, med specifika exempel, tillämpningen av Tensor Flow för bildigenkänning

Målgrupp

Denna kurs är ämnad för ingenjörer som vill använda TensorFlow för bildigenkänningsändamål

Efter att ha slutfört denna kurs kommer deltagarna kunna:

• fatta TensorFlows struktur och distribueringsmekanismer
• genomföra installations-/produktionsmiljö-/arkitekturenuppgifter och konfiguration
• värdera kodkvalitet, utföra felsökning och övervakning
• implementera avancerade produktionsscenarier som träningsmodeller, bygga grafer och logga aktiviteter

TensorFlow™ är en öppen källkodsbibliotek för numeriska beräkningar med hjälp av dataflödesgrafer.

SyntaxNet är ett neuralt nätverksbaserat ramverk för naturlic språkbearbetning (NLP) för TensorFlow.

Word2Vec används för att lära in vektordarstellungar av ord, kallade "word embeddings". Word2vec är ett särskilt beräkningsmässigt effektivt prediktivt modell för att lära in word embeddings från obearbetad text. Det finns i två versioner: Continuous Bag-of-Words (CBOW) och Skip-Gram (kapitel 3.1 och 3.2 i Mikolov et al.).

När de används tillsammans, gör SyntaxNet och Word2Vec det möjligt för användare att generera lärande embedding-modeller från naturlic språkinmatning.

Målgrupp

Denna kurs riktas till utvecklare och ingenjörer som avser att arbeta med SyntaxNet- och Word2Vec-modeller i sina TensorFlow-grafer.

Efter att ha avslutat denna kurs kommer deltagarna att:

• förstå TensorFlow:s struktur och distributionsmekanismer
• kunna genomföra installationsuppgifter, miljökonfigurationer och arkitekturuppgifter
• kunna bedöma kodkvalitet, utföra felsökning och övervakning
• kunna implementera avancerad produktion som träningsmodeller, inbäddningsord, grafskonstruktion och loggning