DeepSpeed for Deep Learning 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, 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 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.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på mellannivå, datavetare och AI-utövare 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 i Edge AI.
• Utveckla och optimera AI-modeller med hjälp av TensorFlow Lite.
• Distribuera TensorFlow Lite-modeller på olika gränsenheter.
• Använda verktyg och tekniker för modellkonvertering och optimering.
• Implementera praktiska Edge AI-applikationer med TensorFlow Lite.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda TensorFlow Lite för att distribuera modeller för djupinlärning på inbäddade enheter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Tensorflow Lite på en inbäddad enhet.
• Förstå de begrepp och komponenter som ligger bakom TensorFlow Lite.
• Konvertera befintliga modeller till format TensorFlow Lite för exekvering på inbäddade enheter.
• Arbeta inom begränsningarna för små enheter och TensorFlow Lite, samtidigt som du lär dig hur du utökar omfattningen av operationer som kan köras.
• Implementera en modell för djupinlärning på en inbäddad enhet som kör Linux.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda TensorFlow Lite för att utveckla mobila applikationer med djupinlärningsmöjligheter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera TensorFlow Lite.
• Förstå principerna bakom TensorFlow, maskininlärning och djupinlärning.
• Ladda TensorFlow-modeller på en Android-enhet.
• Aktivera djupinlärning och maskininlärningsfunktioner som datorseende och naturligt språkigenkänning i en mobilapplikation.

Denna instruktörsledda, liveutbildning i (online eller på plats) riktar sig till utvecklare som vill använda TensorFlow Lite för att utveckla iOS-mobilapplikationer med djupinlärningsmöjligheter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera TensorFlow Lite.
• Förstå principerna bakom TensorFlow och maskininlärning på mobila enheter.
• Ladda TensorFlow-modeller på en iOS-enhet.
• Kör en iOS-applikation som kan upptäcka och klassificera ett objekt som fångas med enhetens kamera.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill skriva, ladda och köra maskininlärningsmodeller på mycket små inbäddade enheter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera TensorFlow Lite.
• Ladda maskininlärningsmodeller på en inbäddad enhet så att den kan upptäcka tal, klassificera bilder etc.
• Lägg till AI till hårdvaruenheter utan att förlita sig på nätverksanslutning.

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.

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.

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.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare som vill använda Apache MXNet-tals för att bygga och distribuera en djupinlärningsmodell för bildigenkänning.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Apache MXNet och dess komponenter.
• Förstå MXNets arkitektur och datastrukturer.
• Använd Apache MXNet:s lågnivå- och högnivå-API:er för att effektivt bygga neurala nätverk.
• Skapa ett faltningsneuralt nätverk för bildklassificering.

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, liveträning i Sverige (online eller på plats) riktar sig till mjukvaruingenjörer som vill utveckla avancerade neurala nätverk och modeller för djupinlärning med hjälp av Keras och Python.

I slutet av denna utbildning kommer deltagarna att kunna:

• Tillämpa djupinlärning med övervakade eller oövervakade inlärningsmetoder.
• Utveckla, träna och implementera samtidiga neurala nätverk och återkommande neurala nätverk.
• Använd Keras och Python för att skapa djupinlärningsmodeller för att lösa problem som rör bilder, text, ljud med mera.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill bygga en självkörande bil med hjälp av djupinlärningstekniker.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Keras för att skapa och träna ett faltningsneuralt nätverk.
• Använda datorseendetekniker för att identifiera körfält i ett autonomt körprojekt.
• Träna en djupinlärningsmodell för att särskilja trafikskyltar.
• Simulera en helt autonom bil.