Matlab for Deep Learning Träningskurs

Den här instruktörsledda, live-utbildningen i (online eller på plats) riktar sig till datavetare, maskininlärningsingenjörer och datorseendeforskare som vill utnyttja Stable Diffusion för att generera högkvalitativa bilder 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. Bygg och träna Stable Diffusion modeller för bildgenereringsuppgifter. Tillämpa Stable Diffusion på olika scenarier för bildgenerering, till exempel inpainting, outpainting och bild-till-bild översättning. Optimera prestanda och stabilitet för Stable Diffusion modeller.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare på medelnivå 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 djupinlärningsarkitekturer och tekniker för text-till-bild-generering. Implementera komplexa modeller och optimeringar för bildsyntes av hög kvalitet. Optimera prestanda och skalbarhet för stora datamängder och komplexa modeller. Justera hyperparametrar för bättre modellprestanda och generalisering. Integrera Stable Diffusion med andra ramar och verktyg för djupinlärning

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använda AlphaFold modeller som vägledning 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 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 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, 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 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:

• Sätt upp den nödvändiga utvecklingsmiljön för att börja utveckla neurala nätverksmodeller.
• Definiera och implementera neurala nätverksmodeller med hjälp av en begriplig källkod.
• Utför exempel och modifiera befintliga algoritmer för att optimera träningsmodeller för djupinlärning samtidigt som du utnyttjar GPUs för hög prestanda.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare eller datavetare som vill använda Horovod för att köra distribuerade djupinlärningsutbildningar och skala upp den för att köras över flera GPU:er parallellt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa den nödvändiga utvecklingsmiljön 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 accelerera maskininlärningsapplikationer i realtid och distribuera dem i stor skala.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera verktygslådan OpenVINO.
• Accelerera en datorseendeapplikation med en FPGA.
• Kör olika CNN-lager på FPGA.
• Skala programmet över flera noder i ett Kubernetes-kluster.

Denna instruktörsledda, liveutbildning i (online eller på plats) riktar sig till datavetare som vill använda Apache MXNet 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.
• Bygg ett konvolutionellt neuralt nätverk för bildklassificering.

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

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Keras.
• Prototypa snabbt modeller för djupinlärning.
• Implementera ett konvolutionerande nätverk.
• Implementera ett återkommande nätverk.
• Utför en djupinlärningsmodell på både en CPU och GPU.

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

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Keras för att bygga och träna ett konvolutionellt neuralt nätverk.
• Använd datorseendetekniker för att identifiera körfält i ett självkörande projekt.
• Träna en modell för djupinlärning för att skilja trafikskyltar åt.
• Simulera en helt autonom bil.

Denna instruktörsledda, liveutbildning 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 bygga modeller för djupinlärning för att lösa problem som involverar bilder, text, ljud och mer.

Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others.

In this instructor-led, live training, we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned.

By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects.

Format of the Course

• Overview of Machine and Deep Learning
• In-class coding and integration exercises
• Test questions sprinkled along the way to check understanding