Neural Networks Fundamentals using TensorFlow as Example Träningskurs

Detta är en 4-dagars kurs som introducerar AI och dess tillämpning. Det finns möjlighet att få en extra dag för att genomföra ett AI-projekt efter avslutad kurs. 

Denna instruktörsledda, live-utbildning i Sverige (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill fördjupa sin förståelse för datorseende och utforska TensorFlow:s möjligheter att utveckla sofistikerade synmodeller med hjälp av Google Colab.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa och träna faltningsneurala nätverk (CNN) med hjälp av TensorFlow.
• Utnyttja Google Colab för skalbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbehandlingstekniker för datorseendeuppgifter.
• Distribuera modeller för visuellt innehåll för verkliga program.
• Använd överföringsinlärning för att förbättra prestandan för CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare och utvecklare på mellannivå som vill förstå och tillämpa djupinlärningstekniker med hjälp av Google Colab-miljön.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera och navigera Gogogo Colab för djupinlärningsprojekt.
• Förstå grunderna i neurala nätverk.
• Implementera djupinlärningsmodeller med hjälp av TensorFlow.
• Träna och utvärdera djupinlärningsmodeller.
• Använd avancerade funktioner i TensorFlow för djupinlärning.

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig att använda Python bibliotek för NLP när de skapar en applikation som bearbetar en uppsättning bilder och genererar bildtexter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Designa och koda DL för NLP med hjälp av Python bibliotek.
• Skapa Python kod som läser en mycket stor samling bilder och genererar nyckelord.
• Skapa Python Kod som genererar bildtexter från de upptäckta sökorden.

Publik

Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda tillgängliga verktyg (mestadels öppen källkod) för att analysera datorbilder

Kursen ger fungerande exempel.

Embedding Projector är en webbapplikation med öppen källkod för att visualisera data som används för att träna maskininlärningssystem. Den skapades av Google och är en del av TensorFlow.

Denna instruktörsledda, liveutbildning introducerar koncepten bakom Embedding Projector och vägleder deltagarna genom installationen av ett demoprojekt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Utforska hur data tolkas av maskininlärningsmodeller
• Navigera genom 3D- och 2D-vyer av data för att förstå hur en maskininlärningsalgoritm tolkar dem
• Förstå begreppen bakom inbäddningar och deras roll i att representera matematiska vektorer för bilder, ord och siffror.
• Utforska egenskaperna för en specifik inbäddning för att förstå en modells beteende
• Tillämpa inbäddningsprojekt på verkliga användningsfall, till exempel att skapa ett låtrekommendationssystem för musikälskare

Publik

• Utvecklare
• Datavetare

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare som vill använda TensorFlow för att analysera potentiella bedrägeridata.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa en bedrägeriupptäcktsmodell i Python och TensorFlow.
• Bygg linjära regressioner och linjära regressionsmodeller för att förutsäga bedrägeri.
• Utveckla en heltäckande AI-applikation för att analysera bedrägeridata.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till ett OpenShift lokalt eller hybridmoln.

• I slutet av denna utbildning kommer deltagarna att kunna:
• Installera och konfigurera Kubernetes och Kubeflow på ett OpenShift-kluster.
• Använd OpenShift för att förenkla arbetet med att initiera ett Kubernetes-kluster.
• Skapa och distribuera en Kubernetes pipeline för att automatisera och hantera ML-modeller i produktion.
• Träna och distribuera TensorFlow ML-modeller över flera GPUs och datorer som körs parallellt.
• Anropa offentliga molntjänster (t.ex. AWS-tjänster) inifrån OpenShift för att utöka ett ML-program.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill använda Tensorflow 2.x för att bygga prediktorer, klassificerare, generativa modeller, neurala nätverk och så vidare.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera TensorFlow 2.x.
• Förstå fördelarna med TensorFlow 2.x jämfört med tidigare versioner.
• Bygg modeller för djupinlärning.
• Implementera en avancerad bildklassificerare.
• Implementera en modell för djupinlärning till molnet, mobila och IoT-enheter.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare som vill använda TensorFlow.js för att identifiera mönster och generera förutsägelser genom maskininlärningsmodeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Bygg och träna maskininlärningsmodeller med TensorFlow.js.
• Kör befintliga maskininlärningsmodeller i webbläsaren eller under Node.js.
• Träna om redan existerande maskininlärning med hjälp av anpassade data.

I denna instruktörsledda, liveutbildning i Sverige (online eller på plats) kommer deltagarna att lära sig hur man konfigurerar och använder TensorFlow Serving för att distribuera och hantera ML-modeller i en produktionsmiljö.

I slutet av denna utbildning kommer deltagarna att kunna:

• Träna, exportera och serva olika TensorFlow-modeller.
• Testa och distribuera algoritmer med en enda arkitektur och uppsättning API:er.
• Utöka TensorFlow Serving för att tjäna andra typer av modeller utöver TensorFlow-modeller.

TensorFlow är ett 2: a generationens API för Go ogles öppna källkodsbibliotek för Deep Learning . Systemet är utformat för att underlätta forskning inom maskininlärning och för att göra det snabbt och enkelt att övergå från forskningsprototyp till produktionssystem.

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för sina Deep Learning projekt

Efter avslutad kurs kommer delegaterna att:

• förstå TensorFlow struktur och distributionsmekanismer
• kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, utföra felsökning, övervakning
• kunna implementera avancerad produktion som träningsmodeller, bygga grafer och logga

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

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för TensorFlow

Efter avslutad kurs kommer deltagarna att kunna:

• förstå TensorFlow struktur och distributionsmekanismer
• utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
• utvärdera kodkvalitet, utföra felsökning, övervakning
• implementera avancerad produktion som träningsmodeller, bygga grafer och logga

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare som vill gå från att träna en enda ML-modell till att distribuera många ML-modeller till produktion.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera TFX och stödjande verktyg från tredje part.
• Använd TFX för att skapa och hantera en komplett ML-produktionspipeline.
• Arbeta med TFX-komponenter för att utföra modellering, utbildning, servering av slutledningar och hantering av distributioner.
• Implementera maskininlärningsfunktioner till webbapplikationer, mobilapplikationer, IoT-enheter och mer.

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig hur man drar fördel av innovationerna i TPU-processorer för att maximera prestandan för sina egna AI-applikationer.

I slutet av utbildningen kommer deltagarna att kunna:

• Träna olika typer av neurala nätverk på stora mängder data.
• Använd TPU:er för att påskynda slutledningsprocessen med upp till två storleksordningar.
• Använd TPU:er för att bearbeta intensiva applikationer som bildsökning, molnvision och foton.