Deep Learning Kurs i Sverige

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.

Denna instruktörsledda, liveutbildning (online eller på plats) vänder sig till yrkesverksamma på avancerad nivå som vill fördjupa sin förståelse för datorseende och utforska TensorFlow’s förmåga att utveckla avancerade seendemodeller med hjälp av Google Colab.

Efter avslutad utbildning kommer deltagarna att kunna:

• Bygga och träna konvolutiva neurala nätverk (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbehandlingstekniker för datorseendesuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transferlärande för att förbättra CNN-modellers prestanda.
• Visualisera och tolka resultaten från bildklassifikationsmodeller.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till datavetenskapsmän och utvecklare på mellan nivå som vill förstå och tillämpa djupinlärningstekniker med hjälp av Google Colab-miljön.

Vid kursens slut kommer deltagarna att kunna:

• Installera och navigera i Google Colab för djupinlärningsprojekt.
• Förstå grunderna i neurala nätverk.
• Implementera djupinlärningsmodeller med TensorFlow.
• Träna och utvärdera djupinlärningsmodeller.
• Använda avancerade funktioner i TensorFlow för djupinlärning.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till proffs på avancerad nivå som vill specialisera sig på banbrytande djupinlärningstekniker för NLU.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de viktigaste skillnaderna mellan NLU- och NLP-modeller.
• Tillämpa avancerade djupinlärningstekniker på NLU-uppgifter.
• Utforska djupa arkitekturer som transformatorer och uppmärksamhetsmekanismer.
• Utnyttja framtida trender i NLU för att bygga sofistikerade AI-system.

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 ledarde, liveutbildning på Sverige (online eller på plats) riktar sig till avancerade yrkesverksamma som vill utnyttja AI-tekniker för att revolutionera processerna för läkemedelsupptäckt och utveckling.

Vid kursens slut kommer deltagarna att kunna:

• Förstå rollen för AI i läkemedelsupptäckt och utveckling.
• Tillämpa maskininlärningstekniker för att förutsäga molekylära egenskaper och interaktioner.
• Använda djupinlärningsmodeller för virtuell screening och ledoptimering.
• Integrera AI-drivna tillvägagångssätt i kliniska försöksprocessen.

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 nybörjare till mellannivå datavetare och maskininlärningsingenjörer som vill förbättra prestandan för sina djupinlärningsmodeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för distribuerad djupinlärning.
• Installera och konfigurera DeepSpeed.
• Skala djupinlärningsmodeller på distribuerad maskinvara med hjälp av DeepSpeed.
• Implementera och experimentera med DeepSpeed-funktioner för optimering och minneseffektivitet.

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till utvecklare på nybörjarnivå till mellannivå som vill använda stora språkmodeller för olika naturliga språkuppgifter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en utvecklingsmiljö som innehåller en populär LLM.
• Skapa en grundläggande LLM och finjustera den på en anpassad datauppsättning.
• Använd LLM:er för olika uppgifter på naturligt språk som textsammanfattning, frågesvar, textgenerering och mer.
• Felsök och utvärdera LLM:er med hjälp av verktyg som TensorBoard, PyTorch Lightning och Hugging Face Datasets.

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.

I denna instruktörsvetade, liveutbildning i Sverige, lär sig deltagarna de mest aktuella och framgångsrika maskininlärningsmetoderna i Python genom att bygga en serie demonstrationsapplikationer som innehåller bilder, musik, text och finansiell data.

När denna utbildning är avslutad kommer deltagarna kunna:

• Implementera maskininlärningsalgoritmer och tekniker för att lösa komplexa problem.
• Tillämpa djupinlärning och halvövervakad inlärning på applikationer som involverar bilder, musik, text och finansiell data.
• Utveckla Pythonalgoritmer till det maximala potentiella.
• Använd bibliotek och paket som NumPy och Theano.

I denna instruktörsledda, live-utbildning i Sverige kommer deltagarna att lära sig hur man implementerar djupinlärningsmodeller för telekom med hjälp av Python när de går igenom skapandet av en djupinlärningskreditriskmodell.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen inom djupinlärning.
• Lär dig tillämpningarna och användningen av djupinlärning inom telekom.
• Använd Python, Keras och TensorFlow för att skapa djupinlärningsmodeller för telekom.
• Skapa en egen modell för förutsägelse av kundomsättning med djupinlärning med hjälp av Python.

Den här kursen har skapats för chefer, lösningsarkitekter, innovationsansvariga, CTO:er, mjukvaruarkitekter och alla som är intresserade av en översikt över tillämpad artificiell intelligens och närmaste prognos för dess utveckling.

Denna kurs täcker AI (emphasizing Machine Learning och Deep Learning) i Automotive Industri. Det hjälper till att bestämma vilken teknik som kan (potentiellt) användas i flera situationer i en bil: från enkel automatisering, bildupplysning till självständigt beslutsfattande.

Denna handledare-ledna, live-träning i Sverige (online eller på plats) är riktad till nybörjarnivådeltagare som önskar lära sig grundläggande koncept inom sannolikhetsteori, statistik, programmering och maskininlärning, och tillämpa dessa på AI-utveckling.

Till slut av denna träning kommer deltagarna att kunna:

• Förstå grundläggande koncept inom sannolikhetsteori och statistik, och tillämpa dem i praktiska situationer.
• Skapa och förstå procedur-, funktions- och objektorienterad programmeringskod.
• Implementera maskininlärningstekniker som klassificering, klustrering och neurala nätverk.
• Utveckla AI-lösningar med hjälp av regelbaserade system och expertsystem för problemlösning.

Artificiellt neuralt nätverk är en beräkningsdatamodell som används vid utvecklingen av Artificial Intelligence (AI) system som kan utföra "intelligenta" uppgifter. Neural Networks används ofta i Machine Learning (ML) applikationer, som i sig är en implementering av AI. Deep Learning är en delmängd av ML.

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 genomförda utbildning, på plats eller online, riktar sig till datavetare och statistiker på mellannivå som vill förbereda data, bygga modeller och tillämpa maskininlärningstekniker effektivt i sina yrkesområden.

Vid kursens slut kommer deltagarna att kunna:

• Förstå och implementera olika Machine Learning algoritmer.
• Förbereda data och modeller för maskininlärningsapplikationer.
• Utföra post hoc- analyser och visualisera resultat effektivt.
• Tillämpa maskininlärningstekniker på verkliga, sektorspecifika scenarier.

Artificiella neurala nätverk är en datamodell som används för utveckling av artificiella intelligens (AI) system som kan utföra "intelligenta" uppgifter. Neurala nätverk används ofta i maskininlärnings (ML) applikationer, som i sin tur är en implementering av AI. Djuplärning är en underkategori av ML.

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.

Denna instruktörsledda, live-träning i Sverige (online eller på plats) ger en introduktion till området mönsterigenkänning och maskininlärning. Den berör praktiska tillämpningar inom statistik, datavetenskap, signalbehandling, datorseende, datagruvning och bioinformatik.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Använda grundläggande statistiska metoder för mönsterigenkänning.
• Använda nyckelmodeller som neurala nätverk och kärnmetoder för dataanalys.
• Implementera avancerade tekniker för komplicerat problemlösning.
• Förbättra prediktionsnoggrannhet genom att kombinera olika modeller.

Den här kursen är en allmän översikt för Deep Learning utan att gå för djupt in på några specifika metoder. Det är lämpligt för personer som vill börja använda djupinlärning för att förbättra sin förutsägelsenoggrannhet.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till forskare och utvecklare som vill installera, konfigurera, anpassa och använda DeepMind Lab-plattformen för att utveckla allmän artificiell intelligens och maskininlärningssystem.

I slutet av denna utbildning kommer deltagarna att kunna:

• Anpassa DeepMind Lab för att skapa och köra en miljö som passar inlärnings- och utbildningsbehov.
• Använd DeepMind Lab:s 3D-simuleringsmiljö för att träna utbildningsagenter i förstapersonsperspektiv.
• Underlätta agenternas utvärdering för att utveckla intelligens i en 3D-spelliknande värld.

Maskininlärning är en gren av artificiell intelligens där datorer har förmågan att lära sig utan att vara explicit programmerade. Djupinlärning är ett delområde inom maskininlärning som använder metoder baserade på inlärning, data, representationer och strukturer, såsom neurala nätverk.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till affärsanalytiker, datavetare och utvecklare som vill bygga och implementera djupinlärningsmodeller för att påskynda intäktstillväxten och lösa problem i affärsvärlden.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen inom maskininlärning och djupinlärning.
• Få insikter om framtiden för företag och industri med ML och DL.
• Definiera affärsstrategier och lösningar med djupinlärning.
• Lär dig hur du använder datavetenskap och djupinlärning för att lösa affärsproblem.
• Skapa djupinlärningsmodeller med hjälp av Python, Pandas, TensorFlow, CNTK, Torch, Keras osv.

Maskininlärning är en gren av artificiell intelligens där datorer har förmågan att lära sig utan att vara explicit programmerade. Djupinlärning är ett delområde inom maskininlärning som använder metoder baserade på inlärning, data, representationer och strukturer, såsom neurala nätverk. Python är ett programmeringsspråk på hög nivå som är känt för sin tydliga syntax och kodläsbarhet.

I denna instruktörsledda, live-utbildning kommer deltagarna att lära sig hur man implementerar djupinlärningsmodeller för bankverksamhet med hjälp av Python när de går igenom skapandet av en djupinlärningskreditriskmodell.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen inom djupinlärning
• Lär dig tillämpningarna och användningen av djupinlärning inom bankväsendet
• Använd Python, Keras och TensorFlow för att skapa djupinlärningsmodeller för banktjänster
• Skapa en egen kreditriskmodell för djupinlärning med hjälp av Python

Publik

• Utvecklare
• Datavetare

Kursens upplägg

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

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig använda Python-bibliotek för NLP när de skapar ett program som bearbetar en samling bilder och genererar beskrivningar.

Till slut av utbildningen kommer deltagarna att kunna:

• Utforma och programmera djupinlärning för NLP med Python-bibliotek.
• Skapa Python-kod som läser in en stort antal bilder och genererar nyckelord.
• Skapa Python-kod som genererar beskrivningar från de identifierade nyckelorden.

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.

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 instruktörledda, liveutbildning i Sverige (online eller på plats) är riktad till dataanalytiker som vill använda TensorFlow för att analysera potentiella bedrägeridata.

När utbildningen är avslutad kommer deltagarna kunna:

• Skapa en bedrägeridetekteringsmodell i Python och TensorFlow.
• Bygga linjära regressions- och linjära regressionsmodeller för att förutsäga bedrägerier.
• Utveckla ett slut-i-slut AI-program för att analysera bedrägeridata.

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.

I denna handledningsledda, live-träning kommer deltagarna att lära sig hur man använder Matlab för att designa, bygga och visualisera ett konvolutionsnätverk för bildigenkänning.

Till slutet av detta träningsprogram kommer deltagarna att kunna:

• Bygga en djupinlärningsmodell
• Autmatta dataetikettering
• Arbeta med modeller från Caffe och TensorFlow-Keras
• Traffa data med flera GPU:er, molnet eller kluster

Målgrupp

• Utvecklare
• Ingenjörer
• Fackexperts

Kursens struktur

• Del föreläsning, del diskussion, övningar och mycket praktiskt arbete

Denna instruktörsvägleda, liveutbildning i Sverige (online eller på plats) är riktad till nybörjare och mellannivåprofessionella som vill utvecka sin förståelse för maskininlärningsalgoritmer, djupinlärningstekniker och AI-driven beslutsfattande. Kursen ger praktisk erfarenhet av maskininlärningskoncept, djupinlärningsmodeller och praktiska implementeringar med R.

När kursen är avslutad kommer deltagarna att kunna:

• Förstå grunderna i maskininlärning och djupinlärning.
• Använda olika maskininlärningsalgoritmer för regression, klassificering, klusteranalys och anomalidetektion.
• Använda djupinlärningsarkitekturer som artificiella neurala nätverk (ANNs).
• Implementera övervakade och oövervakade inlärningsmodeller.
• Beräkna modellens prestanda och optimera hyperparametrar.
• Använda R för dataanalys, visualisering och maskininlärningsprogram.

Utbildningen vänder sig till personer som vill lära sig grunderna i neurala nätverk och deras tillämpningar.

Denna klassrumsbaserade träning kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar att genomföra med relevanta neurala och djupa nätverksbibliotek

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till mjukvaruingenjörer som vill programmera i Python med OpenCV 4 för djupinlärning.

I slutet av denna utbildning kommer deltagarna att kunna:

• Visa, ladda och klassificera bilder och videor med hjälp av OpenCV 4.
• Implementera djupinlärning i OpenCV, 4 med TensorFlow och Keras.
• Kör djupinlärningsmodeller och generera effektfulla rapporter från bilder och videor.

OpenFace är Python och Torch baserad på ansiktsigenkänningsprogramvara med öppen källkod i realtid baserad på Googles FaceNet-forskning.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder OpenFaces komponenter för att skapa och distribuera ett exempel på ansiktsigenkänningsapplikation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Arbeta med OpenFace-komponenter, inklusive dlib, OpenVC, Torch och nn4 för att implementera ansiktsigenkänning, justering och transformation
• Använd OpenFace på verkliga applikationer som övervakning, identitetsverifiering, virtuell verklighet, spel och identifiering av återkommande kunder, etc.

Publik

• Utvecklare
• Datavetare

Kursens upplägg

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

I denna instruktörsledda, live-utbildning kommer deltagarna att lära sig avancerade tekniker för Machine Learning med R när de går igenom skapandet av en verklig applikation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå och implementera oövervakade inlärningstekniker
• Tillämpa klustring och klassificering för att göra förutsägelser baserade på verkliga data.
• Visualisera data för att snabbt få insikter, fatta beslut och ytterligare förfina analysen.
• Förbättra prestandan för en maskininlärningsmodell med hjälp av hyperparameterjustering.
• Sätt en modell i produktion för användning i en större applikation.
• Använd avancerade maskininlärningstekniker för att svara på frågor som involverar sociala nätverksdata, big data och mer.

Den här kursen är en introduktion till att använda neurala nätverk för att lösa verkliga problem med R-projektprogramvaran.

Denna instruktörsledda liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och dataanalytiker som vill använda TensorFlow 2.x för att bygga prediktionsmodeller, klassificerare, generativa modeller, neuronnätverk osv.

När denna utbildning är avslutad kommer deltagarna att kunna:

• Installera och konfigurera TensorFlow 2.x.
• Förstå fördelarna med TensorFlow 2.x över tidigare versioner.
• Bygga djupinlärningsmodeller.
• Implementera en avancerad bildklassificering.
• Distribuera en djupinlärningsmodell till molnet, mobil och IoT-enheter.

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.

I detta 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.

När utbildningen är avslutad kommer deltagarna att kunna:

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

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

Denna instruktörsgenvärdiga, liveutbildning i Sverige (online eller på plats) riktas till data vetenskapsmän som vill gå från att tränare en ensam ML-modell till att distribuera flera ML-modeller i produktion.

När denna utbildning är avslutad kommer deltagarna att kunna:

• Installera och konfigurera TFX och kompletterande tredjepartsverktyg.
• Använda TFX för att skapa och hantera en komplett ML-produktionspipeline.
• Arbeta med TFX-komponenter för att utföra modellering, träningspass, servning av inferens och hantering av distributioner.
• Distribuera maskininlärningsfunktioner till webbapplikationer, mobilapplikationer, IoT-enheter och mer.

I denna ledda utbildning på plats kommer deltagarna att lära sig hur de kan dra nytta av innovationerna i TPU-processorer för att maximera prestandan i sina egna AI-applikationer.

Vid slutet av utbildningen kommer deltagarna att kunna:

• Träna olika typer av neuronnätverk på stora mängder data.
• Använda TPUer för att accelerera inferensprocessen med upp till två storleksordningar.
• Använda TPUer för att bearbeta krävande applikationer som bildsökning, cloud vision och foto.

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

Denna kurs börjar med att ge dig konceptuell kunskap om neuronnät och generellt om maskininlärningsalgoritmer, djupinlärning (algoritmer och tillämpningar).

Del 1 (40%) av detta träningsprogram fokuserar mer på grunderna men kommer att hjälpa dig att välja rätt teknologi: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Del 2 (20%) av detta träningsprogram introducerar Theano - en Python-bibliotek som gör det enkelt att skriva djupinlärningsmodeller.

Del 3 (40%) av träningsprogrammet kommer att baseras utökat på TensorFlow - Googles öppen källkodsbiblioteks andra generations API för djupinlärning. Exemplen och praktiska övningar kommer alla att göras i TensorFlow.

Målgrupp

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

Efter att ha slutfört denna kurs kommer deltagarna att:

• kunna förstå djupa neuronnät (DNN), CNN och RNN

• förstå TensorFlow:s struktur och distributionmekanismer

• kunna utföra installationsuppgifter, produktionssmiljö / arkitekturuppgifter och konfiguration

• kunna utvärdera kodkvalitet, felsökning, övervakning

• kunna implementera avancerad produktion som träningsmodeller, bygga grafer och loggning