Deep Learning Kurs i Stockholm

Denna instruktörsledda, live-utbildning i Stockholm (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 Stockholm (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.

Denna instruktörsledda, liveutbildning i Stockholm (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 Stockholm (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 Stockholm (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 i Stockholm (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill utnyttja AI-tekniker för att revolutionera processer för upptäckt och utveckling av läkemedel.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå AI:s roll i läkemedelsupptäckt och utveckling.
• Tillämpa maskininlärningstekniker för att förutsäga molekylära egenskaper och interaktioner.
• Använd djupinlärningsmodeller för virtuell screening och leadoptimering.
• Integrera AI-drivna metoder i den kliniska prövningsprocessen.

Denna instruktörsledda, liveträning i Stockholm (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 Stockholm (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 Stockholm (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 instruktörsledda, liveträning i Stockholm kommer deltagarna att lära sig de mest relevanta och banbrytande maskininlärningsteknikerna i Python när de bygger en serie demoapplikationer som involverar bild, musik, text och finansiella data.

I slutet av denna utbildning kommer deltagarna att kunna:

• Implementera maskininlärningsalgoritmer och tekniker för att lösa komplexa problem.
• Tillämpa djupinlärning och halvövervakad inlärning på program som involverar bild, musik, text och finansiella data.
• Pusha Python-algoritmerna till sin maximala potential.
• Använd bibliotek och paket som NumPy och Theano.

Denna instruktörsledda, liveutbildning i Stockholm (online eller på plats) riktar sig till utvecklare och datavetare som vill lära sig grunderna i Deep Reinforcement Learning när de går igenom skapandet av en Deep Learning Agent.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå nyckelbegreppen bakom Deep Reinforcement Learning och kunna skilja det från Machine Learning.
• Använd avancerade Reinforcement Learning algoritmer för att lösa verkliga problem.
• Bygg en Deep Learning Agent.

I denna instruktörsledda, live-utbildning i Stockholm 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.

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. 

This instructor-led, live training in Stockholm (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.

By the end of this training, participants will be able to:

• Understand and implement various Machine Learning algorithms.
• Prepare data and models for machine learning applications.
• Conduct post hoc analyses and visualize results effectively.
• Apply machine learning techniques to real-world, sector-specific scenarios.

Artificial Neural Network är en beräkningsmodell som används vid utvecklingen av Artificial Intelligence (AI) -system som kan utföra "intelligenta" uppgifter. Neural Networks används ofta i Machine Learning (ML) -applikationer, som själva är en implementering av AI. Deep Learning är en delmängd av ML.

Caffe är en djup inlärningsram skapad med uttryck, snabbhet och modularitet i åtanke.

Denna kurs undersöker tillämpningen av Caffe som ett djupet lärande ramverk för bildigenkänning med hjälp av MNIST som ett exempel

Publik

Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda Caffe som ramverk.

Efter avslutad kurs kommer deltagarna att kunna:

• förstå Caffe struktur och implementeringsmekanismer
• utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
• utvärdera kodkvalitet, utföra felsökning, övervakning
• implementera avancerad produktion som träningsmodeller, implementera lager och loggning

Denna instruktörsledda, liveträning i Stockholm (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.

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 Stockholm (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 Stockholm (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 Stockholm 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.

Den här instruktörsledda, liveutbildningen i Stockholm (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 i Stockholm (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 modell för bedrägeridetektion i Python och TensorFlow.
• Bygga linjära regressioner och linjära regressionsmodeller för att förutsäga bedrägeri.
• Utveckla en komplett AI-applikation för att analysera bedrägeridata.

Den här instruktörsledda, live-utbildningen i Stockholm (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.

Typ: Teoretisk utbildning med ansökningar som bestäms i förväg med eleverna på lasagne eller Keras beroende på pedagogisk grupp

Undervisningsform: presentation, utbyten och fallstudier

Artificiell intelligens, efter att ha stört många vetenskapliga områden, har börjat revolutionera ett stort antal ekonomiska sektorer (industri, medicin, kommunikation, etc.). Icke desto mindre är dess presentation i mainstream-media ofta en fantasi, långt ifrån vad fälten Machine Learning eller Deep Learning verkligen är. Syftet med denna utbildning är att ge ingenjörer som redan behärskar datorverktyg (inklusive grundläggande programvaruprogrammering) en introduktion till Deep Learning samt till dess olika specialiseringsområden och därmed till de viktigaste nätverksarkitekturerna som finns idag. Om grunderna i matematik återkallas under kursens gång rekommenderas en nivå av matematik av typen BAC+2 för mer komfort. Det är absolut möjligt att hoppa över den matematiska axeln för att bara behålla en "system"-vision, men detta tillvägagångssätt kommer i hög grad att begränsa din förståelse av ämnet.

Denna instruktörsledda, liveutbildning i Stockholm (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 instruktörsledda, liveträning kommer deltagarna att lära sig att använda Matlab för att designa, bygga och visualisera ett invändigt neuralt nätverk för bildigenkänning.

I slutet av denna träning kommer deltagarna att kunna:

• Bygg en djup inlärningsmodell
• Automatisera datamärkning
• Arbeta med modeller från Caffe och TensorFlow - Keras
• Träna data med hjälp av flera GPU er, molnet eller kluster

Publik

• utvecklare
• ingenjörer
• Domänexperter

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, praktiska utbildning i Stockholm (online eller på plats) riktar sig till yrkesverksamma på nybörjar- till intermediate nivå som vill utveckla sin förståelse för maskininlärningsalgoritmer, djupinlärningstekniker och AI-drivna beslutsprocesser. Kursen ger praktisk erfarenhet av koncept för maskininlärning, modeller för djupinlärning och praktiska implementationer med hjälp av R.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i maskininlärning och djupinlärning.
• Tillämpa olika maskininlärningsalgoritmer för regression, klassificering, klustring och anomalidetektion.
• Använda djupinlärningsarkitekturer som artificiella neurala nätverk (ANN).
• Implementera övervakade och oövervakade inlärningsmodeller.
• Utvärdera modellprestanda och optimera hyperparameterar.
• Använda R för dataanalys, visualisering och applikationer för maskininlärning.

Utbildningen riktar 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 Stockholm (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, liveträning, kommer deltagarna att lära sig hur man ställer in och använder OpenNMT att genomföra översättning av olika exempeldata. Kursen börjar med en översikt över neurala nätverk eftersom de gäller maskinöversättning. Deltagarna kommer att genomföra liveövningar under hela kursen för att visa sin förståelse för de lärda koncepten och få feedback från instruktören.

I slutet av denna utbildning kommer deltagarna att ha den kunskap och praxis som krävs för att implementera en Live OpenNMT lösning.

Prover av käll- och målspråk kommer att ordnas i enlighet med publikens krav.

Kursformat

• Delföreläsning, delvis diskussion, 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.

Denna kurs är en introduktion till tillämpning av neurala nätverk i verkliga problem med R-projektprogram.

Denna instruktörsledda, liveutbildning i Stockholm (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 Stockholm (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.

I denna instruktörsledda, liveutbildning i Stockholm (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 leverera olika Serving-modeller.
• Testa och distribuera algoritmer med en enda arkitektur och uppsättning API:er.
• Utöka Serving för att leverera andra typer av modeller utöver Serving-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 Stockholm (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 Stockholm 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.

TensorFlow™ är en öppen källkod programbibliotek för numerisk beräkning med hjälp av dataflödesgrafik.

SyntaxNet är ett neural-nätverk Natural Language Processing ram för TensorFlow.

Word2Vec används för att lära vektorrepresentationer av ord, kallas "word embeddings". Word2vec är en särskilt beräknings-effektiv prediktiv modell för att lära word embeddings från råtext. Det kommer i två smaker, den Kontinuösa Bag-of-Words modell (CBOW) och Skip-Gram modell (Kapitel 3.1 och 3.2 i Mikolov et al.)

Används i tandem, SyntaxNet och Word2Vec tillåter användare att generera Lärda Embedding modeller från Natural Language input.

Publiken

Kursen riktar sig till utvecklare och ingenjörer som avser att arbeta med SyntaxNet och Word2Vec-modeller i sina TensorFlow diagram.

Efter avslutad kurs kommer delegaterna att:

• förstå TensorFlow’s struktur och implementeringsmekanismer
• kunna utföra installation / produktionsmiljö / arkitektoniska uppgifter och konfiguration
• kunna bedöma kodkvalitet, utföra debugging, övervakning
• kunna genomföra avancerad produktion som utbildningsmodeller, inbäddningsvillkor, byggdiagram och logging

Denna kurs börjar med att ge dig konceptuell kunskap i neurala nätverk och generellt i maskininlärningsalgoritm, djupinlärning (algoritmer och applikationer).

Del-1 (40%) av denna utbildning är mer fokus på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denna utbildning introducerar Theano - ett pythonbibliotek som gör det enkelt att skriva djupa inlärningsmodeller.

Del-3 (40%) av utbildningen skulle i stor utsträckning baseras på Tensorflow - 2nd Generation API of Go ogles open source software bibliotek för Deep Learning . Exemplen och handson skulle alla göras i TensorFlow .

Publik

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

Efter avslutad kurs kommer delegaterna att:

• ha god förståelse för djupa neurala nätverk (DNN), CNN och RNN

• 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