Deep Learning Kurs i Uppsala

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 i Uppsala (online eller på plats) riktar sig till avancerade professionella som önskar fördjupa sin förståelse av datorseende och utforska TesnorsFlows möjligheter att utveckla sofistikerade visningsmodeller med hjälp av Google Colab.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Bygga och träna konvolutionella neuronnät (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalarbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbearbetningsmetoder för datorseendeuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transfer learning för att förbättra prestandan på CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

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 Uppsala (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 Uppsala (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill utforska toppmoderna XAI-tekniker för djupinlärningsmodeller, med fokus på att bygga tolkningsbara AI-system.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med förklarbarhet inom djupinlärning.
• Implementera avancerade XAI-tekniker för neurala nätverk.
• Tolka beslut som fattas av djupinlärningsmodeller.
• Utvärdera kompromisserna mellan prestanda och transparens.

Denna instruktörsledda, liveutbildning i Uppsala (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 Uppsala (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, levande utbildning i Uppsala (online eller på plats) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använda AlphaFolds modeller som underlag i deras experimentella studier.

När du har genomfört utbildningen kommer du att kunna:

• Förstå de grundläggande principerna bakom AlphaFold.
• Lära dig hur AlphaFold fungerar.
• Lära dig att tolka AlphaFolds prediktioner och resultat.

Denna instruktörsledda, liveträning i Uppsala (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 dataforskare, maskininlärningsingenjörer och forskare inom datorsyn som vill använda Stable Diffusion för att skapa högkvalitativa bilder för en mängd olika användningsfall.

Vid slutet av utbildningen kommer deltagarna att kunna:

• Förstå principerna för Stable Diffusion och hur den fungerar för bildgenerering.
• Bygga 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 hos Stable Diffusion-modeller.

I denna instruktörsvetade, liveutbildning i Uppsala, 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.

Tillämpad AI från grunden i Python ger programmerare och dataanalytiker de grundläggande teknikerna för att bygga maskininlärningslösningar från grunden med Python. Den täcker kärnprinciperna för övervakad inlärning inom klassificering och regression, oövervakad inlärning inom clustering och avvikelsedetektering samt avancerade arkitekturer för neurala nätverk. Boken undersöker beprövade metoder för arbete med scikit-learn, Apache Spark MLlib och Jupyter-notböcker för praktisk AI-utveckling. Den hjälper yrkesverksamma att implementera praktiska ML-modeller, utvärdera algoritmers begränsningar och slutföra tillämpade projekt för lösa verkliga problem.

Deep Reinforcement Learning (DRL) kombinerar förstärkning av inlärningsprinciper med djupinlärningsarkitekturer för att låta agenter fatta beslut genom interaktion med sin omgivning. Det ligger till grund för många moderna AI-framsteg såsom självkörande fordon, robotstyrning, algoritmisk handel och adaptiva rekommendationssystem. DRL låter en artificiell agent lära sig strategier, optimera policys och fatta självständiga beslut baserat på försök och fel med hjälp av belöningsbaserat lärande.

Denna ledarledda, live-träning (online eller på plats) riktar sig till utvecklare och dataforskare på mellan-nivå som vill lära sig och tillämpa Deep Reinforcement Learning-tekniker för att bygga intelligenta agenter som kan fatta självständiga beslut i komplexa miljöer.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå de teoretiska grunderna och matematiska principerna för Reinforcement Learning.
• Implementera nyckel RL-algoritmer inklusive Q-Learning, Policy Gradients och Actor-Critic-metoder.
• Bygga och träna Deep Reinforcement Learning-agenter med TensorFlow eller PyTorch.
• Tillämpa DRL på praktiska applikationer som spel, robotik och beslutsoptimering.
• Felsöka, visualisera och optimera träningsprestanda med moderna verktyg.

Format för Kursen

• Interaktiv föreläsning och vägledd diskussion.
• Hands-on-övningar och praktiska implementeringar.
• Live-kodningsdemonstrationer och projektbaserade tillämpningar.

Kursanpassningsalternativ

• För att begära en anpassad version av denna kurs (t.ex. med PyTorch istället för TensorFlow), kontakta oss för att ordna.

Genom att utforska grunderna i artificiell intelligens framgår hur intelligent teknik omvandlar digital strategi, automatisering och beslutsfattande inom enterprise-verksamheter. Kursen behandlar centrala begrepp som AI:s historia, ramverk för problemlösning, kunskapsrepresentation, resonemang vid osäkerhet och inlärningsparadigm, samt kommunikation, perception och autonom handling. Den vägleder chefer och arkitekter att utvärdera möjligheter till AI-driven transformation, bedöma nya tekniktrend och integrera praktiska intelligenta lösningar för att öka företagets agilitet.

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.

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.

Denna instruktörsledda, live-träning i Uppsala (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.

Denna instruktörledda, liveutbildning i Uppsala (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.

I denna handledare-ledda, direkta utbildning kommer deltagarna att lära sig hur man använder Matlab för att designa, bygga och visualisera ett konvolutionsnätnätverk (CNN) för bildigenkänning.

I slutet av denna utbildning kommer deltagarna att kunna:

• Bygga ett djupinlärningsmodell
• Automatisera datamärkning
• Arbeta med modeller från Caffe och TensorFlow-Keras
• Träna data med flera GPU:er, molnet eller kluster

Publik

• Utvecklare
• Ingenjörer
• Domänexperter

Kursform

• Delvis föreläsning, delvis diskussion, övningar och omfattande praktiska moment

Denna instruktörsledda liveutbildning i Uppsala (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.

Detta kurs ger dig begreppskunskap inom neuronnät och generellt inom maskininlärningsalgoritmer, djupinlärning (algoritmer och tillämpningar).

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

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

Del 3 (40%) av träningsprogrammet baserar sig på TensorFlow - API för Googles öppen källkodsbibliotek för djupinlärning. Exemplen och praktiska delarna kommer att göras i TensorFlow.

Målgrupp

Denna kurs är tänkt för tekniker som vill använda TensorFlow för sina djupinlärningsprojekt

Efter att ha avslutat denna kurs kommer deltagarna att:

• ha en bra förståelse för djupinlärningsnätverk (DNN), CNN och RNN
• förstå TensorFlow:s struktur och distributionsmekanismer
• kunna utföra installations-, produktionsmiljö-, arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, genomföra felsökning, övervakning
• kunna implementera avancerade produktionsscenarier som träning av modeller, bygga grafer och loggning