TensorFlow Kurs i Stockholm

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.

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. 

I denna instruktörsledda, liveutbildning i Stockholm 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.

Denna instruktörledda, liveutbildning i Stockholm (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.

Denna instruktörsledda liveutbildning i Stockholm (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.

I detta 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.

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 Stockholm (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.

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

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