Cursuri de pregatire DeepMind Lab

H2O AutoML is an artificial intelligence platform that automates the process of building, selecting and optimizing large numbers of machine learning models.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use H2O AutoML to automate the process of building and selecting the best machine learning algorithm and parameters.

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

• Automate the machine learning workflow.
• Automatically train and tune many machine learning models within a specified time range.
• Train stacked ensembles to arrive at highly predictive ensemble models.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează practicienilor în domeniul învățării automate care doresc să utilizeze Auto-sklearn pentru a automatiza procesul de selectare și optimizare a unui model de învățare automată.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Automatizați procesul de instruire a modelelor de învățare automată foarte eficiente.
• Construiți modele de învățare automată foarte precise, ocolind în același timp sarcinile mai plictisitoare de selectare, instruire și testare a diferitelor modele.
.
• Utilizați puterea învățării automate pentru a rezolva probleme de afaceri din lumea reală.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează atât oamenilor de știință din domeniul datelor, cât și persoanelor mai puțin tehnice care doresc să utilizeze Auto-Keras pentru a automatiza procesul de selectare și optimizare a unui model de învățare automată.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Automatizați procesul de instruire a modelelor de învățare automată foarte eficiente.
• Cercetați automat cei mai buni parametri pentru modelele de învățare profundă.
.
• Construiți modele de învățare automată foarte precise.
.
• Utilizați puterea învățării automate pentru a rezolva probleme de afaceri din lumea reală.
.

Această instruire live (online sau la fața locului), condusă de un instructor, se adresează oamenilor de știință, inginerilor de învățare automată și cercetătorilor în domeniul vederii computerizate care doresc să utilizeze Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

Înțelegerea principiilor Stable Diffusion și a modului în care funcționează pentru generarea de imagini. Să construiască și să antreneze modele Stable Diffusion pentru sarcini de generare de imagini. Să aplice Stable Diffusion în diverse scenarii de generare a imaginilor, cum ar fi inpainting, outpainting și translația imagine-imagine. Optimizarea performanțelor și a stabilității modelelor Stable Diffusion.

Această formare live condusă de un instructor în România (online sau la fața locului) se adresează oamenilor de știință ai datelor de nivel mediu până la avansat, inginerilor de învățare automată, cercetătorilor în învățarea profundă și experților în viziunea computerizată care doresc să-și extindă cunoștințele și abilitățile în învățarea profundă. pentru generarea text-to-image.

Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți arhitecturile și tehnicile avansate de deep learning pentru generarea text-to-image. Implementați modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate. Optimizați performanța și scalabilitatea pentru seturi de date mari și modele complexe. Reglați hiperparametrii pentru o performanță mai bună a modelului și o generalizare. Integrați Stable Diffusion cu alte cadre și instrumente de deep learning

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează biologilor care doresc să înțeleagă cum funcționează AlphaFold și să utilizeze modelele AlphaFold ca ghid în studiile lor experimentale.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Înțelegeți principiile de bază ale AlphaFold.
.
• Învățați cum funcționează AlphaFold.
.
• Învățați cum să interpretați predicțiile și rezultatele AlphaFold.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor care doresc să utilizeze TensorFlow Lite pentru a implementa modele de învățare profundă pe dispozitive integrate.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați Tensorflow Lite pe un dispozitiv încorporat.
• Înțelegeți conceptele și componentele care stau la baza TensorFlow Lite.
.
• Convertiți modelele existente în formatul TensorFlow Lite pentru a fi executate pe dispozitive încorporate.
• Lucrați în limitele dispozitivelor mici și ale TensorFlow Lite, învățând în același timp cum să extindeți domeniul de aplicare al operațiunilor care pot fi executate.
.
• Dezvoltați un model de învățare profundă pe un dispozitiv încorporat care rulează Linux.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor care doresc să utilizeze TensorFlow Lite pentru a dezvolta aplicații mobile cu capacități de învățare profundă.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați TensorFlow Lite.
.
• Înțelegeți principiile din spatele TensorFlow, învățarea mașinilor și învățarea profundă.
.
• Încărcați modele TensorFlow pe un dispozitiv Android.
.
• Activați funcționalități de învățare profundă și de învățare automată, cum ar fi viziunea computerizată și recunoașterea limbajului natural într-o aplicație mobilă.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează inginerilor care doresc să scrie, să încarce și să ruleze modele de învățare automată pe dispozitive integrate foarte mici.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați TensorFlow Lite.
• Încărcați modele de învățare automată pe un dispozitiv încorporat pentru a-i permite să detecteze vorbirea, să clasifice imagini etc.
.
• Adaugați inteligența artificială la dispozitivele hardware fără a vă baza pe conectivitatea de rețea.
.

Acest curs de formare live (online sau la fața locului), condus de un instructor, se adresează dezvoltatorilor care doresc să utilizeze TensorFlow Lite pentru a dezvolta aplicații mobile iOS cu capacități de învățare profundă.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați TensorFlow Lite.
.
• Înțelegeți principiile din spatele TensorFlow și învățarea mașinilor pe dispozitive mobile.
.
• Încărcați modele TensorFlow pe un dispozitiv iOS.
.
• Executați o aplicație iOS capabilă să detecteze și să clasifice un obiect capturat prin camera dispozitivului.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează cercetătorilor și dezvoltatorilor care doresc să utilizeze Chainer pentru a construi și antrena rețele neuronale în Python, făcând în același timp codul ușor de depanat.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Setați mediul de dezvoltare necesar pentru a începe să dezvoltați modele de rețele neuronale.
.
• Definiți și implementați modele de rețele neuronale utilizând un cod sursă inteligibil.
.
• Executați exemple și modificați algoritmii existenți pentru a optimiza modelele de formare a învățării profunde, utilizând în același timp GPUs pentru performanțe ridicate.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor sau oamenilor de știință care doresc să utilizeze Horovod pentru a rula instruiri distribuite de învățare profundă și să le extindă pentru a rula pe mai multe GPU în paralel.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Setați mediul de dezvoltare necesar pentru a începe să rulați antrenamente de învățare profundă.
• Instalați și configurați Horovod pentru a antrena modele cu TensorFlow, Keras, PyTorch și Apache MXNet.
.
• Scaleți instruirea de învățare profundă cu Horovod pentru a rula pe mai multe GPU.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează cercetătorilor de date care doresc să accelereze aplicațiile de învățare automată în timp real și să le implementeze la scară largă.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați setul de instrumente OpenVINO.
.
• Accelerați o aplicație de viziune computerizată folosind un FPGA.
.
• Executați diferite straturi CNN pe FPGA.
.
• Scaleți aplicația pe mai multe noduri într-un cluster Kubernetes.
.

Această instruire live (online sau la fața locului), condusă de un instructor, se adresează cercetătorilor de date care doresc să utilizeze Apache MXNet's pentru a construi și implementa un model de învățare profundă pentru recunoașterea imaginilor.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați Apache MXNet și componentele sale.
.
• Înțelegeți arhitectura și structurile de date MXNet's.
.
• Utilizați Apache MXNet's low-level și high-level API-uri pentru a construi eficient rețele neuronale.
.
• Construiți o rețea neuronală convoluțională pentru clasificarea imaginilor.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează persoanelor tehnice care doresc să aplice modelul de învățare profundă la aplicațiile de recunoaștere a imaginilor.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați Keras.
.
• Prototipul rapid al modelelor de învățare profundă.
.
• Implementați o rețea convoluțională.
.
• Implementați o rețea recurentă.
.
• Executați un model de învățare profundă atât pe un CPU cât și pe GPU.