Cursuri de pregatire Deep Learning cu TensorFlow 2

Acesta este un curs de 4 zile care prezintă inteligența artificială și aplicarea acesteia. Există opțiunea de a avea o zi suplimentară pentru a întreprinde un proiect AI la finalizarea acestui curs.

Această instruire live, condusă de un instructor în România (online sau prezent), se adresează profesionistilor la nivel avansat care doresc să-și adâncească înțelegerea computer vision și să exploreze capacitățile TensorFlow pentru dezvoltarea modelelor sofisticate de vizionare folosind Google Colab.

La finalul acestei instruire, participanții vor putea:

• Construi și antrena rețele neuronale convozionale (CNNs) folosind TensorFlow.
• Folosi Google Colab pentru dezvoltarea modelului pe cloud în mod scalabil și eficient.
• Implementa tehnicii de preprocesare a imaginilor pentru sarcinile de computer vision.
• Implementa modele de computer vision pentru aplicații din lumea reală.
• Folosi transferul de învățare pentru a îmbunătăți performanța modelelor CNN.
• Visualiza și interpreteaza rezultatele modelelor de clasificare a imaginilor.

Acest training interactiv în timp real (prescurtat sau online) este destinat specialistilor intermediați în domeniul datelor și dezvoltatorilor care doresc să înțeleagă și să aplique tehnici de învățare profundă folosind mediul Google Colab.

La sfârșitul acestui training, participanții vor putea:

• Setați și navigați prin Google Colab pentru proiectele de învățare profundă.
• Înțelege fundamentele rețelelor neuronale.
• Implementați modele de învățare profundă folosind TensorFlow.
• Antrenați și evaluați modelele de învățare profundă.
• Utilizați funcțiile avansate ale TensorFlow pentru învățarea profundă.

În această instruire live, condusă de un instrutor, participanții vor învăța să folosească biblioteci Python pentru NLP, creând o aplicație care procesează un set de imagini și generează legende.

La finalul acestei instruirilor, participanții vor putea:

• Proiecta și codifica DL pentru NLP folosind biblioteci Python.
• Crea cod Python care citește o colecție substanțială de imagini și generează cuvinte cheie.
• Crea cod Python care generează legende din cuvintele cheie detectate.

Audiență

Acest curs este potrivit pentru cercetătorii și inginerii de Deep Learning interesați să folosească instrumente disponibile (în majoritate open source) pentru analiza imaginilor pe computer.

Cursul oferă exemple practice de lucru.

Acest instruire condusă de instrucționist, live în România (online sau în locațiune), este destinată științistilor de date care doresc să folosească TensorFlow pentru analiza datelor potențial frauduloase.

La finalul acestei instruirii, participanții vor putea:

• Crea un model de detectare a fraudei în Python și TensorFlow.
• Construi regresii liniare și modele de regresie liniară pentru a prezice frauda.
• Dezvolta o aplicație AI end-to-end pentru analiza datelor frauduloase.

În acest antrenament instruit de instructor, live România (online sau la fața locului), participanții vor învăța cum să configureze și să folosească TensorFlow Serving pentru a implementa și gestiona modele ML într-un mediu de producție.

La sfârșitul acestui antrenament, participanții vor putea:

• Învăța, exporta și servi diverse modele TensorFlow.
• Testa și implementa algoritmi folosind o singură arhitectură și set de API-uri.
• Extinde TensorFlow Serving pentru a servi alte tipuri de modele în afară de modelele TensorFlow.

TensorFlow este o API de generația a doua a bibliotecii software open source Google pentru Învățarea Profundă. Sistemul este conceput pentru a facilita cercetarea în învățare automată și pentru a permite o tranziție rapidă și ușoară de la prototipul de cercetare la sistemul de producție.

Audiență

Acest curs este destinat inginerilor care doresc să folosească TensorFlow în proiectele lor de Învățare Profundă

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să efectueze sarcini de instalare / configurare a mediului de producție / arhitectură și configurare
• să evalueze calitatea codului, să efectueze depistarea erorilor și monitorizarea
• să implementeze tehnici avansate de producție precum antrenarea modelelor, construirea graficelor și registrarea evenimentelor

Acest curs explorează, cu exemple specifice, aplicarea Tensor Flow în scopul recunoașterii imaginilor

Public țintă

Acest curs este destinat inginerilor care doresc să utilizeze TensorFlow pentru scopurile de Recunoaștere a Imaginilor

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să efectueze sarcini de instalare / configurare a mediului de producție / arhitecturii
• să evalueze calitatea codului, să execute depanarea și monitorizarea
• să implementeze procese avansate precum instruirea modelelor, construirea graficelor și înregistrarea

Această instruire condusă de un instrutor, live (online sau local), se adresează cercetătorilor științifici ai datelor care doresc să treacă de la antrenarea unui singur model ML la implementarea multor modele ML în producție.

La finalul acestei instruirile, participanții vor putea:

• Instala și configura TFX și instrumentele terțe de susținere.
• Folosi TFX pentru a crea și gestiona o conductă de lucru ML completă în producție.
• Lucra cu componentele TFX pentru a realiza modelarea, antrenamentul, servirea inferinței și gestionarea implementărilor.
• Implementa funcții de machine learning în aplicații web, mobile, dispozitive IoT și multe altele.

TensorFlow™ este o bibliotecă de software open source pentru calcul numeric folosind grafice de flux de date.

SyntaxNet este un cadru de procesare a limbajului natural bazat pe rețele neuronale pentru TensorFlow.

Word2Vec se folosește pentru învățarea reprezentărilor vectoriale ale cuvintelor, numite "embedding-uri de cuvinte". Word2vec este un model predictiv eficient din punct de vedere computational pentru învățarea embedding-urilor de cuvinte din textul brut. Există două variante, modelul Continuous Bag-of-Words (CBOW) și modelul Skip-Gram (Capitolele 3.1 și 3.2 în Mikolov et al.).

Folosite împreună, SyntaxNet și Word2Vec permit utilizatorilor să genereze modele de embedding învățate din intrarea de limbaj natural.

Audiență

Acest curs este destinat dezvoltatorilor și inginerilor care intenționează să lucreze cu modelele SyntaxNet și Word2Vec în graficele lor TensorFlow.

După finalizarea acestui curs, delegații vor:

• înțelege structura și mecanismele de implementare ale TensorFlow
• fi capabili să efectueze sarcini de instalare / mediu de producție / arhitectură și configurare
• fi capabili să evalueze calitatea codului, să execute depistarea erelor, monitorizarea
• fi capabili să implementeze aspecte avansate de producție precum învățarea modelelor, embedding-ul termenilor, construirea graficelor și logging-ul

Acest curs începe oferind cunoștințe conceptuale în rețele neuronale și, în general, în algoritmi de machine learning, deep learning (algoritmi și aplicații).

Partea 1 (40%) a acestui antrenament se concentrează mai mult pe fundamenta, dar va vă ajuta să alegeți tehnologia potrivită: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Partea 2 (20%) a acestui antrenament introduce Theano - o bibliotecă Python care simplifică scrierea modelelor de deep learning.

Partea 3 (40%) a antrenamentului se va baza extensiv pe Tensorflow - API-ul bibliotecii software open source Google pentru Deep Learning. Toate exemplele și exercițiile practice vor fi realizate în TensorFlow.

Audiență

Acest curs este destinat inginerilor care doresc să folosească TensorFlow pentru proiectele lor de Deep Learning.

După finalizarea acestui curs, participanții vor:

• avea o bună înțelegere a rețelelor neuronale profunde (DNN), CNN și RNN
• înțelege structura și mecanismele de implementare ale TensorFlow
• fi capabili să realizeze sarcini de instalare, configurație a mediului de producție sau arhitecturii
• fi capabili să evalueze calitatea codului, să efectueze depistări și monitorizări
• fi capabili să implementeze producții avansate precum antrenarea modelelor, construirea graficelor și logging-ul