Cursuri Deep Learning

Stable Diffusion este un model puternic de învățare profundă care poate genera imagini detaliate pe baza descrierilor de text.Această instruire live condusă de un instructor (online sau la fața locului) se adresează oamenilor de știință ai datelor de nivel mediu până la avansat, inginerilor de învățare automată, cercetătorilor de învățare profundă și experților în viziunea computerizată care doresc să-și extindă cunoștințele și abilitățile în învățarea profundă pentru text. -generarea imaginilor.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.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

DeepSpeed este o bibliotecă de optimizare a învățării profunde care facilitează scalarea modelelor de învățare profundă pe hardware distribuit. Dezvoltat de Microsoft, DeepSpeed se integrează cu PyTorch pentru a oferi o scalare mai bună, un antrenament mai rapid și o utilizare îmbunătățită a resurselor.Această instruire live condusă de instructor (online sau la fața locului) se adresează oamenilor de știință de date de nivel începător până la mediu și inginerilor de învățare automată care doresc să îmbunătățească performanța modelelor lor de învățare profundă.Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți principiile învățării profunde distribuite. Instalați și configurați DeepSpeed. Scalați modele de deep learning pe hardware distribuit folosind DeepSpeed. Implementați și experimentați cu funcțiile DeepSpeed pentru optimizare și eficiență a memoriei.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

AlphaFold este un sistem Artificial Intelligence (AI) care efectuează predicția structurilor de proteine. Este dezvoltat de Alphabet’s/Google’s DeepMind ca un sistem de învățare profundă care poate predica cu precizie modelele 3D ale structurilor de proteine. Această formare directă, condusă de instructori (online sau on-site) este destinată biologilor care doresc să înțeleagă cum AlphaFold funcționează și utilizează AlphaFold modele ca ghiduri în studiile lor experimentale. La sfârșitul cursului, participanții vor putea:

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

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Stable Diffusion este un model puternic de învățare profundă care poate genera imagini detaliate pe baza descrierilor de text.Această instruire live condusă de un instructor (online sau la fața locului) se adresează oamenilor de știință ai datelor, inginerilor de învățare automată și cercetătorilor în viziunea computerizată care doresc să folosească Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare.Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți principiile Stable Diffusion și cum funcționează pentru generarea de imagini. Construiește și antrenează Stable Diffusion modele pentru sarcini de generare de imagini. Aplicați Stable Diffusion la diferite scenarii de generare de imagini, cum ar fi pictura în interior, pictura în exterior și traducerea imagine-la-imagine. Optimizați performanța și stabilitatea modelelor Stable Diffusion.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

În cadrul acestei instruiri instruite, participanții vor învăța tehnicile cele mai relevante și de tăiere a mașinilor în Python, deoarece construiesc o serie de aplicații demo care implică imagini, muzică, text și date financiare Până la sfârșitul acestui curs, participanții vor putea: Implementarea algoritmilor de învățare a mașinilor și a tehnicilor de rezolvare a problemelor complexe Aplicați învățarea profundă și învățarea semisupervizată a aplicațiilor care implică imagini, muzică, text și date financiare Împingeți algoritmii Python la potențialul lor maxim Utilizați biblioteci și pachete, cum ar fi NumPy și Theano Public Dezvoltatori Analistii Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Deep Reinforcement Learning se referă la capacitatea unui „agent artificial” de a învăța prin încercare și eroare și recompense și pedepse. Un agent artificial urmărește să imite capacitatea unui om de a obține și de a construi cunoștințe pe cont propriu, direct din inputuri brute, cum ar fi viziunea. Pentru a realiza învățarea prin întărire, se utilizează învățarea profundă și rețelele neuronale. Învățarea prin consolidare este diferită de învățarea automată și nu se bazează pe abordări de învățare supravegheată și nesupravegheată.Această instruire live condusă de un instructor (online sau la fața locului) se adresează dezvoltatorilor și cercetătorilor de date care doresc să învețe elementele fundamentale ale Deep Reinforcement Learning în timp ce parcurg crearea unui agent Deep Learning.Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți conceptele cheie din spatele Deep Reinforcement Learning și să îl puteți distinge de Machine Learning. Aplicați algoritmi avansați Reinforcement Learning pentru a rezolva probleme din lumea reală. Construiește un Deep Learning agent.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

Învățarea cu mașină este o ramură a inteligenței artificiale în care computerele au capacitatea de a învăța fără a fi programate în mod explicit. Învățarea profundă este o subfeme de învățare automată care utilizează metode bazate pe reprezentările și structurile de date de învățare, cum ar fi rețelele neuronale. Python este o limbă de programare de nivel înalt, cunoscută pentru sinteza și citibilitatea codului. În acest curs de instruire, participanții vor învăța cum să implementeze modele de învățare profundă pentru telecom folosind Python pe măsură ce trec prin crearea unui model de risc de credit de învățare profundă. La sfârșitul cursului, participanții vor putea:

Înțelegeți conceptele fundamentale ale învățării profunde. Aflați aplicațiile și utilizările învățării profunde în telecom. Utilizați Python, Keras și TensorFlow pentru a crea modele de învățare profundă pentru telecom. Construiți propriul lor model de predicție de învățare profundă a clienților cu ajutorul Python.

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Embedding Projector este o aplicație web open source pentru vizualizarea datelor utilizate pentru instruirea sistemelor de învățare a mașinilor Creat de Google, face parte din TensorFlow Această instruire instruită live introduce conceptele din spatele Proiectoarelor Embedding și umblă participanții prin configurarea unui proiect demo Până la sfârșitul acestui curs, participanții vor putea: Explorați modul în care datele sunt interpretate de modelele de învățare automată Navigați prin vizualizările 3D și 2D ale datelor pentru a înțelege modul în care algoritmul de învățare a mașinilor îl interpretează Înțelegeți conceptele din spatele embeddings și rolul lor în reprezentarea vectorilor matematici pentru imagini, cuvinte și cifre Explorați proprietățile unei încorporări specifice pentru a înțelege comportamentul unui model Aplicați proiectul de încorporare în cazuri de utilizare realworld, cum ar fi construirea unui sistem de recomandări pentru melodii pentru iubitorii de muzică Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Rețeaua neurală artificială este un model de date computational utilizat în dezvoltarea sistemelor de Artificial Intelligence (AI) capabile să realizeze sarcini "inteligente". Neural Networks sunt utilizate în mod obișnuit în aplicațiile Machine Learning (ML), care sunt ele însele o implementare a AI. Deep Learning este un subset al ML.

Acest curs este o imagine de ansamblu generală pentru Deep Learning fără a fi prea adânc în orice metodă specifică. Este potrivit pentru persoanele care doresc să înceapă să utilizeze învățarea profundă pentru a spori acuratețea predicției.

Rețeaua neurală artificială este un model de date computational utilizat în dezvoltarea sistemelor de Artificial Intelligence (AI) capabile să realizeze sarcini "inteligente". Neural Networks sunt utilizate în mod obișnuit în aplicațiile Machine Learning (ML), care sunt ele însele o implementare a AI. Deep Learning este un subset al ML.

Învățarea în mașină este o ramură a inteligenței artificiale în care computerele au capacitatea de a învăța fără a fi programate în mod explicit. Învățarea profundă este un subdomeniul de învățare a mașinilor care utilizează metode bazate pe reprezentări și structuri de date de învățare, cum ar fi rețele neuronale.

Caffe este un cadru de învățare profund făcut în expresie, viteză și modularitate în minte. Acest curs explorează aplicarea Caffe ca cadru de învățare profundă pentru recunoașterea imaginii folosind MNIST ca exemplu Public Acest curs este potrivit pentru cercetătorii de la Deep Learning și pentru inginerii interesați să utilizeze Caffe ca cadru. După finalizarea acestui curs, delegații vor putea:

• să înțeleagă structura și mecanismele de implementare a lui Caffe
• efectuați sarcinile și configurația mediului de instalare / producție / arhitecturii
• evaluarea calității codului, efectuarea depanării, monitorizarea
• să implementeze producția avansată, cum ar fi modelele de formare, punerea în aplicare a straturilor și logarea

Public Acest curs este potrivit pentru cercetătorii de Deep Learning și ingineri interesați să utilizeze instrumentele disponibile (în majoritate open source) pentru analiza imaginilor computerizate Acest curs oferă exemple de lucru.

Acest curs acoperă AI (emphasizing Machine Learning și Deep Learning) în Automotive Industria. Ajută la determinarea tehnologiei care poate fi (potential) utilizată în mai multe situații într-un autovehicul: de la automatizare simplă, recunoaștere a imaginii la luarea de decizii autonome.

Acest curs acoperă AI (sublinierea Machine Learning Deep Learning și a Deep Learning )

În acest curs de instruire live, condus de un instructor, vom trece în revistă principiile rețelelor neuronale și vom folosi OpenNN pentru a implementa o aplicație de probă. Formatul cursului Prelegere și discuții însoțite de exerciții practice.

În cadrul acestei instruiri, instruite în direct, participanții vor învăța cum să configureze și să folosească OpenNMT pentru a efectua traducerea diferitelor seturi de date. Cursul începe cu o imagine de ansamblu a rețelelor neuronale, deoarece acestea se aplică la traducerea automată. Participanții vor efectua exerciții live pe tot parcursul cursului pentru a demonstra înțelegerea conceptelor învățate și pentru a primi feedback de la instructor. Până la sfârșitul acestui training, participanții vor avea cunoștințele și practicile necesare pentru a implementa o soluție live OpenNMT . Probele de limbă sursă și țintă vor fi pre-aranjate conform cerințelor audienței.

Formatul cursului

• Part de conferință, parte discuție, practică practică grea

Tip: Pregătire teoretică cu aplicații decise în amonte cu elevii de la Lasagne sau Keras funcție de grupul pedagogic Metoda de predare: prezentare, schimburi și studii de caz Inteligența artificială, după ce a perturbat multe domenii științifice, a început să revoluționeze un număr mare de sectoare economice (industrie, medicină, comunicare etc.). Cu toate acestea, prezentarea sa în marile mass-media este adesea fantezie, foarte departe de ceea ce sunt cu adevărat domeniile de Machine Learning sau Deep Learning . Scopul acestei instruiri este de a oferi inginerilor care au deja o stăpânire a instrumentelor informatice (inclusiv o bază de programare software) o introducere în Deep Learning și diferitele sale domenii de specializare și, prin urmare, în principalele arhitecturi de rețea existente. astăzi. Dacă bazele matematice sunt amintite în timpul cursului, se recomandă un nivel de matematică de tip BAC + 2 pentru mai mult confort. Este absolut posibil să sări peste axa matematică pentru a păstra doar o viziune „sistem”, dar această abordare îți va limita enorm înțelegerea subiectului.

În această formare directă condusă de instructori, participanții vor învăța cum să utilizeze Facebook NMT (Fairseq) pentru a efectua traducerea conținutului de eșantion. La sfârșitul acestei cursuri, participanții vor avea cunoștințele și practicile necesare pentru a implementa o soluție de traducere mașină bazată pe Fairseq. Formatul cursului

Lecție parțială, discuție parțială, practică grea

Notă

Dacă doriți să utilizați conținut specific de sursă și limbă țintă, vă rugăm să ne contactați pentru a organiza.

Microsoft Cognitive Toolkit 2x (anterior CNTK) este un kit de instrumente opencast, care permite instruirea algoritmilor de învățare profundă ca și creierul uman Potrivit Microsoft, CNTK poate fi de 510x mai rapid decat TensorFlow pe retele recurente si de 2 pana la 3 ori mai rapid decat TensorFlow pentru sarcinile legate de imagini În această instruire live, participanții vor învăța cum să folosească Microsoft Cognitive Toolkit pentru a crea, instrui și evalua algoritmi de învățare profundă pentru a fi utilizați în aplicații AI comerciale care implică mai multe tipuri de date, cum ar fi date, vorbire, text și imagini Până la sfârșitul acestui curs, participanții vor putea: Accesați CNTK ca o bibliotecă dintr-un program Python, C # sau C ++ Utilizați CNTK ca instrument independent de învățare a mașinii prin propriul limbaj de descriere a modelului (BrainScript) Utilizați funcția de evaluare a modelului CNTK dintr-un program Java Se combină DNN-urile feedforward, plasele convoluționale (CNN) și rețelele recurente (RNNs / LSTMs) Scalarea capacității de calcul pe procesoare, unități de procesare grafică și mai multe mașini Accesați seturi de date masive folosind limbile de programare existente și algoritmi Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră Notă Dacă doriți să personalizați orice parte a acestui training, inclusiv limba de programare de care aveți nevoie, vă rugăm să ne contactați pentru a aranja .

PaddlePaddle (PArallel Distributed Deep LEarning) este o platformă de învățare scalabilă profundă dezvoltată de Baidu În acest training instruit, participanții vor învăța cum să folosească PaddlePaddle pentru a permite învățarea profundă în aplicațiile lor de produse și servicii Până la sfârșitul acestui curs, participanții vor putea: Configurați și configurați PaddlePaddle Creați o rețea neuronală convoluțională (CNN) pentru recunoașterea imaginilor și detectarea obiectelor Crearea unei rețele neuronale recurente (RNN) pentru analiza sentimentului Creați o învățare profundă pe sistemele de recomandare pentru a ajuta utilizatorii să găsească răspunsuri Preziceți ratele de clic (CTR), clasificați seturile de imagini largescale, efectuați recunoașterea optică a caracterelor (OCR), căutați în funcție de rang, detectați viruși de computer și implementați un sistem de recomandări Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

În cadrul acestui instruire, instruit în direct, participanții vor învăța cum să folosească DSSTNE pentru a construi o aplicație de recomandare. Până la sfârșitul acestui antrenament, participanții vor putea:

• Antrenează un model de recomandare cu seturi de date rare ca intrare
• Modele de formare și predicție la scară pe mai multe GPU uri
• Difuzați calculul și stocarea într-un mod paralel
• Generați recomandări de produse personalizate asemănătoare cu Amazon
• Desfășurați o aplicație gata de producție care poate fi pe scară mare la sarcini grele

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Tensor2Tensor (T2T) este o bibliotecă modulară și extensibilă pentru instruirea modelelor AI în diverse sarcini, utilizând diferite tipuri de date de antrenament, de exemplu: recunoașterea imaginii, traducerea, parsarea, captarea imaginilor și recunoașterea vorbirii Este menținută de echipa Google Brain În acest training instruit, participanții vor învăța cum să pregătească un model de deplerare pentru a rezolva mai multe sarcini Până la sfârșitul acestui curs, participanții vor putea: Instalați tensor2tensor, selectați un set de date și instruiți și evaluați un model AI Personalizați un mediu de dezvoltare utilizând instrumentele și componentele incluse în Tensor2Tensor Creați și utilizați un singur model pentru a afla simultan mai multe sarcini din mai multe domenii Utilizați modelul pentru a învăța din sarcini cu o cantitate mare de date de instruire și pentru a aplica acele cunoștințe în sarcini în care datele sunt limitate Obțineți rezultate satisfăcătoare de procesare utilizând o singură GPU Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

OpenFace este un software bazat pe Python și Torch, bazat pe cercetare FaceNet a Google, bazată pe tehnologia opensource, în timp real În acest training instruit, participanții vor învăța cum să folosească componentele OpenFace pentru a crea și implementa o aplicație de recunoaștere facială Până la sfârșitul acestui curs, participanții vor putea: Lucrați cu componentele OpenFace, inclusiv dlib, OpenVC, Torch, și nn4 pentru a implementa detectarea feței, alinierea și transformarea Aplicați OpenFace aplicațiilor din lumea reală, cum ar fi supravegherea, verificarea identității, realitatea virtuală, jocurile și identificarea clienților repetate etc Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

În această instruire instruită, participanții vor învăța tehnici avansate pentru Machine Learning cu R, pe măsură ce parcurg crearea unei aplicații în lumea reală Până la sfârșitul acestui curs, participanții vor putea: Utilizați tehnici ca tuning hiperparametru și învățare profundă Înțelegerea și implementarea tehnicilor de învățare nesupravegheate Puneți un model în producție pentru a fi utilizat într-o aplicație mai mare Public Dezvoltatori Analistii Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to:

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Învățarea automată este o ramură a Inteligenței artificiale în care calculatoarele au capacitatea de a învăța fără a fi programate explicit. Învățarea profundă este un sub-câmp al învățării automate care folosește metode bazate pe reprezentări de date de învățare și structuri, cum ar fi rețelele neuronale. R este un limbaj de programare popular în industria financiară. Este utilizat în aplicații financiare, de la programe de tranzacționare de bază până la sisteme de gestionare a riscurilor. În cadrul acestei instruiri, instruite în direct, participanții vor învăța cum să implementeze modele de învățare profundă pentru finanțe folosind R în timp ce trec prin crearea unui model de predicție a prețurilor stocurilor de învățare profundă. Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți conceptele fundamentale ale învățării profunde
• Aflați aplicațiile și utilizările învățării profunde în finanțe
• Utilizați R pentru a crea modele de învățare profundă pentru finanțe
• Construiți propriul model de predicție a prețurilor stocurilor de învățare profundă folosind R

Public

• Dezvoltatori
• Cercetătorii de date

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:

• Understand the fundamental concepts of deep learning
• Learn the applications and uses of deep learning in banking
• Use Python, Keras, and TensorFlow to create deep learning models for banking
• Build their own deep learning credit risk model using Python

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Învățarea automată este o ramură a Inteligenței artificiale în care calculatoarele au capacitatea de a învăța fără a fi programate explicit. Învățarea profundă este un sub-câmp al învățării automate care folosește metode bazate pe reprezentări de date de învățare și structuri, cum ar fi rețelele neuronale. R este un limbaj de programare popular în industria financiară. Este utilizat în aplicații financiare, de la programe de tranzacționare de bază până la sisteme de gestionare a riscurilor. În cadrul acestei instruiri, instruită în direct, participanții vor învăța cum să implementeze modele de învățare profundă pentru activități bancare folosind R, în timp ce trec prin crearea unui model de risc de învățare profundă. Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți conceptele fundamentale ale învățării profunde
• Aflați aplicațiile și utilizările învățării profunde în domeniul bancar
• Utilizați R pentru a crea modele de învățare profundă pentru activități bancare
• Construiți propriul model de risc de învățare profundă folosind R

Public

• Dezvoltatori
• Cercetătorii de date

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice