Deep Learning Training in Muntenia

Această antrenament live (online sau presenzial) în Muntenia este destinat dezvoltatorilor de nivel intermediar, cercetătorilor de date și practicionerilor AI care doresc să folosească TensorFlow Lite pentru aplicațiile AI la bord.

La sfârșitul acestui antrenament, participanții vor putea:

• Să înțeleagă fundamentalele TensorFlow Lite și rolul său în AI la bord.
• Să dezvolte și optimizze modele de IA folosind TensorFlow Lite.
• Să deployeze modele TensorFlow Lite pe diferite dispozitive la bord.
• Să utilizeze instrumentele și tehnicile pentru conversia și optimizarea modelului.
• Să implementeze aplicații AI la bord practice folosind TensorFlow Lite.

Acest curs în directie (online sau presenzial) este destinat profesionistilor avansați care doresc să adâncească cunoștințele lor despre viziunea computerizată și să exploreze capacitățile TensorFlow pentru dezvoltarea de modele vizual complexe folosind Google Colab.

La sfârșitul acestui training, participanții vor putea:

• Construi și antrena rețele neuronale convolutionale (CNNs) folosind TensorFlow.
• Exploata Google Colab pentru dezvoltarea de modele bazată pe cloud, scalabilă și eficientă.
• Implementa tehnici de preprocesare a imaginilor pentru sarcinile de viziune computerizată.
• Deploy-a modelele de viziune computerizată pentru aplicatii din viata reala.
• Folosi învățarea transferului pentru a îmbunătăți performanța modelelor CNN.
• Visualiza și interpreta 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.

Această instruire live, condusă de un instructor în Muntenia (online sau la fața locului) se adresează profesioniștilor de nivel avansat care doresc să se specializeze în tehnici de învățare profundă de ultimă oră pentru NLU.

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

• Înțeleagă diferențele cheie dintre modelele NLU și NLP.
• Să aplice tehnici avansate de învățare profundă pentru sarcinile NLU.
• Să exploreze arhitecturi profunde, cum ar fi transformatoarele și mecanismele de atenție.
• Să valorifice tendințele viitoare în NLU pentru a construi sisteme AI sofisticate.

Această instruire live, condusă de un instructor în Muntenia (online sau la fața locului) se adresează oamenilor de știință din domeniul datelor de nivel intermediar până la avansat, inginerilor din domeniul învățării automate, cercetătorilor din domeniul învățării profunde și experților în viziune computerizată care doresc să își extindă cunoștințele și abilitățile în învățarea profundă pentru generarea de text în imagine.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă arhitecturile și tehnicile avansate de învățare profundă pentru generarea text-imagine.
• Să implementeze modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate.
• Să optimizeze performanța și scalabilitatea pentru seturi mari de date și modele complexe.
• Reglați hiperparametrii pentru o mai bună performanță și generalizare a modelului.
• Integrarea Stable Diffusion cu alte cadre și instrumente de învățare profundă

Această formare live, condusă de un instrucțurator în Muntenia (online sau pe locație) se adresează profesionistilor avansați care dorește să folosească tehnici AI pentru a revoluționa procesele de descoperire și dezvoltare a medicamentelor.

La sfârșitul acestei forme, participanții vor putea:

• Să înțeleagă rolul AI în descoperirea și dezvoltarea medicamentelor.
• Să aplice tehnici de machine learning pentru a prezice proprietățile moleculare și interacțiunile.
• Să folosească modele de învățare profundă pentru ecranizarea virtuală și optimizarea lead-urilor.
• Să integreze abordările bazate pe AI în procesul de trial clinic.

Această formare live, cu instructor, în Muntenia (online sau la fața locului) se adresează biologilor care doresc să înțeleagă cum funcționează AlphaFold și să utilizeze modele AlphaFold ca ghid în studiile lor experimentale.

La sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă principiile de bază ale AlphaFold.
• Să învețe cum funcționează AlphaFold.
• Să învețe cum să interpreteze predicțiile și rezultatele AlphaFold.

Acest curs de formare live, condus de un instructor în Muntenia (online sau la fața locului) se adresează cercetătorilor de date și inginerilor de învățare automată de nivel începător până la mediu care doresc să îmbunătățească performanța modelelor lor de învățare profundă.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă principiile învățării profunde distribuite.
• Să instaleze și să configureze DeepSpeed.
• Să scaleze modele de învățare profundă pe hardware distribuit utilizând DeepSpeed.
• Să implementeze și să experimenteze caracteristicile DeepSpeed pentru optimizare și eficientizarea memoriei.

Acest curs de formare live, condus de un instructor, în Muntenia (online sau la fața locului) se adresează dezvoltatorilor de nivel începător până la intermediar care doresc să utilizeze modele lingvistice mari pentru diverse sarcini de limbaj natural.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să configureze un mediu de dezvoltare care include un LLM popular.
• Să creeze un LLM de bază și să îl ajusteze pe un set de date personalizat.
• Să utilizeze LLM-uri pentru diferite sarcini de limbaj natural, cum ar fi rezumarea textului, răspunsul la întrebări, generarea de text și altele.
• Depanarea și evaluarea LLM-urilor utilizând instrumente precum TensorBoard, PyTorch Lightning și Hugging Face Datasets.

Această instruire live (online sau la fața locului), condusă de un instructor, se adresează oamenilor de știință din domeniul datelor, inginerilor din domeniul învățării automate și cercetătorilor din domeniul viziunii computerizate care doresc să valorifice Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Să înțeleagă principiile Stable Diffusion și modul în care funcționează pentru generarea de imagini.
• Să construiască și să antreneze modele Stable Diffusion pentru sarcini de generare a imaginilor.
• Să aplice Stable Diffusion la diverse scenarii de generare a imaginilor, cum ar fi inpainting, outpainting și traducerea de la imagine la imagine.
• Optimizarea performanței și stabilității modelelor Stable Diffusion.

În acest antrenament dirijat de instrucțiune, live în Muntenia, participanții vor învăța cele mai relevante și inovatoare tehnici de machine learning cu Python, pe măsură ce construiesc o serie de aplicații demonstrative implicate cu imagini, muzică, text și date financiare.

La sfârșitul acestui antrenament, participanții vor putea:

• Implementa algoritmi și tehnici de machine learning pentru rezolvarea problemelor complexe.
• Aplica deep learning și semi-supervised learning la aplicații implicate cu imagini, muzică, text și date financiare.
• Pune algoritmii Python la potențialul lor maxim.
• Folosi biblioteci și pachete precum NumPy și Theano.

În cadrul acestei formări live cu instructor în Muntenia, participanții vor învăța cum să implementeze modele de învățare profundă pentru telecomunicații utilizând Python pe măsură ce trec prin crearea unui model de învățare profundă a riscului de credit.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Înțeleagă conceptele fundamentale ale învățării profunde.
• Să învețe aplicațiile și utilizările învățării profunde în telecomunicații.
• Să utilizeze Python, Keras și TensorFlow pentru a crea modele de învățare profundă pentru telecomunicații.
• Să construiască propriul model de învățare profundă de predicție a pierderii clienților utilizând Python.

Acest curs a fost creat pentru manageri, arhitecți de soluții, ofițeri de inovare, CTO-uri, arhitecți de software și oricine care se interesă de o prezentare generală a inteligenței artificiale aplicate și de cea mai apropiată previziune pentru dezvoltarea acesteia.

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 training prescrit de un instrucțurator în Muntenia (online sau la sediu) se adresează participantilor cu niveluri inițiale care dorește să învețe concepte esențiale din domeniul probabilităților, statisticii, programării și învățării automate, și să le aplique la dezvoltarea AI.

La sfârșitul acestui training, participantii vor putea:

• Să înțeleagă concepte de bază din probabilități și statistici, și să le aplică în scenarii reale.
• Să scrie și să înțeleagă coduri de programare procedurală, funcțională și orientată pe obiecte.
• Să implementeze tehnici de învățare automată cum ar fi clasificarea, gruparea și rețele neuronale.
• Să dezvolte soluții AI folosind motori de reguli și sisteme experte pentru rezolvarea problemelor.

Rețeaua Neuronală Artificială este un model de date computational folosit în dezvoltarea sistemelor de Inteligență Artificială (AI) capabile să efectueze sarcini "inteligente". Rețelele Neuronale sunt utilizate frecvent în aplicațiile de Machine Learning (ML), care, la rândul lor, reprezintă o implementare a AI. Deep Learning este un subdomeniu al ML.

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.

Acest training în direcția instructorului (online sau live) este destinat oamenilor cu cunoștințe intermedii în domeniul științei datelor și statisticilor care doresc să pregătească date, construi modele și să aplică eficient tehnici de învățare automată în domeniile lor profesionale.

La sfârșitul acestui training, participantii vor putea:

• Să înțeleagă și implementeze diverse algoritmi Machine Learning.
• Să pregătească datele și modelele pentru aplicațiile de învățare automată.
• Să efectueze analize post hoc și să vizualizeze rezultatele eficient.
• Să aplique tehnici de învățare automată la scenarii specifice domeniului, real-world.

Rețeaua Neuronală Artificială este un model de date computational utilizat în dezvoltarea sistemelor de Inteligență Artificială (IA) capabile să efectueze sarcini "intelligente". Rețelele Neuronale sunt folosite frecvent în aplicațiile de Învățare Automată (ML), care, la rândul lor, reprezintă o implementare a IA. Învățarea Profundă este un subdomeniu al ML.

Caffe este un cadru de învățare adâncă conceput cu exprimarea, viteza și modularitatea în minte.

Acest curs explorează aplicarea Caffe ca framework pentru învățarea adâncă pentru recunoașterea imaginilor folosind MNIST ca exemplu

Public țintă

Acest curs este potrivit pentru cercetătorii și inginerii de învățare adâncă interesați să utilizeze Caffe ca cadru.

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale Caffe
• să execute sarcinile legate de instalare / mediu de producție / arhitectură și configurare
• să evalueze calitatea codului, să efectueze depanarea și monitorizarea
• să implementeze producții avansate precum instruirea modelelor, implementarea stratilor și logging-ul

Această formare live, cu instructor, în Muntenia (online sau la fața locului) se adresează cercetătorilor și dezvoltatorilor care doresc să utilizeze Chainer pentru a construi și a antrena rețele neuronale în Python, făcând codul ușor de depanat.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Să configureze mediul de dezvoltare necesar pentru a începe să dezvolte modele de rețele neuronale.
• Să definească și să implementeze modele de rețele neuronale utilizând un cod sursă inteligibil.
• Să execute exemple și să modifice algoritmii existenți pentru a optimiza modelele de formare de învățare profundă, valorificând în același timp GPUs pentru performanțe ridicate.

Computer Network ToolKit (CNTK) este Microsoft Open Source, Multi-machine, Multi-GPU, Highly efficent RNN training machine learning framework for speech, text, and images.

Audiență

Acest curs se adresează inginerilor și arhitecților care doresc să utilizeze CNTK în proiectele lor.

Acest training conduț în mod live (online sau la sediu) oferă o introducere în domeniul recunoașterii modelelor și a învățării automatizate. Se tocilează aplicări practice în statistici, informatică, procesare de semnale, viziune computerizată, explorare a datelor și bioinformatică.

La sfârșitul acestui training, participanții vor putea:

• Aplica metode statistice centrale pentru recunoașterea modelelor.
• Folosi modele cheie precum rețele neuronale și metodele nucleare pentru analiza datelor.
• Implementa tehnici avansate pentru rezolvarea problemelor complexe.
• Mării acuratețea predicției combinând diferite modele.

Acest curs este o prezentare generală pentru Deep Learning fără a aprofunda prea mult metodele specifice. Este potrivit pentru persoanele care doresc să înceapă să utilizeze învățarea profundă pentru a-și îmbunătăți precizia predicției.

Această formare live, cu instructor, în Muntenia (online sau la fața locului) se adresează cercetătorilor și dezvoltatorilor care doresc să instaleze, să configureze, să personalizeze și să utilizeze platforma DeepMind Lab pentru a dezvolta sisteme generale de inteligență artificială și învățare automată.

La finalul acestei formări, participanții vor fi capabili să:

• Să personalizeze DeepMind Lab pentru a construi și rula un mediu care să corespundă nevoilor de învățare și formare.
• Să utilizeze mediul de simulare 3D al DeepMind Lab pentru a antrena agenți de învățare într-un punct de vedere la persoana întâi.
• Să faciliteze evaluarea agenților pentru a dezvolta inteligența într-o lume 3D asemănătoare unui joc.

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 subdomeniu al învățării automate care utilizează metode bazate pe învățarea reprezentărilor și structurilor datelor, cum ar fi rețelele neuronale.

Această instruire live, condusă de un instructor în Muntenia (online sau la fața locului) se adresează analiștilor de afaceri, cercetătorilor de date și dezvoltatorilor care doresc să construiască și să implementeze modele de învățare profundă pentru a accelera creșterea veniturilor și pentru a rezolva problemele din lumea afacerilor.

La finalul acestui training, participanții vor fi capabili să:

• Înțeleagă conceptele de bază ale machine learning și deep learning.
• Să obțină perspective asupra viitorului afacerilor și industriei cu ML și DL.
• Să definească strategii și soluții de afaceri cu învățarea profundă.
• Să învețe cum să aplice știința datelor și învățarea profundă în rezolvarea problemelor de afaceri.
• Construiți modele de învățare profundă utilizând Python, Pandas, TensorFlow, CNTK, Torch, Keras etc.

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 subdomeniu al învățării automate care utilizează metode bazate pe învățarea reprezentărilor și structurilor de date, cum ar fi rețelele neuronale. Python este un limbaj de programare de nivel înalt renumit pentru sintaxa sa clară și lizibilitatea codului.

În cadrul acestei formări live cu instructor, participanții vor învăța cum să implementeze modele de învățare profundă pentru sectorul bancar utilizând Python pe măsură ce trec prin crearea unui model de învățare profundă a riscului de credit.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Înțeleagă conceptele fundamentale ale învățării profunde
• Să învețe aplicațiile și utilizările învățării profunde în domeniul bancar
• Să utilizeze Python, Keras și TensorFlow pentru a crea modele de învățare profundă pentru sectorul bancar
• Să își construiască propriul model de învățare profundă a riscului de credit utilizând Python

Audiență

• Dezvoltatori
• Oameni de știință în domeniul datelor

Formatul cursului

• Parte prelegere, parte discuție, exerciții și multă practică

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 curs de formare live, condus de un instructor în Muntenia (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.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să instaleze setul de instrumente OpenVINO.
• Să accelereze o aplicație de computer vision utilizând un FPGA.
• Să execute diferite straturi CNN pe FPGA.
• Să scaleze aplicația pe mai multe noduri dintr-un cluster Kubernetes.

Acest instruire condusă de instrucționist, live în Muntenia (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.

Această instruire live, condusă de un instructor în Muntenia (online sau la fața locului) se adresează dezvoltatorilor sau oamenilor de știință din domeniul datelor care doresc să utilizeze Horovod pentru a rula instruiri distribuite de învățare profundă și să le extindă pentru a rula pe mai multe GPUs în paralel.

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

• Să configureze mediul de dezvoltare necesar pentru a începe să ruleze traininguri de învățare profundă.
• Să instaleze și să configureze Horovod pentru a antrena modele cu TensorFlow, Keras, PyTorch și Apache MXNet.
• Să scaleze antrenamentele de învățare profundă cu Horovod pentru a rula pe mai multe GPUs.

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

La sfârșitul acestei formări, participanții vor fi capabili să:

• Instalați și configurați Keras.
• Să prototipeze rapid modele de învățare profundă.
• Să implementeze o rețea convoluțională.
• Să implementeze o rețea recurentă.
• Să execute un model de învățare profundă atât pe un procesor, cât și pe GPU.

În acest curs de instruire condus de instructor, participanții vor învăța cum să folosească Matlab pentru a proiecta, construi și vizualiza o rețea neuronală convoluțională pentru recunoașterea imaginilor.

La finalul acestui curs de instruire, participanții vor putea:

• Construi un model de învățare adâncă
• Automatiza etichetarea datelor
• Lucra cu modele din Caffe și TensorFlow-Keras
• Antreneaza date folosind mai multe GPU-uri, cloud sau clustere

Audiență

• Dezvoltatori
• Ingineri
• Experți în domeniu

Formatul cursului

• În parte prelegeri, în partea discuții, exerciții și practică intensivă

Această instruire condusă de instructor (online sau pe loc) este destinată profesionalilor de nivel începător până la intermediar care doresc să dezvolte înțelegerea lor cu privire la algoritmi de învățare automată, tehnici de învățare adâncă și luarea deciziilor bazată pe IA. Cursul oferă o experiență practică cu conceptele de învățare automată, modelele de învățare adâncă și implementările practice folosind R.

La finalizarea acestei instrueri, participanții vor putea:

• Înțelege fundamentele învățării automată și a învățării adâncă.
• Aplica diferite algoritmi de învățare automată pentru regresie, clasificare, grupare și detectarea anomaliilor.
• Folosi arhitecturi de învățare adâncă, cum ar fi rețelele neuronale artificiale (ANNs).
• Implementa modele de învățare supervizată și nesupervizată.
• Evalueaza performanța modelului și optimiza hiperparametrii.
• Folosi R pentru analiza datelor, vizualizarea și aplicațiile de învățare automată.

Antrenamentul este destinat persoanelor care vor să învețe bazele rețelelor neuronale și aplicațiile lor.

Această sesiune de instruire bazată pe clasă va conține prezentări și exemple bazate pe computer și exerciții de studiu de caz pentru a le întreprinde cu biblioteci relevante de rețele neuronale și profunde.

Această instruire live, condusă de un instructor în Muntenia (online sau la fața locului) se adresează inginerilor software care doresc să programeze în Python cu OpenCV 4 pentru deep learning.

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

• Vizualizați, încărcați și clasificați imagini și videoclipuri utilizând OpenCV 4.
• Să implementeze învățarea profundă în OpenCV 4 cu TensorFlow și Keras.
• Să ruleze modele de învățare profundă și să genereze rapoarte cu impact din imagini și videoclipuri.

OpenFace este Python și Torch un software de recunoaștere facială în timp real, open-source, bazat pe cercetarea FaceNet a Google.

În cadrul acestei formări live cu instructor, participanții vor învăța cum să utilizeze componentele OpenFace pentru a crea și implementa un exemplu de aplicație de recunoaștere facială.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să lucreze cu componentele OpenFace, inclusiv dlib, OpenVC, Torch, și nn4 pentru a implementa detectarea, alinierea și transformarea feței
• Să aplice OpenFace în aplicații din lumea reală, cum ar fi supravegherea, verificarea identității, realitatea virtuală, jocurile și identificarea clienților fideli etc.

Audiență

• Dezvoltatori
• Oameni de știință în domeniul datelor

Formatul cursului

• Parte prelegere, parte discuție, exerciții și multă practică

În cadrul acestui curs de formare live, condus de un instructor, participanții vor învăța tehnici avansate pentru Machine Learning cu R, pe măsură ce vor crea o aplicație din lumea reală.

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

• Înțelegeți și implementați tehnici de învățare nesupravegheată
• Aplicați gruparea și clasificarea pentru a face predicții bazate pe date din lumea reală.
• Vizualizați datele pentru a obține rapid informații, a lua decizii și a rafina în continuare analiza.
• Îmbunătățiți performanța unui model de învățare automată utilizând reglarea hiper-parametrilor.
.
• Puneți un model în producție pentru a-l utiliza într-o aplicație mai mare.
• Aplicați tehnici avansate de învățare automată pentru a răspunde la întrebări care implică date de rețele sociale, date mari și altele.
.

Acest curs este o introducere în aplicarea rețelelor neuronale în probleme din viața reală folosind software-ul R-project.

Această instruire condusă de instructor (online sau la fața locului) este adresată dezvoltatorilor și cercetătorilor de date care doresc să folosească Tensorflow 2.x pentru a construi predictori, clasificatori, modele generative, rețele neurale și alte aplicații.

La finalul acestei instruirile, participanții vor putea:

• Instala și configura TensorFlow 2.x.
• Înțelege avantajele Tensorflow 2.x față de versiunile anterioare.
• Construi modele de învățare adâncă.
• Implementa un clasificator avansat pentru imagini.
• Distribui un model de învățare adâncă pe cloud, dispozitive mobile și IoT.

Această instruire condusă de instrucțiune, live (online sau local) este adresată inginerilor care doresc să scrie, să încarce și să ruleze modele de învățare automată pe dispozitive cu memorie limitată.

La finalul acestei instruirii, participanții vor putea:

• Instala TensorFlow Lite.
• Încărca modele de învățare automată pe un dispozitiv încorporat pentru a-l permite să detecteze vorbirea, să clasifice imagini, etc.
• Adăuga AI la dispozitivele fizice fără a depinde de conectivitatea rețelei.

În acest antrenament instruit de instructor, live Muntenia (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.

În această antrenament cu instrucționare directe din partea unui instructor în Muntenia, participanții vor învăța cum să profită de inovările din procesorii TPU pentru a maximiza performanța aplicațiilor lor proprii AI.

La sfârșitul antrenamentului, participanții vor putea:

• Antrena diferite tipuri de rețele neuronale pe mase mari de date.
• Folosi TPU-uri pentru a accelera procesul de inferență cu până la două ordine de mărime.
• Utiliza TPU-uri pentru a procesa aplicații intensive precum căutarea imaginilor, vederile în noul cloud și fotografii.

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