Neural computing – Data science - Plan Szkolenia
Ta sesja szkoleniowa w klasie będzie zawierać prezentacje i przykłady komputerowe oraz ćwiczenia studium przypadku do wykonania z odpowiednimi bibliotekami sieci neuronowych i sieci głębokich
Plan Szkolenia
- Przegląd sieci neuronowych i głębokiego uczenia się Koncepcja uczenia maszynowego (ML) Dlaczego potrzebujemy sieci neuronowych i głębokiego uczenia się? Dobór sieci do różnych problemów i typów danych Uczenie się i walidacja sieci neuronowych Porównanie regresji logistycznej z siecią neuronową Sieć neuronowa Biologiczne inspiracje do sieci neuronowej Sieci neuronowe – Neuron, Perceptron i MLP (Multilayer Perceptron model) Uczenie się MLP – algorytm propagacji wstecznej Funkcje aktywacji – liniowe, sigmoidalne , Tanh, Softmax Funkcje strat odpowiednie do prognozowania i klasyfikacji Parametry – szybkość uczenia się, regularyzacja, pęd Budowanie sieci neuronowych w Python Ocena wydajności sieci neuronowych w Python Podstawy głębokich sieci Co to jest głębokie uczenie się? Architektura sieci głębokich – parametry, warstwy, funkcje aktywacji, funkcje strat, solwery Ograniczone maszyny Boltzmana (RBM) Autoenkodery Architektury sieci głębokich Sieci głębokich przekonań (DBN) – architektura, zastosowanie Autoenkodery Ograniczone maszyny Boltzmanna Splotowa sieć neuronowa Rekursywna sieć neuronowa Rekurencyjna sieć neuronowa Omówienie bibliotek i interfejsów dostępnych w Python Caffee Theano Tensorflow Keras Mxnet Wybór odpowiedniej biblioteki do problemu Budowa głębokich sieci w Python Wybór odpowiedniej architektury do zadanego problemu Głębokie sieci hybrydowe Sieć ucząca się – odpowiednia biblioteka, definicja architektury Sieć dostrajająca – inicjalizacja, funkcje aktywacyjne , funkcje strat, metoda optymalizacji Unikanie nadmiernego dopasowania – wykrywanie problemów związanych z nadmiernym dopasowaniem w głębokich sieciach, regularyzacja Ocena głębokich sieci Studia przypadków w Python Rozpoznawanie obrazu – CNN Wykrywanie anomalii za pomocą Autoenkoderów Prognozowanie szeregów czasowych za pomocą RNN Redukcja wymiarów za pomocą Autoenkodera Klasyfikacja za pomocą RBM
Wymagania
Pożądana jest znajomość/ocena uczenia maszynowego, architektury systemów i języków programowania.
Szkolenia otwarte są realizowane w przypadku uzbierania się grupy szkoleniowej liczącej co najmniej 5 osób na dany termin.
Neural computing – Data science - Plan Szkolenia - Booking
Neural computing – Data science - Plan Szkolenia - Enquiry
Neural computing – Data science - Zapytanie o Konsultacje
Zapytanie o Konsultacje
Opinie uczestników (3)
Organizacja, przestrzegając proponowanego porządku obrad, wiedza trenera w tej dziedzinie
Ali Kattan - TWPI
Szkolenie - Natural Language Processing with TensorFlow
Przetłumaczone przez sztuczną inteligencję
Dużo wskazówek praktycznych
Pawel Dawidowski - ABB Sp. z o.o.
Szkolenie - Deep Learning with TensorFlow
Odkładany, aktualny podejście lub CPI (TensorFlow, era, learn) do tworzenia uczenia maszynowego.
Paul Lee
Szkolenie - TensorFlow for Image Recognition
Przetłumaczone przez sztuczną inteligencję
Propozycje terminów
Szkolenia Powiązane
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy głębokiego uczenia się i ekspertów od wizji komputerowej, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie głębokiego uczenia się w celu generowania tekstu na obraz.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć zaawansowane architektury i techniki głębokiego uczenia się do generowania tekstu na obraz.
- Wdrożyć złożone modele i optymalizacje dla wysokiej jakości syntezy obrazu.
- Optymalizować wydajność i skalowalność dla dużych zbiorów danych i złożonych modeli.
- Dostrajanie hiperparametrów w celu uzyskania lepszej wydajności i uogólnienia modelu.
- Integracja Stable Diffusion z innymi strukturami i narzędziami głębokiego uczenia się
AlphaFold
7 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla biologów, którzy chcą zrozumieć, jak działa AlphaFold i używać modeli AlphaFold jako przewodników w swoich badaniach eksperymentalnych.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zrozumieć podstawowe zasady AlphaFold.
- Dowiedzieć się, jak działa AlphaFold.
- Dowiedzieć się, jak interpretować prognozy i wyniki AlphaFold.
Deep Learning for Vision with Caffe
21 godzinCaffe to platforma głębokiego uczenia stworzona z myślą o ekspresji, szybkości i modułowości.
Ten kurs bada zastosowanie Caffe jako struktury głębokiego uczenia się do rozpoznawania obrazów na przykładzie MNIST
Uczestnicy
Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem Caffe jako frameworka.
Po ukończeniu tego kursu uczestnicy będą w stanie
- zrozumieć strukturę i mechanizmy wdrażania Caffe&rsquo
- przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
- oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
- wdrażać zaawansowaną produkcję, taką jak modele szkoleniowe, wdrażanie warstw i rejestrowanie
Deep Learning Neural Networks with Chainer
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą używać Chainer do budowania i trenowania sieci neuronowych w Python, jednocześnie ułatwiając debugowanie kodu.
Pod koniec tego szkolenia uczestnicy będą mogli
- Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć tworzenie modeli sieci neuronowych.
- Definiować i wdrażać modele sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
- Wykonywać przykłady i modyfikować istniejące algorytmy w celu optymalizacji modeli szkoleniowych głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.
Using Computer Network ToolKit (CNTK)
28 godzinComputer Network ToolKit (CNTK) jest Microsoft otwartym, wielomaszynowym, wieloGPU, wysoce wydajnym uczeniem maszynowym RNN dla mowy, tekstu i obrazów.
Odbiorcy
Ten kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać CNTK w swoich projektach.
Deep Learning for Vision
21 godzinUczestnicy
Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych
Ten kurs zawiera działające przykłady.
Edge AI with TensorFlow Lite
14 godzinThis instructor-led, live training in Polsce (online or onsite) is aimed at intermediate-level developers, data scientists, and AI practitioners who wish to leverage TensorFlow Lite for Edge AI applications.
By the end of this training, participants will be able to:
- Understand the fundamentals of TensorFlow Lite and its role in Edge AI.
- Develop and optimize AI models using TensorFlow Lite.
- Deploy TensorFlow Lite models on various edge devices.
- Utilize tools and techniques for model conversion and optimization.
- Implement practical Edge AI applications using TensorFlow Lite.
Accelerating Deep Learning with FPGA and OpenVINO
35 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą przyspieszyć aplikacje uczenia maszynowego w czasie rzeczywistym i wdrożyć je na dużą skalę.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować zestaw narzędzi OpenVINO.
- Przyspieszyć aplikację widzenia komputerowego za pomocą FPGA.
- Wykonywać różne warstwy CNN na FPGA.
- Skalować aplikację na wielu węzłach w klastrze Kubernetes.
Distributed Deep Learning with Horovod
7 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów lub naukowców zajmujących się danymi, którzy chcą używać Horovod do uruchamiania rozproszonych szkoleń z głębokiego uczenia się i skalowania ich w celu równoległego działania na wielu GPU.
Pod koniec tego szkolenia uczestnicy będą mogli
- Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć prowadzenie szkoleń z zakresu głębokiego uczenia się.
- Zainstalować i skonfigurować Horovod do trenowania modeli z TensorFlow, Keras, PyTorch i Apache MXNet.
- Skalować trening głębokiego uczenia z Horovod, aby działał na wielu GPU.
Deep Learning with Keras
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla osób technicznych, które chcą zastosować model głębokiego uczenia się do aplikacji rozpoznawania obrazu.
Pod koniec tego szkolenia uczestnicy będą mogli:
- Zainstalować i skonfigurować Keras.
- Szybko prototypować modele głębokiego uczenia się.
- Wdrożyć sieć konwolucyjną.
- Zaimplementować sieć rekurencyjną.
- Wykonać model głębokiego uczenia zarówno na CPU, jak i GPU.
Introduction to Stable Diffusion for Text-to-Image Generation
21 godzinTo prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, inżynierów uczenia maszynowego i badaczy wizji komputerowej, którzy chcą wykorzystać Stable Diffusion do generowania wysokiej jakości obrazów dla różnych przypadków użycia.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć zasady Stable Diffusion i jak to działa w przypadku generowania obrazów.
- Budować i trenować modele Stable Diffusion do zadań generowania obrazów.
- Zastosować Stable Diffusion do różnych scenariuszy generowania obrazów, takich jak inpainting, outpainting i tłumaczenie obrazu na obraz.
- Optymalizacja wydajności i stabilności modeli Stable Diffusion.
Tensorflow Lite for Microcontrollers
21 godzinSzkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą pisać, ładować i uruchamiać modele uczenia maszynowego na bardzo małych urządzeniach wbudowanych.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Instalacja TensorFlow Lite.
- Załaduj modele uczenia maszynowego na urządzenie wbudowane, aby umożliwić mu wykrywanie mowy, klasyfikowanie obrazów itp.
- Dodaj sztuczną inteligencję do urządzeń sprzętowych bez polegania na łączności sieciowej.
Deep Learning with TensorFlow
21 godzinTensorFlow to API drugiej generacji Google' biblioteki oprogramowania open source do uczenia głębokiego. System został zaprojektowany w celu ułatwienia badań nad uczeniem maszynowym oraz szybkiego i łatwego przejścia od prototypu badawczego do systemu produkcyjnego.
Uczestnicy
Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach Deep Learning
Po ukończeniu tego kursu uczestnicy będą
- rozumieć TensorFlow’strukturę i mechanizmy wdrażania
- być w stanie przeprowadzić zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
- być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie
TensorFlow for Image Recognition
28 godzinKurs ten bada, na konkretnych przykładach, zastosowanie Tensor Flow do celów rozpoznawania obrazów
Uczestnicy
Ten kurs jest przeznaczony dla inżynierów pragnących wykorzystać TensorFlow do celów rozpoznawania obrazów
Po ukończeniu tego kursu uczestnicy będą w stanie
- zrozumieć strukturę i mechanizmy wdrażania TensorFlow&rsquo
- przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
- oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
- wdrażać zaawansowane funkcje produkcyjne, takie jak trenowanie modeli, budowanie wykresów i logowanie
Natural Language Processing (NLP) with TensorFlow
35 godzinTensorFlow™ to biblioteka oprogramowania typu open source do obliczeń numerycznych z wykorzystaniem wykresów przepływu danych.
SyntaxNet to neuronowa platforma przetwarzania języka naturalnego dla TensorFlow.
Word2Vec jest używany do uczenia się wektorowych reprezentacji słów, zwanych "word embeddings". Word2vec jest szczególnie wydajnym obliczeniowo modelem predykcyjnym do uczenia się osadzania słów z surowego tekstu. Występuje on w dwóch wersjach: Continuous Bag-of-Words model (CBOW) i Skip-Gram model (rozdział 3.1 i 3.2 w Mikolov et al.).
Używane w tandemie, SyntaxNet i Word2Vec pozwalają użytkownikom generować wyuczone modele osadzania z danych wejściowych języka naturalnego.
Uczestnicy
Ten kurs jest skierowany do programistów i inżynierów, którzy zamierzają pracować z modelami SyntaxNet i Word2Vec w swoich wykresach TensorFlow.
Po ukończeniu tego kursu uczestnicy będą
- rozumieć TensorFlow’strukturę i mechanizmy wdrażania
- być w stanie przeprowadzić zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
- być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, osadzanie terminów, tworzenie wykresów i rejestrowanie