Prowadzone przez instruktorów kursy szkoleniowe Deep Learning (DL) online lub na miejscu demonstrują poprzez praktyczne ćwiczenia podstawy i zastosowania Deep Learning i obejmują takie tematy, jak głębokie uczenie maszynowe, głębokie uczenie strukturalne i uczenie hierarchiczne.
Szkolenie Deep Learning jest dostępne jako "szkolenie online na żywo" lub "szkolenie na miejscu na żywo". Szkolenie na żywo online (inaczej "zdalne szkolenie na żywo") odbywa się za pośrednictwem interaktywnego, zdalnego pulpitu. Szkolenie na żywo na miejscu może być prowadzone lokalnie w siedzibie klienta w Tarnów lub w korporacyjnych centrach szkoleniowych NobleProg w Tarnów.
NobleProg - lokalny dostawca szkoleń
Tarnów
Hotel Tarnovia, Kościuszki 10, Tarnów, Polska, 33-100
Sala szkoleniowa NobleProg jest usytuowana w hotelu Tarnovia przy ulicy Kościuszki 10 w Tarnowie. Dzielnica Strusina w której zlokalizowany jest hotel Tarnovia jest największą pod względem ludności dzielnicą Tarnowa. Dworzec PKP od sali szkoleniowej dzieli 500 metrów, jest to ok. 6 minut spaceru, z dworca autbousowego PKS odległość wynosi ok 350 metrów, spacerem przez ulicę Krakowską zajmie to ok. 4 minut.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą pogłębić swoją wiedzę na temat wizji komputerowej i poznać możliwości TensorFlow w zakresie opracowywania zaawansowanych modeli wizyjnych przy użyciu Google Colab.
Pod koniec tego szkolenia uczestnicy będą w stanie
Budować i trenować konwolucyjne sieci neuronowe (CNN) przy użyciu TensorFlow.
Wykorzystać Google Colab do skalowalnego i wydajnego rozwoju modeli opartych na chmurze.
Wdrażać techniki wstępnego przetwarzania obrazu dla zadań wizji komputerowej.
Wdrażanie modeli wizji komputerowej do rzeczywistych zastosowań.
Wykorzystanie uczenia transferowego w celu zwiększenia wydajności modeli CNN.
Wizualizacja i interpretacja wyników modeli klasyfikacji obrazów.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych naukowców zajmujących się danymi i programistów, którzy chcą zrozumieć i zastosować techniki głębokiego uczenia się przy użyciu środowiska Google Colab.
Pod koniec tego szkolenia uczestnicy będą w stanie
Konfigurować i nawigować Google Colab dla projektów głębokiego uczenia.
Zrozumieć podstawy sieci neuronowych.
Implementować modele głębokiego uczenia się przy użyciu TensorFlow.
Trenować i oceniać modele głębokiego uczenia.
Wykorzystywać zaawansowane funkcje TensorFlow do głębokiego uczenia.
This instructor-led, live training in Tarnów (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.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą specjalizować się w najnowocześniejszych technikach głębokiego uczenia się dla NLU.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć kluczowe różnice między modelami NLU i NLP.
Zastosować zaawansowane techniki głębokiego uczenia do zadań NLU.
Zbadać głębokie architektury, takie jak transformatory i mechanizmy uwagi.
Wykorzystać przyszłe trendy w NLU do budowania zaawansowanych systemów sztucznej inteligencji.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (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
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą wykorzystać techniki sztucznej inteligencji do zrewolucjonizowania procesów odkrywania i opracowywania leków.
Pod koniec tego szkolenia uczestnicy będą w stanie
Zrozumieć rolę sztucznej inteligencji w odkrywaniu i opracowywaniu leków.
Zastosować techniki uczenia maszynowego do przewidywania właściwości molekularnych i interakcji.
Wykorzystywać modele głębokiego uczenia do wirtualnych badań przesiewowych i optymalizacji potencjalnych leków.
Zintegrować podejścia oparte na sztucznej inteligencji z procesem badań klinicznych.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (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.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych naukowców zajmujących się danymi i inżynierów uczenia maszynowego, którzy chcą poprawić wydajność swoich modeli głębokiego uczenia się.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć zasady rozproszonego głębokiego uczenia się.
Zainstalować i skonfigurować DeepSpeed.
Skalować modele głębokiego uczenia na rozproszonym sprzęcie za pomocą DeepSpeed.
Wdrażać i eksperymentować z funkcjami DeepSpeed w celu optymalizacji i wydajności pamięci.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych programistów, którzy chcą korzystać z dużych modeli językowych do różnych zadań związanych z językiem naturalnym.
Pod koniec tego szkolenia uczestnicy będą mogli
To 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.
W tym prowadzonym przez instruktora szkoleniu na żywo w Tarnów uczestnicy poznają najbardziej odpowiednie i najnowocześniejsze techniki uczenia maszynowego w Python, budując serię aplikacji demonstracyjnych obejmujących obraz, muzykę, tekst i dane finansowe.
Pod koniec tego szkolenia uczestnicy będą mogli
Wdrożyć algorytmy i techniki uczenia maszynowego do rozwiązywania złożonych problemów.
Zastosować głębokie uczenie się i pół-nadzorowane uczenie się do aplikacji obejmujących obraz, muzykę, tekst i dane finansowe.
Jest to 4-dniowy kurs wprowadzający sztuczną inteligencję i jej zastosowanie przy użyciu języka programowania Python. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu.
To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów i analityków danych, którzy chcą nauczyć się podstaw Deep Reinforcement Learning podczas tworzenia agenta Deep Learning.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Zrozumienie kluczowych koncepcji stojących za Deep Reinforcement Learning i umiejętność odróżnienia go od uczenia maszynowego.
Zastosowanie zaawansowanych algorytmów Reinforcement Learning do rozwiązywania rzeczywistych problemów.
W tym prowadzonym przez instruktora szkoleniu na żywo w Tarnów uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla telekomunikacji przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć podstawowe koncepcje głębokiego uczenia się.
Poznać aplikacje i zastosowania głębokiego uczenia się w telekomunikacji.
Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla telekomunikacji.
Zbudować własny model przewidywania rezygnacji klientów oparty na uczeniu głębokim przy użyciu Python.
Kurs ten został stworzony dla menadżerów, architektów, analityków biznesowych i systemowych, menedżerów oprogramowania oraz wszystkich zainteresowanych przeglądem stosowania sztucznej inteligencji i prognozą dla jej rozwoju.
Kurs obejmuje sztuczną inteligencję (z naciskiem na Machine Learning i głębokie uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystywana w wielu sytuacjach w samochodzie: od prostej automatyzacji, rozpoznawania obrazu po autonomiczne podejmowanie decyzji.
This instructor-led, live training in Tarnów (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.
By the end of this training, participants will be able to:
Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
Write and understand procedural, functional, and object-oriented programming code.
Implement machine learning techniques such as classification, clustering, and neural networks.
Develop AI solutions using rules engines and expert systems for problem-solving.
Sztuczna sieć neuronowa to obliczeniowy model danych wykorzystywany w rozwoju Artificial Intelligence (AI) systemów zdolnych do wykonywania "inteligentnych" zadań. Neural Networks są powszechnie używane w aplikacjach Machine Learning (ML), które same w sobie są jedną z implementacji sztucznej inteligencji. Deep Learning jest podzbiorem ML.
Jest to 4-dniowy kurs wprowadzający w sztuczną inteligencję i jej zastosowanie. Istnieje możliwość odbycia dodatkowego dnia w celu podjęcia projektu AI po ukończeniu tego kursu.
This instructor-led, live training in Tarnów (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.
By the end of this training, participants will be able to:
Understand and implement various Machine Learning algorithms.
Prepare data and models for machine learning applications.
Conduct post hoc analyses and visualize results effectively.
Apply machine learning techniques to real-world, sector-specific scenarios.
Caffe 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
Publiczność
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
To prowadzone przez instruktora szkolenie na żywo w Tarnów (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.
Computer 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.
This instructor-led, live training in Tarnów (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
Apply core statistical methods to pattern recognition.
Use key models like neural networks and kernel methods for data analysis.
Implement advanced techniques for complex problem-solving.
Improve prediction accuracy by combining different models.
Ten kurs jest ogólnym przeglądem Deep Learning bez wchodzenia zbyt głęboko w jakiekolwiek konkretne metody. Jest odpowiedni dla osób, które chcą zacząć korzystać z uczenia głębokiego, aby zwiększyć dokładność przewidywania.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą zainstalować, skonfigurować, dostosować i używać platformy DeepMind Lab do rozwijania ogólnej sztucznej inteligencji i systemów uczenia maszynowego.
Pod koniec tego szkolenia uczestnicy będą mogli
Dostosować DeepMind Lab, aby zbudować i uruchomić środowisko, które odpowiada potrzebom uczenia się i szkolenia.
Używać środowiska symulacji 3D DeepMind Lab do szkolenia agentów uczących się z perspektywy pierwszej osoby.
Ułatwiać ocenę agentów w celu rozwijania inteligencji w świecie 3D przypominającym grę.
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla analityków biznesowych, naukowców zajmujących się danymi i programistów, którzy chcą budować i wdrażać modele głębokiego uczenia się w celu przyspieszenia wzrostu przychodów i rozwiązywania problemów w świecie biznesu.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Zrozumieć podstawowe koncepcje uczenia maszynowego i głębokiego uczenia.
Uzyskać wgląd w przyszłość biznesu i przemysłu dzięki ML i DL.
Definiować strategie biznesowe i rozwiązania z wykorzystaniem głębokiego uczenia.
Dowiedzieć się, jak zastosować naukę o danych i głębokie uczenie się w rozwiązywaniu problemów biznesowych.
Budowanie modeli głębokiego uczenia przy użyciu Python, Pandas, TensorFlow, CNTK, Torch, Keras itp.
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla bankowości przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć podstawowe koncepcje głębokiego uczenia się
Poznać aplikacje i zastosowania głębokiego uczenia się w bankowości
Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla bankowości
Zbudować własny model ryzyka kredytowego głębokiego uczenia przy użyciu Python.
Odbiorcy
Programiści
Naukowcy zajmujący się danymi
Format kursu
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
W tym instruktażowym szkoleniu na żywo w Tarnów uczestnicy nauczą się korzystać z Python bibliotek dla NLP, tworząc aplikację, która przetwarza zestaw zdjęć i generuje podpisy.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Projektowanie i kodowanie DL dla NLP przy użyciu Python bibliotek.
Tworzenie Python kodu, który odczytuje ogromną kolekcję zdjęć i generuje słowa kluczowe.
Stwórz Pythonkod, który generuje podpisy na podstawie wykrytych słów kluczowych.
Uczestnicy
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.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (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.
Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla analityków danych, którzy chcą wykorzystać TensorFlow do analizy danych dotyczących potencjalnych oszustw.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Stworzyć model wykrywania oszustw w Python i TensorFlow.
Zbudować regresje liniowe i modele regresji liniowej do przewidywania oszustw.
Opracować kompleksową aplikację AI do analizy danych dotyczących oszustw.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (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.
Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej ze studentami na Lasagne lub Keras w zależności od grupy dydaktycznej.
Metoda nauczania: prezentacja, dyskusja i studia przypadków
Sztuczna inteligencja zrewolucjonizowała wiele dziedzin nauki, a obecnie zaczyna rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od realiów domen Machine Learning i Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy już opanowali narzędzia informatyczne (w tym podstawową wiedzę na temat programowania oprogramowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych istniejących obecnie architektur sieciowych. Chociaż podstawy matematyczne są przywoływane podczas kursu, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. Całkowicie możliwe jest pominięcie matematyki w celu zachowania jedynie wizji "systemów", ale takie podejście znacznie ograniczy zrozumienie tematu.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (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.
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych profesjonalistów, którzy chcą rozwinąć swoją wiedzę na temat algorytmów uczenia maszynowego, technik uczenia głębokiego i podejmowania decyzji opartych na sztucznej inteligencji. Kurs zapewnia praktyczne doświadczenie z koncepcjami uczenia maszynowego, modelami uczenia głębokiego i praktycznymi implementacjami przy użyciu R.Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć podstawy uczenia maszynowego i głębokiego uczenia się.
Zastosować różne algorytmy uczenia maszynowego do regresji, klasyfikacji, klastrowania i wykrywania anomalii.
Korzystać z architektur głębokiego uczenia, takich jak sztuczne sieci neuronowe (ANN).
Wdrażanie nadzorowanych i nienadzorowanych modeli uczenia się.
Ocena wydajności modelu i optymalizacja hiperparametrów.
Wykorzystanie R do analizy danych, wizualizacji i aplikacji uczenia maszynowego.
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
To prowadzone przez instruktora szkolenie na żywo w Tarnów (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą programować w Python z OpenCV 4 do głębokiego uczenia się.
Pod koniec tego szkolenia uczestnicy będą mogli
Przeglądać, ładować i klasyfikować obrazy i filmy za pomocą OpenCV 4.
Wdrożyć głębokie uczenie w OpenCV 4 z TensorFlow i Keras.
Uruchamiać modele głębokiego uczenia i generować wpływowe raporty z obrazów i filmów.
OpenFace to Python i Torch oparte na otwartym oprogramowaniu do rozpoznawania twarzy w czasie rzeczywistym, oparte na badaniach FaceNet firmy Google.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy.
Pod koniec tego szkolenia uczestnicy będą mogli
Pracować z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4, aby zaimplementować wykrywanie twarzy, wyrównanie i transformację.
Zastosować OpenFace do rzeczywistych zastosowań, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja powtarzających się klientów itp.
Odbiorcy
Programiści
Naukowcy zajmujący się danymi
Format kursu
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak skonfigurować i używać OpenNMT do tłumaczenia różnych przykładowych zestawów danych. Kurs rozpoczyna się od przeglądu sieci neuronowych, które mają zastosowanie do tłumaczenia maszynowego. Uczestnicy będą wykonywać ćwiczenia na żywo podczas całego kursu, aby zademonstrować zrozumienie poznanych pojęć i uzyskać informacje zwrotne od instruktora.
Pod koniec tego szkolenia uczestnicy będą mieli wiedzę i praktykę potrzebną do wdrożenia rozwiązania na żywo OpenNMT.
Próbki języka źródłowego i docelowego zostaną wstępnie zaaranżowane zgodnie z wymaganiami odbiorców.
Format kursu
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają zaawansowane techniki Machine Learning z R, przechodząc przez proces tworzenia rzeczywistej aplikacji.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Zrozumienie i wdrożenie nienadzorowanych technik uczenia się
Zastosowanie klastrowania i klasyfikacji do tworzenia prognoz w oparciu o rzeczywiste dane.
Wizualizacja danych w celu szybkiego uzyskania wglądu, podejmowania decyzji i dalszego udoskonalania analizy.
Poprawa wydajności modelu uczenia maszynowego przy użyciu dostrajania hiper-parametrów.
Wdrożenie modelu do produkcji w celu wykorzystania w większej aplikacji.
Zastosuj zaawansowane techniki uczenia maszynowego, aby odpowiedzieć na pytania dotyczące danych sieci społecznościowych, dużych zbiorów danych i innych.
Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów i analityków danych, którzy chcą korzystać z Tensorflow 2.x do tworzenia predyktorów, klasyfikatorów, modeli generatywnych, sieci neuronowych itp.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Instalacja i konfiguracja TensorFlow 2.x.
Zrozumienie korzyści płynących z TensorFlow 2.x w porównaniu z poprzednimi wersjami.
Buduj modele głębokiego uczenia.
Wdrożenie zaawansowanego klasyfikatora obrazów.
Deploy a deep learning model to the cloud, mobile and IoT devices.
Szkolenie 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.
W tym prowadzonym przez instruktora szkoleniu na żywo w Tarnów (online lub na miejscu) uczestnicy dowiedzą się, jak skonfigurować i używać TensorFlow Serving do wdrażania modeli ML i zarządzania nimi w środowisku produkcyjnym.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Trenuj, eksportuj i obsługuj różne modele TensorFlow.
Testowanie i wdrażanie algorytmów przy użyciu jednej architektury i zestawu interfejsów API.
Rozszerzenie TensorFlow Serving w celu obsługi innych typów modeli poza modelami TensorFlow.
TensorFlow 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.
Publiczność
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
Kurs ten bada, na konkretnych przykładach, zastosowanie Tensor Flow do celów rozpoznawania obrazów
Publiczność
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
To prowadzone przez instruktora szkolenie na żywo w Tarnów (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą przejść od szkolenia pojedynczego modelu ML do wdrożenia wielu modeli ML do produkcji.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Instalacja i konfiguracja TFX oraz narzędzi innych firm.
Używanie TFX do tworzenia i zarządzania kompletnym potokiem produkcyjnym ML.
Praca z komponentami TFX w celu przeprowadzenia modelowania, szkolenia, obsługi wnioskowania i zarządzania wdrożeniami.
Wdrażaj funkcje uczenia maszynowego w aplikacjach internetowych, aplikacjach mobilnych, urządzeniach IoT i nie tylko.
W tym instruktażowym szkoleniu na żywo w Tarnów uczestnicy dowiedzą się, jak wykorzystać innowacje w procesorach TPU, aby zmaksymalizować wydajność własnych aplikacji AI.
Po zakończeniu szkolenia uczestnicy będą w stanie
Trenowanie różnych typów sieci neuronowych na dużych ilościach danych.
Użycie procesorów TPU do przyspieszenia procesu wnioskowania nawet o dwa rzędy wielkości.
Użyj TPU do przetwarzania intensywnych aplikacji, takich jak wyszukiwanie obrazów, widzenie w chmurze i zdjęcia.
TensorFlow™ 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.
Publiczność
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
Ten kurs rozpoczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych i ogólnie algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).
Część 1 (40%) tego szkolenia koncentruje się bardziej na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow, Caffe, Theano, DeepDrive, Keras itp.
Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia się.
Część trzecia (40%) szkolenia będzie w znacznym stopniu oparta na Tensorflow - API drugiej generacji otwartej biblioteki oprogramowania Google do uczenia głębokiego. Przykłady i ćwiczenia zostaną wykonane w TensorFlow.
Publiczność
Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach Deep Learning
Po ukończeniu tego kursu uczestnicy będą
dobrze rozumie głębokie sieci neuronowe (DNN), CNN i RNN
rozumieć TensorFlow’ strukturę i mechanizmy wdrażania
być w stanie wykonać 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
Więcej...
Ostatnia aktualizacja:
Opinie uczestników (17)
Świetny kontakt z uczestnikami, wiedza praktyczna co bardzo się ceni. Dostosowanie toku / tempa. Duuuży plus, mega pozytywny instruktor, aż szkoda że szkolenie trwało tylko 2 dni.
Marcin Mikielewicz - TECNOBIT SLU
Szkolenie - Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
Jasność, z jaką było przedstawione
John McLemore - Motorola Solutions
Szkolenie - Deep Learning for Telecom (with Python)
Przetłumaczone przez sztuczną inteligencję
Trener wyjaśnił treść dobrze i był zaangażowany przez cały czas. Zatrzymywał się, aby zadać pytania, i pozwolił nam samodzielnie dojść do rozwiązań w niektórych praktycznych sesjach. Dojść do rozwiązań w niektórych praktycznych sesjach. Ponadto dostosował kurs do naszych potrzeb.
Robert Baker
Szkolenie - Deep Learning with TensorFlow 2.0
Przetłumaczone przez sztuczną inteligencję
Tomasz naprawdę dobrze znał informacje i kurs był dobrze dobrany.
Raju Krishnamurthy - Google
Szkolenie - TensorFlow Extended (TFX)
Przetłumaczone przez sztuczną inteligencję
Organizacja, przestrzegając proponowanego porządku obrad, wiedza trenera w tej dziedzinie
Ali Kattan - TWPI
Szkolenie - Natural Language Processing with TensorFlow
Przetłumaczone przez sztuczną inteligencję
Trener był profesjonalistą w dziedzinie tematu i doskonało łączył teorię z praktyką.
Fahad Malalla - Tatweer Petroleum
Szkolenie - Applied AI from Scratch in Python
Przetłumaczone przez sztuczną inteligencję
Dużo wskazówek praktycznych
Pawel Dawidowski - ABB Sp. z o.o.
Szkolenie - Deep Learning with TensorFlow
Duża wiedza teoretyczna i praktyczna prowadzących. Komunikatywność prowadzących. W trakcie kursu można było zadawać pytania i uzyskać satysfakcjonujące odpowiedzi.
Kamil Kurek - ING Bank Slaski S.A.; Kamil Kurek Programowanie
Szkolenie - Understanding Deep Neural Networks
Szczegółowe omówienie zagadnień związanych z uczeniem maszynowym, w szczególności sieci neuronowe. Demistyfikowało wiele z tych tematów.
Sacha Nandlall
Szkolenie - Python for Advanced Machine Learning
Przetłumaczone przez sztuczną inteligencję
Odkładany, aktualny podejście lub CPI (TensorFlow, era, learn) do tworzenia uczenia maszynowego.
Paul Lee
Szkolenie - TensorFlow for Image Recognition
Przetłumaczone przez sztuczną inteligencję
Lubię nowe wglądy w głębokim uczeniu maszynowym.
Josip Arneric
Szkolenie - Neural Network in R
Przetłumaczone przez sztuczną inteligencję
Trener bardzo zrozumiale wytłumaczył trudne i zaawansowane tematy.
Leszek K
Szkolenie - Artificial Intelligence Overview
Otrzymaliśmy dużo więcej informacji na temat tematu. Zostały przeprowadzone ciekawe dyskusje na temat realnych spraw w naszej firmie.
Sebastiaan Holman
Szkolenie - Machine Learning and Deep Learning
Przetłumaczone przez sztuczną inteligencję
Przegląd globalny uczenia głębokiego.
Bruno Charbonnier
Szkolenie - Advanced Deep Learning
Przetłumaczone przez sztuczną inteligencję
Temat jest bardzo interesujący.
Wojciech Baranowski
Szkolenie - Introduction to Deep Learning
Przetłumaczone przez sztuczną inteligencję
Anna stworzyła wspaniałe środowisko do zadawania pytań i uczenia się. Bawiliśmy się wspaniale i jednocześnie uczymy się wielu rzeczy.
Gudrun Bickelq
Szkolenie - Introduction to the use of neural networks
Przetłumaczone przez sztuczną inteligencję
Było bardzo interaktywne i mniej formalne, niż się spodziewałem. Porozmawialiśmy na wiele tematów w tym czasie, a trener zawsze był gotowy do bardziej szczegółowego lub ogólnej dyskusji o tych tematach oraz ich związki. Czuję, że szkolenie podarowało mi narzędzia do dalszego uczenia się, a nie było to jednorazowe spotkanie, w którym nauka kończy się po zakończeniu sesji, co jest bardzo ważne w świetle skali i złożoności tematu.
Jonathan Blease
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking