Formation Fundamentals of Intelligent Driving

Cette formation en Belgique (en ligne ou sur site) s'adresse aux développeurs et ingénieurs logiciels de niveau intermédiaire qui souhaitent créer des applications basées sur l'intelligence artificielle en utilisant le framework LangChain.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de LangChain et de ses composants.
• Intégrer LangChain avec de grands modèles de langage (LLM) comme GPT-4.
• Construire des applications modulaires d'IA en utilisant LangChain.
• Résoudre les problèmes courants dans les applications LangChain.

Cette formation en direct avec instructeur en Belgique (en ligne ou sur site) s'adresse aux développeurs et ingénieurs logiciels de niveau débutant à intermédiaire qui souhaitent apprendre les concepts et l'architecture de base de LangChain et acquérir les compétences pratiques pour créer des applications alimentées par l'IA.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de LangChain.
• Mettre en place et configurer l'environnement LangChain.
• Comprendre l'architecture et comment LangChain interagit avec les grands modèles de langage (LLM).
• Développer des applications simples en utilisant LangChain.

H2O AutoML is an artificial intelligence platform that automates the process of building, selecting and optimizing large numbers of machine learning models.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use H2O AutoML to automate the process of building and selecting the best machine learning algorithm and parameters.

By the end of this training, participants will be able to:

• Automate the machine learning workflow.
• Automatically train and tune many machine learning models within a specified time range.
• Train stacked ensembles to arrive at highly predictive ensemble models.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux praticiens de l'apprentissage automatique qui souhaitent utiliser Auto-sklearn pour automatiser le processus de sélection et d'optimisation d'un modèle d'apprentissage automatique.

A l'issue de cette formation, les participants seront capables de :

• Automatiser le processus de formation de modèles d'apprentissage automatique hautement efficaces.
• Construisez des modèles d'apprentissage automatique très précis en contournant les tâches les plus fastidieuses de sélection, d'entraînement et de test de différents modèles.
• Utilisez la puissance de l'apprentissage automatique pour résoudre des problèmes commerciaux concrets.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists ainsi qu'aux personnes moins techniques qui souhaitent utiliser Auto-Keras pour automatiser le processus de sélection et d'optimisation d'un modèle d'apprentissage automatique.

A l'issue de cette formation, les participants seront capables de :

• Automatiser le processus de formation de modèles d'apprentissage automatique hautement efficaces.
• Recherche automatique des meilleurs paramètres pour les modèles d'apprentissage profond.
• Construisez des modèles d'apprentissage automatique très précis.
• Utiliser la puissance de l'apprentissage automatique pour résoudre des problèmes commerciaux réels.

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation.

A l'issue de cette formation, les participants seront capables de :

Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images. Construire et entraîner des modèles Stable Diffusion pour les tâches de génération d'images. Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image. Optimiser les performances et la stabilité des modèles Stable Diffusion.

Cette formation en direct, animée par un instructeur, à Belgique (en ligne ou sur site), s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et compétences en apprentissage profond. pour la génération de texte en image.

A la fin de cette formation, les participants seront capables de :

Comprendre les architectures et techniques avancées d'apprentissage en profondeur pour la génération de texte en image. Implémentez des modèles et des optimisations complexes pour une synthèse d’images de haute qualité. Optimisez les performances et l’évolutivité pour les grands ensembles de données et les modèles complexes. Ajustez les hyperparamètres pour améliorer les performances et la généralisation du modèle. Intégrer Stable Diffusion à d'autres cadres et outils d'apprentissage en profondeur

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur place) s'adresse aux biologistes qui souhaitent comprendre le fonctionnement de AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de base de AlphaFold.
• Apprendre comment AlphaFold fonctionne.
• Apprendre à interpréter les prédictions et les résultats de AlphaFold.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser TensorFlow Lite pour déployer des modèles d'apprentissage profond sur des appareils embarqués.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Tensorflow Lite sur un appareil embarqué.
• Comprendre les concepts et les composants sous-jacents à TensorFlow Lite.
• Convertir les modèles existants au format TensorFlow Lite pour une exécution sur des appareils embarqués.
• Travailler dans les limites des petits appareils et de TensorFlow Lite, tout en apprenant à étendre la portée des opérations qui peuvent être exécutées.
• Déployer un modèle d'apprentissage profond sur un appareil embarqué fonctionnant sous Linux.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser TensorFlow Lite pour développer des applications mobiles dotées de capacités d'apprentissage en profondeur.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow Lite.
• Comprendre les principes derrière TensorFlow, l'apprentissage automatique et l'apprentissage profond.
• Charger des modèles TensorFlow sur un appareil Android.
• Activer les fonctionnalités d'apprentissage profond et d'apprentissage automatique telles que la vision par ordinateur et la reconnaissance du langage naturel dans une application mobile.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent écrire, charger et exécuter des modèles d'apprentissage automatique sur de très petits appareils embarqués.

A l'issue de cette formation, les participants seront capables de :

• Installer TensorFlow Lite.
• Charger des modèles d'apprentissage automatique sur un appareil embarqué pour lui permettre de détecter la parole, de classer des images, etc.
• Ajouter l'IA aux appareils matériels sans dépendre de la connectivité réseau.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser TensorFlow Lite pour développer des applications mobiles iOS dotées de capacités d'apprentissage en profondeur.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow Lite.
• Comprendre les principes derrière TensorFlow et l'apprentissage automatique sur les appareils mobiles.
• Charger des modèles TensorFlow sur un appareil iOS.
• Exécuter une application iOS capable de détecter et de classer un objet capturé par la caméra de l'appareil.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux chercheurs et développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python tout en rendant le code facile à déboguer.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et mettre en œuvre des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier les algorithmes existants pour optimiser les modèles d'apprentissage profond tout en tirant parti des GPUs pour obtenir de hautes performances.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des formations distribuées d'apprentissage profond et les mettre à l'échelle pour les exécuter sur plusieurs GPU en parallèle.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à exécuter des formations d'apprentissage profond.
• Installer et configurer Horovod pour former des modèles avec TensorFlow, Keras, PyTorch, et Apache MXNet.
• Mettre à l'échelle les formations d'apprentissage profond avec Horovod pour les exécuter sur plusieurs GPU.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent accélérer les applications d'apprentissage automatique en temps réel et les déployer à grande échelle.

A l'issue de cette formation, les participants seront capables de :

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision par ordinateur à l'aide d'un FPGA.
• Exécuter différentes couches CNN sur le FPGA.
• Mettre à l'échelle l'application sur plusieurs nœuds dans un cluster Kubernetes.