Deep Learning with TensorFlow Training Cursus

Dit is een 4-daagse cursus waarin je AI en de toepassing ervan introduceert. Er is een optie om na voltooiing van deze cursus een extra dag te hebben om een AI-project uit te voeren.

In deze door een instructeur geleide, live training leren deelnemers Python bibliotheken voor NLP te gebruiken terwijl ze een applicatie maken die een reeks afbeeldingen verwerkt en bijschriften genereert.

Aan het einde van deze training kunnen deelnemers:

• Ontwerp en codeer DL voor NLP met behulp van Python-bibliotheken.
• Maak Python code die een substantieel grote verzameling afbeeldingen leest en trefwoorden genereert.
• Maak Python code aan die bijschriften genereert op basis van de gedetecteerde trefwoorden.

Publiek

Deze cursus is geschikt voor onderzoekers en ingenieurs van Deep Learning die geïnteresseerd zijn in het gebruik van beschikbare hulpmiddelen (meestal open source) voor het analyseren van computerbeelden

Deze cursus biedt werkvoorbeelden.

Embedding Projector is een opensource-webtoepassing voor het visualiseren van de gegevens die worden gebruikt om machine-leersystemen te trainen Het is gemaakt door Google en maakt deel uit van TensorFlow Deze instructieve, live training introduceert de concepten achter Embedding Projector en leidt deelnemers door het opzetten van een demoproject Aan het einde van deze training kunnen deelnemers: Onderzoek hoe gegevens worden geïnterpreteerd door machine learning-modellen Navigeer door 3D- en 2D-weergaven van gegevens om te begrijpen hoe een algoritme voor machine-learning het interpreteert Begrijp de concepten achter Inbedding en hun rol in het representeren van wiskundige vectoren voor afbeeldingen, woorden en cijfers Verken de eigenschappen van een specifieke insluiting om het gedrag van een model te begrijpen Pas Embedding Project toe op realworld-use cases zoals het bouwen van een songaanbevelingssysteem voor muziekliefhebbers Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die TensorFlow willen gebruiken om potentiële fraudegegevens te analyseren.

Aan het einde van deze training kunnen deelnemers:

• Maak een fraudedetectiemodel in Python en TensorFlow.
• Bouw lineaire regressies en lineaire regressiemodellen om fraude te voorspellen.
• Ontwikkel een end-to-end AI-toepassing voor het analyseren van fraudegegevens.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ingenieurs die Machine Learning-workloads willen implementeren in een OpenShift on-premise of hybride cloud.

• Aan het einde van deze training kunnen deelnemers:
• Installeer en configureer Kubernetes en Kubeflow op een OpenShift-cluster.
• Gebruik OpenShift om het initialiseren van een Kubernetes-cluster te vereenvoudigen.
• Maak en implementeer een Kubernetes-pijplijn voor het automatiseren en beheren van ML-modellen in productie.
• Train en implementeer TensorFlow ML-modellen over meerdere GPU's en machines die parallel draaien.
• Roep openbare clouddiensten (bijvoorbeeld AWS-diensten) aan vanuit OpenShift om een ML-applicatie uit te breiden

Deze cursus geeft je kennis in neurale netwerken en in het algemeen in machine learning-algoritmen, deep learning (algoritmen en toepassingen).

Deze training is meer gericht op de basisprincipes, maar zal u helpen de juiste technologie te kiezen: TensorFlow, Caffe, Teano, DeepDrive, Keras, enz. De voorbeelden zijn gemaakt in TensorFlow.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die Tensorflow 2.x willen gebruiken om voorspellers, classificatoren, generatieve modellen, neurale netwerken enzovoort te bouwen.

Aan het einde van deze training kunnen deelnemers:

• Installeren en configureren TensorFlow 2.x.
• Begrijp de voordelen van TensorFlow 2.x ten opzichte van eerdere versies.
• Bouw deep learning-modellen.
• Implementeer een geavanceerde afbeeldingsclassificator.
• Implementeer een deep learning-model voor de cloud, mobiele apparaten en IoT-apparaten.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die TensorFlow.js willen gebruiken om patronen te identificeren en voorspellingen te genereren via machine learning-modellen.

Aan het einde van deze training kunnen deelnemers:

• Bouw en train machine learning-modellen met TensorFlow.js.
• Voer bestaande machine learning-modellen uit in de browser of onder Node.js.
• Train reeds bestaande machine learning opnieuw met behulp van aangepaste gegevens.

In deze door een instructeur geleide, live training in België (op locatie of op locatie) leren deelnemers hoe ze TensorFlow Serving kunnen configureren en gebruiken om ML-modellen in een productieomgeving te implementeren en te beheren.

Aan het einde van deze training kunnen deelnemers:

• Train, exporteer en bedien verschillende TensorFlow-modellen.
• Test en implementeer algoritmen met behulp van één enkele architectuur en set API's.
• Breid TensorFlow Serving uit om andere typen modellen te bedienen dan TensorFlow-modellen.

Deze cursus onderzoekt, met specifieke voorbeelden, de toepassing van Tensor Flow voor beeldherkenning

Publiek

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor TensorFlow

Na het voltooien van deze cursus kunnen afgevaardigden:

• de structuur en implementatiemechanismen van TensorFlow begrijpen
• voer installatie / productieomgeving / architectuurtaken en configuratie uit
• codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
• implementeer geavanceerde productie zoals trainingsmodellen, het bouwen van grafieken en logboekregistratie

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die willen overstappen van het trainen van een enkel ML-model naar het inzetten van vele ML-modellen naar productie.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer TFX en ondersteunende tools van derden.
• Gebruik TFX om een volledige ML-productiepijplijn te creëren en te beheren.
• Werk met TFX-componenten om modellering, training, gevolgtrekking en beheer van implementaties uit te voeren.
• Implementeer machine learning-functies voor webapplicaties, mobiele applicaties, IoT-apparaten en meer.

In deze door een instructeur geleide, live training leren deelnemers hoe ze kunnen profiteren van de innovaties in TPU-processors om de prestaties van hun eigen AI-applicaties te maximaliseren.

Aan het einde van de training kunnen deelnemers:

• Train verschillende soorten neurale netwerken op grote hoeveelheden data.
• Gebruik TPU's om het gevolgtrekkingsproces met maximaal twee ordes van grootte te versnellen.
• Gebruik TPU's om intensieve toepassingen te verwerken, zoals zoeken naar afbeeldingen, cloudvisie en foto's.

TensorFlow™ is een open-source software bibliotheek voor numerieke berekeningen met behulp van data flow graphs.

SyntaxNet is een neural-netwerk Natural Language Processing framework voor TensorFlow.

Word2Vec wordt gebruikt voor het leren van vector representaties van woorden, genaamd "word embeddings". Word2vec is een bijzonder computationeel-efficiënt voorspellend model voor het leren van woorden ingebedingen uit grondtekst. Het komt in twee smaken, het Continuous Bag-of-Words model (CBOW) en het Skip-Gram model (Chapter 3.1 en 3.2 in Mikolov et al.)

Gebruikt in tandem, SyntaxNet en Word2Vec stelt gebruikers in staat om Learned Embedding modellen te genereren vanuit de Natural Language input.

Het publiek

Deze cursus is gericht op Ontwikkelaars en ingenieurs die willen werken met SyntaxNet en Word2Vec modellen in hun TensorFlow grafieken.

Na het voltooien van deze cursus zullen de delegaten:

• begrijpen TensorFlow’s structuur en de uitvoeringsmechanismen
• in staat zijn om installatie / productieomgeving / architectuur taken en configuratie uit te voeren
• in staat zijn om de kwaliteit van de code te beoordelen, de debugging uit te voeren, het monitoren
• in staat zijn geavanceerde productie te implementeren zoals trainingsmodellen, ingebouwde termen, bouwschema's en logging

Deze cursus begint met het geven van conceptuele kennis in neurale netwerken en in het algemeen in machine learning-algoritme, deep learning (algoritmen en applicaties).

Deel 1 (40%) van deze training is meer gericht op de basisprincipes, maar helpt u bij het kiezen van de juiste technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Deel 2 (20%) van deze training introduceert Theano - een pythonbibliotheek die het schrijven van diepgaande leermodellen eenvoudig maakt.

Deel 3 (40%) van de training zou uitgebreid gebaseerd zijn op Tensorflow - 2e generatie API van de open source softwarebibliotheek van Go ogle voor Deep Learning . De voorbeelden en handson zouden allemaal in TensorFlow worden gemaakt.

Publiek

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten

Na het voltooien van deze cursus zullen de deelnemers:

• hebben een goed begrip van diepe neurale netwerken (DNN), CNN en RNN

• de structuur en implementatiemechanismen van TensorFlow begrijpen

• in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren

• codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren

• in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie