Machine Learning en Deep Learning Training Cursus

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor datawetenschappers van gemiddeld tot gevorderd niveau, machine learning-ingenieurs, deep learning-onderzoekers en computervisie-experts die hun kennis en vaardigheden op het gebied van deep learning willen uitbreiden voor het genereren van tekst-naar-beeld.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp geavanceerde deep learning-architecturen en -technieken voor het genereren van tekst-naar-beeld.
• Implementeer complexe modellen en optimalisaties voor hoogwaardige beeldsynthese.
• Optimaliseer prestaties en schaalbaarheid voor grote datasets en complexe modellen.
• Stem hyperparameters af voor betere modelprestaties en generalisatie.
• Integreer Stable Diffusion met andere frameworks en tools voor deep learning

Deze door een instructeur geleide, live training in België (online of ter plaatse) is bedoeld voor biologen die willen begrijpen hoe AlphaFold werkt en AlphaFold modellen als leidraad willen gebruiken in hun experimentele studies.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de basisprincipes van AlphaFold.
• Meer informatie over hoe AlphaFold werkt.
• Leer hoe u AlphaFold voorspellingen en resultaten kunt interpreteren.

Caffe is een deep learning framework ontworpen met expressiviteit, snelheid en modulariteit in gedachten.

Dit cursus verken de toepassing van Caffe als een Deep Learning framework voor beeldherkenning, waarbij MNIST als voorbeeld wordt gebruikt.

Doelgroep

Dit cursus is geschikt voor Deep Learning onderzoekers en ingenieurs die geïnteresseerd zijn in het gebruik van Caffe als framework.

Nadat de deelnemers deze cursus hebben voltooid, zullen zij in staat zijn om:

• de structuur en implementatiemechanismen van Caffe te begrijpen
• installatie-, productieomgeving- en architectuurtaakjes uit te voeren en configuraties toe te passen
• codekwaliteit te beoordelen, debuggen en bewaken uit te voeren
• geavanceerde productietaken zoals het trainen van modellen, implementatie van lagen en logboekregistratie uit te voeren

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor onderzoekers en ontwikkelaars die Chainer willen gebruiken om neurale netwerken te bouwen en te trainen in Python en tegelijkertijd de code gemakkelijk te debuggen te maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet de benodigde ontwikkelomgeving op om te beginnen met het ontwikkelen van neurale netwerkmodellen.
• Definieer en implementeer neurale netwerkmodellen met behulp van een begrijpelijke broncode.
• Voer voorbeelden uit en wijzig bestaande algoritmen om deep learning-trainingsmodellen te optimaliseren en tegelijkertijd gebruik te maken van GPUs voor hoge prestaties.

Computer Network ToolKit (CNTK) is Microsoft's Open Source, Multi-machine, Multi-GPU, Zeer efficiënte RNN-training machine learning-framework voor spraak, tekst en afbeeldingen.

Audiëntie

Deze cursus is bedoeld voor ingenieurs en architecten die CNTK in hun projecten willen gebruiken.

Publiek

Dit cursus is geschikt voor Deep Learning onderzoekers en ingenieurs die geïnteresseerd zijn in het gebruik van beschikbare tools (voornamelijk opensource) voor het analyseren van computers afbeeldingen.

Deze cursus biedt praktijkvoorbeelden.

Deze door een instructeur geleide, live-training (online of ter plekke) is gericht op ontwikkelaars, datawetenschappers en AI-practitioners op intermediair niveau die TensorFlow Lite willen inzetten voor Edge AI-toepassingen.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van TensorFlow Lite en zijn rol in Edge AI te begrijpen.
• AI-modellen te ontwikkelen en te optimaliseren met behulp van TensorFlow Lite.
• TensorFlow Lite-modellen te implementeren op verschillende randapparaten.
• Gebruik te maken van gereedschappen en technieken voor modelconversie en optimalisatie.
• Praktische Edge AI-toepassingen te implementeren met behulp van TensorFlow Lite.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor datawetenschappers die real-time machine learning-toepassingen willen versnellen en op schaal willen implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer de OpenVINO toolkit.
• Versnel een computer vision-toepassing met behulp van een FPGA.
• Voer verschillende CNN-lagen uit op de FPGA.
• Schaal de toepassing over meerdere knooppunten in een Kubernetes-cluster.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor ontwikkelaars of datawetenschappers die Horovod willen gebruiken om gedistribueerde deep learning-trainingen uit te voeren en deze op te schalen om parallel over meerdere GPUs te draaien.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet de benodigde ontwikkelomgeving op om te beginnen met het uitvoeren van deep learning-trainingen.
• Installeer en configureer Horovod om modellen te trainen met TensorFlow, Keras, PyTorch en Apache MXNet.
• Schaal deep learning-training met Horovod om op meerdere GPUs uit te voeren.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor technische personen die het deep learning-model willen toepassen op beeldherkenningstoepassingen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer en configureer Keras.
• Maak snel prototypes van deep learning-modellen.
• Implementeer een convolutioneel netwerk.
• Implementeer een terugkerend netwerk.
• Voer een deep learning-model uit op zowel een CPU als GPU.

Deze live training onder leiding van een instructeur (online of ter plaatse) is bedoeld voor datawetenschappers, machine learning-ingenieurs en computervisie-onderzoekers die Stable Diffusion willen gebruiken om afbeeldingen van hoge kwaliteit te genereren voor verschillende gebruiksscenario's.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de principes van Stable Diffusion en hoe het werkt voor het genereren van afbeeldingen.
• Bouw en train Stable Diffusion-modellen voor taken voor het genereren van afbeeldingen.
• Pas Stable Diffusion toe op verschillende scenario's voor het genereren van afbeeldingen, zoals inpainting, outpainting en beeld-naar-beeld-vertaling.
• Optimaliseer de prestaties en stabiliteit van Stable Diffusion modellen.

Dit instructeur-led, live training in België (online of ter plaatse) is gericht op ingenieurs die willen leren hoe ze machine learning-modellen schrijven, laden en uitvoeren op zeer kleine ingesloten apparaten.

Na afloop van deze training zullen de deelnemers in staat zijn:

• TensorFlow Lite te installeren.
• Machine learning-modellen op een ingesloten apparaat te laden om spraak herkenning, afbeeldingen classificeren, etc. mogelijk te maken.
• Kunstmatige intelligentie toe te voegen aan hardware-apparaten zonder netwerkverbinding nodig te hebben.

TensorFlow is een tweede generatie API van Google's open source softwarebibliotheek voor Deep Learning. Het systeem is ontworpen om onderzoek naar machine learning te vergemakkelijken en om snel en gemakkelijk over te schakelen van een onderzoeksprototype naar een productiesysteem.

Doelgroep

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

Nadat de deelnemers deze cursus hebben voltooid, kunnen zij:

• de structuur en implementatiemechanismen van TensorFlow begrijpen
• installatie-, productieomgeving- en architectuksTaken uitvoeren en configuraties instellen
• kwaliteit van code beoordelen, debugging en monitoring uitvoeren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging uitvoeren

Dit cursus verkent, met specifieke voorbeelden, de toepassing van TensorFlow voor het doel van beeldherkenning

Doelpubliek

Dit cursus is bedoeld voor ingenieurs die TensorFlow willen inzetten voor de doeleinden van Beeldherkenning

Nadat u deze cursus hebt voltooid, kunt u:

• TensorFlow’s structuur en implementatiemechanismen begrijpen
• installatie-, productieomgeving- en architectuurtaken uitvoeren en configureren
• kwaliteit van code beoordelen, foutopsporing en monitoring uitvoeren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging implementeren

TensorFlow™ is een open source softwarebibliotheek voor numerieke berekeningen met behulp van dataflow grafieken.

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

Word2Vec wordt gebruikt om vectorrepresentaties van woorden te leren, ook wel "woordembeddings" genoemd. Word2vec is een bijzonder berekeningsmatig efficiënt voorspellend model om woordembeddings uit rauwe tekst te leren. Het komt in twee varianten voor: het Continuous Bag-of-Words model (CBOW) en het Skip-Gram model (hoofdstuk 3.1 en 3.2 bij Mikolov et al.).

Gebruikt in combinatie, SyntaxNet en Word2Vec maken het gebruikers mogelijk om Learned Embedding modellen te genereren vanuit Natural Language input.

Doelgroep

Dit cursus is bedoeld voor ontwikkelaars en ingenieurs die werken met SyntaxNet- en Word2Vec-modellen in hun TensorFlow grafieken.

Nadat de deelnemers deze cursus hebben voltooid, zullen zij:

• TensorFlow’s structuur en implementatiemechanismen begrijpen
• in staat zijn installatie-, productieomgeving-, architectuurtaken en configuratie uit te voeren
• in staat zijn codekwaliteit te beoordelen, debugging en monitoring uit te voeren
• in staat zijn geavanceerde productietaaken uit te voeren zoals het trainen van modellen, embedden van termen, bouwen van grafieken en logging