Deep Learning met TensorFlow 2 Training Cursus

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

Deze door een instructeur geleide, live training (online of op locatie) is gericht op professionals op gevorderd niveau die hun kennis van computer vision willen verdiepen en de mogelijkheden van TensorFlow willen verkennen voor het ontwikkelen van geavanceerde visiemodellen met behulp van Google Colab.

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

• Convolutional neural networks (CNNs) te bouwen en te trainen met behulp van TensorFlow.
• Google Colab te gebruiken voor schaalbare en efficiënte cloudgebaseerde modelleerontwikkeling.
• Afbeeldingsvoorbewerkingstechnieken te implementeren voor computer vision-taken.
• Computer vision-modellen te implementeren voor echte toepassingen.
• Transfer learning te gebruiken om de prestaties van CNN-modellen te verbeteren.
• De resultaten van afbeeldingsclassificatiemodellen te visualiseren en te interpreteren.

Deze door een instructeur geleide, live training (online of op locatie) is gericht op geavanceerde datawetenschappers en ontwikkelaars die deep learning technieken met behulp van de Google Colab omgeving willen begrijpen en toepassen.

Aan het einde van deze training kunnen de deelnemers:

• Google Colab instellen en navigeren voor deep learning projecten.
• De basisprincipes van neurale netwerken begrijpen.
• Deep learning modellen implementeren met behulp van TensorFlow.
• Deep learning modellen trainen en evalueren.
• Geavanceerde functies van TensorFlow voor deep learning gebruiken.

In deze instructiegeleide, live training in België, leren de deelnemers Python-bibliotheken voor NLP te gebruiken terwijl ze een applicatie ontwikkelen die een serie foto's verwerkt en bijschriften genereert.

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

• DL voor NLP te ontwerpen en programmeren met Python-bibliotheken.
• Python-code te schrijven die een groot aantal foto's leest en trefwoorden genereert.
• Python-code te schrijven die bijschriften genereert op basis van de gedetecteerde trefwoorden.

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.

Dit instructeur-led, live training in België (online of on-site) is gericht op data scientists die willen leren hoe ze TensorFlow kunnen gebruiken om potentiële fraudedata te analyseren.

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

• Een fraude-detectie model te creëren met Python en TensorFlow.
• Lineaire regressies en lineaire regressiemodellen op te bouwen om fraude te voorspellen.
• Een end-to-end AI-toepassing voor het analyseren van fraudedata te ontwikkelen.

In deze instructeurgeleide, live training in België (online of op locatie), zullen de deelnemers leren hoe ze TensorFlow Serving moeten configureren en gebruiken om ML-modellen te deployen en te beheren in een productieomgeving.

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

• Verschillende TensorFlow modellen te trainen, exporteren en serveren.
• Algoritmen te testen en te deployen met behulp van een enkele architectuur en set APIs.
• TensorFlow Serving uit te breiden om andere types modellen dan TensorFlow modellen te serveren.

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

Dit instructeurgeleide, live-training in België (online of ter plekke) is gericht op datawetenschappers die willen overstappen van het trainen van één ML-model naar het implementeren van veel ML-modellen in de productie.

Na afloop van deze training kunnen de deelnemers:

• TensorFlow Extended (TFX) en ondersteunende derde-partijshulpmiddelen installeren en configureren.
• TFX gebruiken om een volledige ML-productiepijplijn te maken en te beheren.
• Werken met TFX-componenten voor modellering, training, inferentiedienstverlening en beheer van implementaties.
• Machinaal lerenfuncties implementeren in webapplicaties, mobiele applicaties, IoT-apparaten en meer.

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

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

• Verschillende types neurale netwerken te trainen op grote hoeveelheden data.
• TPUs te gebruiken om het inferentieproces met tot twee ordes van grootte te versnellen.
• TPUs te benutten voor intensieve toepassingen zoals afbeeldingssuche, cloud vision en fotos.

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

Dit cursus begint met het geven van conceptuele kennis over neurale netwerken en in het algemeen over machine learning-algoritmen, deep learning (algoritmen en toepassingen).

Deel-1 (40%) van deze training richt zich meer op de basisprincipes, maar zal u helpen bij het juiste technologiekeuze maken: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Deel-2 (20%) van deze training introduceert Theano - een Python-bibliotheek die het schrijven van deep learning-modellen gemakkelijker maakt.

Deel-3 (40%) van de training zal breed aan TensorFlow gewijd zijn - de tweede generatie API van Google's open source software bibliotheek voor Deep Learning. De voorbeelden en handson exercises zullen allemaal in TensorFlow worden uitgevoerd.

Doelgroep

Dit cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten.

Nadat u deze cursus heeft voltooid, zullen de deelnemers:

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

• TensorFlow’s structuur en implementatiemechanismen begrijpen

• in staat zijn installatie-, productieomgeving- en architectuurtaken uit te voeren, evenals configuratie

• kwaliteit van code kunnen beoordelen, debugging en monitoring kunnen uitvoeren

• in staat zijn geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging uit te voeren