TensorFlow Serving 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 instructeurgeleide live training in België (online of on-site) is gericht op geavanceerde professionals die hun begrip van computer vision willen verdiepen en de mogelijkheden van TensorFlow voor het ontwikkelen van soepelijke visiemodellen met Google Colab willen verkennen.

Na afloop van deze training zullen deelnemers in staat zijn:

• Convolutieve neurale netwerken (CNNs) te bouwen en trainen met TensorFlow.
• Google Colab te gebruiken voor schaalbare en efficiënte cloudgebaseerde modelontwikkeling.
• Afbeeldingspreprocessing technieken toe te passen voor computer vision taken.
• Computer vision modellen in de praktijk te implementeren.
• Transfer learning te gebruiken om de prestaties van CNN-modellen te verbeteren.
• De resultaten van afbeeldingsclassificatiemodellen te visualiseren en 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.

Deze instructeur-gelede, live training in België (online of ter plekke) is gericht op developers en data scientists die Tensorflow 2.x willen gebruiken om predictors, classificators, generatieve modellen, neurale netwerken enzovoort te bouwen.

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

• TensorFlow 2.x te installeren en te configureren.
• Inzicht te krijgen in de voordelen van TensorFlow 2.x ten opzichte van eerdere versies.
• Deep learning modellen te bouwen.
• Een geavanceerde beeldclassificator te implementeren.
• Een deep learning model te deployen naar de cloud, mobiele apparaten en IoT-apparatuur.

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.

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 conceptuele kennis over neurale netwerken en machine learning-algoritmen in het algemeen, diep leren (algoritmen en toepassingen).

Deel-1 (40%) van deze training richt zich voornamelijk op de grondbeginselen, maar helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

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

Deel-3 (40%) van de training is uitgebreid gebaseerd op TensorFlow - API van Google's open source softwarebibliotheek voor Deep Learning. De voorbeelden en handsonpracticum worden allemaal in TensorFlow gemaakt.

Doelgroep

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

Na het afwerken van deze cursus kunnen de cursisten:

• een goede kennis hebben van diepe neurale netwerken (DNN), CNN en RNN
• de structuur en implementatiemechanismen van TensorFlow begrijpen
• in staat zijn om installatietaken, productieomgeving, architectuurtaken en configuratie uit te voeren
• de kwaliteit van code kunnen beoordelen, debuggen en monitoren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging kunnen uitvoeren