Deep Learning Trainingen in Brugge

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 instructeurgeleide live training in Brugge (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.

Deze door een instructeur geleide, live training in Brugge (online of ter plaatse) is bedoeld voor professionals op gevorderd niveau die zich willen specialiseren in geavanceerde deep learning-technieken voor NLU.

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

• Begrijp de belangrijkste verschillen tussen NLU- en NLP-modellen.
• Pas geavanceerde deep learning-technieken toe op NLU-taken.
• Verken diepgaande architecturen zoals transformatoren en aandachtsmechanismen.
• Maak gebruik van toekomstige trends in NLU voor het bouwen van geavanceerde AI-systemen.

Deze door een instructeur geleide, live training in Brugge (online of ter plaatse) is gericht op professionals op gevorderd niveau die state-of-the-art XAI-technieken voor deep learning-modellen willen verkennen, met een focus op het bouwen van interpreteerbare AI-systemen.

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

• Begrijp de uitdagingen van uitlegbaarheid in deep learning.
• Implementeer geavanceerde XAI-technieken voor neurale netwerken.
• Interpreteer beslissingen die zijn genomen door deep learning-modellen.
• Evalueer de afwegingen tussen prestaties en transparantie.

Deze live training onder leiding van een instructeur in Brugge (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 Brugge (online of ter plaatse) is gericht op professionals op geavanceerd niveau die AI-technieken willen inzetten om de proces van ontdekking en ontwikkeling van geneesmiddelen te revolutioneren.

Aan het einde van deze training kunnen de deelnemers:

• Het rol van AI in de ontdekking en ontwikkeling van geneesmiddelen begrijpen.
• Machine learning technieken toepassen om moleculaire eigenschappen en interacties te voorspellen.
• Deep learning modellen gebruiken voor virtuele screening en leidoptimalisatie.
• AI-gestuurde benaderingen integreren in het proces van klinische onderzoeken.

Deze door instructeurs geleide, live training in Brugge (online of op locatie) is gericht op biologen die wensen te 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:

• De basisprincipes van AlphaFold te begrijpen.
• Te leren hoe AlphaFold werkt.
• Te leren hoe AlphaFold-voorspellingen en -resultaten te interpreteren.

Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor beginnende tot gemiddelde datawetenschappers en machine learning-ingenieurs die de prestaties van hun deep learning-modellen willen verbeteren.

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

• Begrijp de principes van gedistribueerd deep learning.
• Installeer en configureer DeepSpeed.
• Schaal deep learning-modellen op gedistribueerde hardware met behulp van DeepSpeed.
• Implementeer en experimenteer met DeepSpeed-functies voor optimalisatie en geheugenefficiëntie.

Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor ontwikkelaars van beginners tot gemiddeld niveau die grote taalmodellen willen gebruiken voor verschillende natuurlijke taaltaken.

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

• Zet een ontwikkelomgeving op met een populaire LLM.
• Maak een basis-LLM en verfijn deze op een aangepaste dataset.
• Gebruik LLM's voor verschillende taken in natuurlijke taal, zoals tekstsamenvatting, vraagbeantwoording, tekstgeneratie en meer.
• Debug en evalueer LLM's met behulp van tools zoals TensorBoard, PyTorch Lightning en Hugging Face datasets.

Deze door een instructeur geleide, live training (online of ter plaatse) is gericht op data scientists, machine learning-engineers en onderzoekers op het gebied van computervisie die Stable Diffusion willen inzetten om hoogwaardige afbeeldingen te genereren voor uiteenlopende gebruiksscenario's.

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

• De principes van Stable Diffusion te begrijpen en te zien hoe het werkt voor afbeeldingsgeneratie.
• Stable Diffusion-modellen te bouwen en te trainen voor taakgebieden rond afbeeldingsgeneratie.
• Stable Diffusion toe te passen in diverse scenario's voor afbeeldingsgeneratie, zoals inpainting, outpainting en afbeelding-naar-afbeelding vertaling.
• De prestaties en stabiliteit van Stable Diffusion-modellen te optimaliseren.

In deze door een instructeur geleide, live training in Brugge, leren de deelnemers de meest actuele en geavanceerde machine learning technieken in Python kennen terwijl ze een serie demo-applicaties bouwen met betrekking tot afbeeldingen, muziek, tekst en financiële gegevens.

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

• Machine learning-algoritmen en technieken te implementeren voor het oplossen van complexe problemen.
• Diepleer- en semi-supervised leermethodes toe te passen op applicaties die betrekking hebben op afbeeldingen, muziek, tekst en financiële gegevens.
• Python-algoritmen tot hun maximale potentieel te benutten.
• Bibliotheken en pakketten zoals NumPy en Theano te gebruiken.

Toegepaste AI vanuit het nul in Python voorziet programmeurs en data-analisten van basisvaardigheden voor het bouwen van machine learning-oplossingen vanaf de grond met behulp van Python. Beslaat kernprincipes van supervised learning (classificatie en regressie), unsupervised learning (clustering en anomaliedetectie), en geavanceerde neurale netwerkarchitecturen. Onderzoekt bewezen methoden voor het werken met scikit-learn, Apache Spark MLlib en Jupyter notebooks voor praktische AI-ontwikkeling. Helpt professionals bij het implementeren van praktische ML-modellen, het evalueren van algoritmebeperkingen en het afronden van toegepaste projecten voor probleemoplossing in de echte wereld.

Deep Reinforcement Learning (DRL) combineert de principes van reinforcement learning met diep leergeving architecturen, zodat agenten beslissingen kunnen nemen door interactie met hun omgevingen. Het vormt de basis voor veel moderne AI-vooruitgang zoals zelfrijdende voertuigen, robotbesturing, algoritmische handel en adaptieve aanbevelingssystemen. DRL stelt een kunstmatige agent in staat strategieën te leren, beleid te optimaliseren en autonome beslissingen te nemen op basis van proef-en-error met behulp van beloninggebaseerd leren.

Deze door een docent geleide, live training (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers op intermediair niveau die Deep Reinforcement Learning technieken willen leren en toepassen om intelligente agenten te bouwen die in staat zijn tot autonome besluitvorming in complexe omgevingen.

Na voltooiing van deze training kunnen de deelnemers:

• De theoretische grondslagen en wiskundige principes van Reinforcement Learning begrijpen.
• Sleutel RL-algoritmen implementeren, waaronder Q-Learning, Policy Gradients en Actor-Critic methoden.
• Deep Reinforcement Learning agenten bouwen en trainen met TensorFlow of PyTorch.
• DRL toepassen op praktische toepassingen zoals games, robotica en besluitoptimalisatie.
• Trainingprestaties oplossen, visualiseren en optimaliseren met behulp van moderne hulpmiddelen.

Opzet van de cursus

• Interactieve college en begeleide discussie.
• Handson-oefeningen en praktische implementaties.
• Live codemonstraties en projectgebaseerde toepassingen.

Opties voor cursusaanpassing

• Om een aangepaste versie van deze cursus aan te vragen (bijvoorbeeld het gebruik van PyTorch in plaats van TensorFlow), neem contact met ons op om dit te regelen.

Door de basisprincipes van kunstmatige intelligentie te onderzoeken, wordt duidelijk hoe intelligente technologie de digitale strategie, automatisering en besluitvorming in bedrijfsprocessen transformeert. Het belicht kernconcepten die reiken van de geschiedenis van AI, probleemoplossingskaders en kennisrepresentatie tot onzeker redeneren en machine learning-paradigma's, evenals communicatie, perceptie en autonoom handelen. Het stelt directeuren en architecten in staat om kansen voor AI-gedreven transformatie te evalueren, trends in opkomende technologieën te beoordelen en praktische intelligente oplossingen te integreren om de bedrijfsagiliteit te versnellen.

Deze cursus omvat AI (emphasizing Machine Learning en Deep Learning) in Automotive Industrie. Het helpt om te bepalen welke technologie (potentieel) kan worden gebruikt in meerdere situaties in een auto: van eenvoudige automatisering, beeldrecognitie tot autonome besluitvorming.

Kunstmatig neuraal netwerk is een computationeel gegevensmodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) systemen die in staat zijn om "intelligente" taken uit te voeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.

Deze live training onder leiding van een instructeur in Brugge (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.

Deze door een instructeur geleide live training op Brugge (online of op locatie) biedt een introductie in het gebied van patroonherkenning en machine learning. Het raakt aan praktische toepassingen in statistiek, informatica, signaalverwerking, computervisie, datamining en bio-informatiek.

Na afloop van deze training kunnen de deelnemers:

• Kernstatistische methoden toepassen op patroonherkenning.
• Sleutelmodellen zoals neurale netwerken en kernelmethoden gebruiken voor gegevensanalyse.
• Geavanceerde technieken implementeren voor complex probleemoplossen.
• Voorspellingsnauwkeurigheid verbeteren door verschillende modellen te combineren.

Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor onderzoekers en ontwikkelaars die het DeepMind Lab-platform willen installeren, instellen, aanpassen en gebruiken om algemene kunstmatige intelligentie en machine learning-systemen te ontwikkelen.

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

• Pas DeepMind Lab aan om een omgeving te bouwen en uit te voeren die past bij de leer- en trainingsbehoeften.
• Gebruik de 3D-simulatieomgeving van DeepMind Lab om leeragenten te trainen in een first-person perspectief.
• Faciliteer de evaluatie van agenten om intelligentie te ontwikkelen in een 3D-game-achtige wereld.

Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is gericht op bedrijfsanalisten, datawetenschappers en ontwikkelaars die deep learning-modellen willen bouwen en implementeren om de omzetgroei te versnellen en problemen in de zakenwereld op te lossen.

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

• Begrijp de kernconcepten van machine learning en deep learning.
• Krijg inzicht in de toekomst van het bedrijfsleven en de industrie met ML en DL.
• Definieer bedrijfsstrategieën en -oplossingen met deep learning.
• Leer hoe u data science en deep learning kunt toepassen bij het oplossen van zakelijke problemen.
• Bouw deep learning-modellen met behulp van Python, Pandas, TensorFlow, CNTK, Torch, Keras, enz.

Deze door een instructeur geleide live training in Brugge (online of op locatie) is gericht op data scientists die real-time machine learning-toepassingen willen versnellen en op schaal willen implementeren.

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

• De OpenVINO-toolkit te installeren.
• Een computer vision-toepassing te versnellen met behulp van een FPGA.
• Verschillende CNN-lagen op de FPGA uit te voeren.
• De toepassing te schalen over meerdere knooppunten in een Kubernetes-cluster.

Dit instructeur-led, live training in Brugge (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 instructorgeleide live training in Brugge (online of op locatie) is gericht op ontwikkelaars of data scientists die Horovod willen gebruiken voor gedistribueerde deep learning-trainingen en deze willen schalen om parallel over meerdere GPUs te draaien.

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

• De benodigde ontwikkelomgeving op te zetten om deep learning-trainingen te starten.
• Horovod te installeren en configureren voor het trainen van modellen met TensorFlow, Keras, PyTorch en Apache MXNet.
• Deep learning-training met Horovod te schalen om op meerdere GPUs te draaien.

In deze instructeur-gestuurde, live training leren deelnemers hoe ze Matlab kunnen gebruiken om een convolutioneel neurale netwerk te ontwerpen, bouwen en visualiseren voor beeldherkenning.

Aan het einde van deze training kunnen deelnemers:

• Een deep learning-model bouwen
• Gegevenslabeling automatiseren
• Werken met modellen uit Caffe en TensorFlow-Keras
• Gegevens trainen met behulp van meerdere GPU's, de cloud of clusters

Doelgroep

• Ontwikkelaars
• Ingenieurs
• Domeinexperts

Opzet van de cursus

• Gedeeltelijk college, gedeeltelijk discussie, oefeningen en uitgebreide praktische werk

Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor software-engineers die willen programmeren in Python met OpenCV 4 voor deep learning.

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

• Bekijk, laad en classificeer afbeeldingen en video's met behulp van OpenCV 4.
• Implementeer deep learning in OpenCV, 4, met TensorFlow en Keras.
• Voer deep learning-modellen uit en genereer impactvolle rapporten op basis van afbeeldingen en video's.

In deze door een instructeur geleide, live training leren deelnemers geavanceerde technieken voor Machine Learning met R terwijl ze stapsgewijs door de creatie van een real-world applicatie stappen.

Aan het einde van deze training kunnen deelnemers:

• Leertechnieken zonder toezicht begrijpen en implementeren
• Pas clustering en classificatie toe om voorspellingen te doen op basis van gegevens uit de echte wereld.
• Visualiseer gegevens om snel inzichten te verkrijgen, beslissingen te nemen en analyses verder te verfijnen.
• Verbeter de prestaties van een machine learning-model met behulp van afstemming van hyperparameters.
• Een model in productie nemen voor gebruik in een grotere toepassing.
• Pas geavanceerde machine learning-technieken toe om vragen over sociale netwerkgegevens, big data en meer te beantwoorden.

Deze instructeur-gelede, live training in Brugge (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.

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