TensorFlow обучение в София

Този обучаван от инструктор, жив тренинг в София (онлайн или на място), е насочен към продвинатите професионалисти, които желаят да усъвършенстват разбирането си за компютърното зрение и да изследват възможностите на TensorFlow за създаване на сложни модели за зрение, използвайки Google Colab.

По края на този тренинг, участниците ще могат да:

• Създават и обучават конволюционни невронни мрежи (CNN) с TensorFlow.
• Използват Google Colab за масштабируемо и ефективно развитие на модели в облака.
• Прилагат техники за предварителна обработка на снимки за задачи на компютърното зрение.
• Разпространяват модели за компютърно зрение за реални приложения.
• Използват преносимо обучение, за да подобрят ефективността на моделите CNN.
• Визуализират и тълкуват резултатите от модели за класификация на снимки.

Това инструкторско, живо обучение в София (онлайн или на място) е направено за данни научници и разработчици на средно ниво, които искат да разберат и приложат техники за дълбоко учене, използвайки средата Google Colab.

До края на това обучение участниците ще могат да:

• Настройте и навигайте Google Colab за проекти за дълбоко учене.
• Разберете основните принципи на невромрежите.
• Реализирайте модели за дълбоко учене с TensorFlow.
• Обучавайте и оценявайте модели за дълбоко учене.
• Използвайте напреднали функции на TensorFlow за дълбоко учене.

Това е 4-дневен курс, представящ AI и неговото приложение. Има опция да имате допълнителен ден за предприемане на AI проект след завършване на този курс.

В това водено от инструктор обучение на живо в София участниците ще се научат да използват Python библиотеки за НЛП, докато създават приложение, което обработва набор от снимки и генерира надписи.

До края на това обучение участниците ще могат:

• Проектирайте и кодирайте DL за NLP, като използвате Python библиотеки.
• Създайте Python код, който чете значително огромна колекция от снимки и генерира ключови думи.
• Създайте Python код, който генерира надписи от откритите ключови думи.

Целева група

Този курс е подходящ за изследователи и инженери в областта на Дипълърнинг, които искат да използват наличните инструменти (предимно с отворен код) за анализ на компютърни изображения.

Курсът предоставя рабощи пример.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към специалисти по данни, които желаят да използват TensorFlow за анализ на потенциални данни за измами.

До края на това обучение участниците ще могат:

• Да създадат модел за откриване на измами в Python и TensorFlow.
• Да изградят линейни регресии и модели на линейна регресия за предсказване на измами.
• Да разработят цялостно AI приложение за анализиране на данни за измами.

Това обучение, водено от инструктор (онлайн или на местоприбоя), е насочено към разработчици и специалисти по данни, които желаят да използват TensorFlow 2.x за създаване на прогнозатори, класификатори, генеративни модели, нейронни мрежи и други.

По завършването на това обучение участниците ще могат да:

• Инсталират и конфигурират TensorFlow 2.x.
• Разберат предимствата на TensorFlow 2.x в сравнение с предходните версии.
• Създават модели за глъбоко учене.
• Имплементират напреднал класификатор за изображения.
• Разглеждат модели за глъбоко учене в облака, на мобилни и IoT устройства.

В това водено от инструктор обучение на живо в София (онлайн или на място), участниците ще се научат как да конфигурират и използват TensorFlow Serving за внедряване и управление на ML модели в производствена среда.

До края на това обучение участниците ще могат:

• Обучават, експортират и използват различните модели.
• Тестват и внедряват алгоритми с една архитектура и набор от API.
• Разширяват Serving за използване на други видове модели освен тези.

TensorFlow е API на втора генерация на Google’s отворен код софтуерна библиотека за Дълбоко Обучение. Системата е проектирана за облекчаване на изследванията в областта на машинното обучение и за бързо и лесно преминаване от прототип на изследване към продуктивна система.

Целева аудитория

Този курс е предназначен за инженери, които искат да използват TensorFlow за своите проекти по Дълбоко Обучение.

След завършване на този курс, участниците ще могат:

• да разберат структурата и механизмите за развертане на TensorFlow
• да извършват задачи за инсталиране, конфигуриране на производствена среда и архитектура
• да оценяват качеството на кода, да извършват отстраняване на грешки и мониторинг
• да имплементират напреднали продуктивни задачи като обучение на модели, изграждане на графики и записване

Този курс разглежда, с конкретни примерни приложения, на TensorFlow за целите на разпознаване на изображения

Целева аудитория

Този курс е предназначен за инженери, които искат да използват TensorFlow за целите на разпознаване на изображения

След завършване на този курс, участниците ще могат да:

• разбират структурата и механизмите за развертане на TensorFlow
• извършват задачи за инсталация/продукционна среда/архитектура и конфигурация
• оценяват качеството на кода, извършват отстраняване на грешки и мониторинг
• реализират напреднати продуктивни задачи като обучение на модели, изграждане на графи и записване на логове

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към специалисти по данни, които желаят да преминат от обучение на един ML модел към внедряване на много ML модели в производство.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте TFX и поддържащи инструменти на трети страни.
• Използвайте TFX, за да създадете и управлявате пълен ML производствен конвейер.
• Работете с TFX компоненти, за да извършвате моделиране, обучение, изводи за обслужване и управление на внедрявания.
• Внедрете функции за машинно обучение в уеб приложения, мобилни приложения, IoT устройства и др.

TensorFlow™ е отворена библиотека с отворен код за числени изчисления, използвайки графи на поток на данни.

SyntaxNet е рамка за обработка на естествен език (NLP) с невромрежи, базирана на TensorFlow.

Word2Vec се използва за обучение на векторни представяния на думи, наречени „вмъкнати думи“. Word2vec е особено ефикасен предиктивен модел за обучение на вмъкнати думи от суров текст. Има две версии, модела на непрекъснати торби с думи (CBOW) и модела на пропускане на грама (глави 3.1 и 3.2 в Mikolov et al.).

При използване заедно, SyntaxNet и Word2Vec позволяват на потребителите да създават модели с обучени вмъквания от естествен език.

Целова публика

Този курс е направен за разработчици и инженери, които планират да работят с моделите на SyntaxNet и Word2Vec в графите си на TensorFlow.

След завършване на този курс, участниците ще:

• разбират структурата и механизмите за развертяване на TensorFlow
• могат да извършват задачи за инсталиране/продукционна среда/архитектура и конфигуриране
• могат да оценяват качеството на кода, да извършват отстраняване на грешки и мониторинг
• могат да реализират напреднати продукционни дейности като обучение на модели, вмъкване на термини, построяване на графи и логване

Този курс започва с изградяване на концептуалните знания във области като невронните мрежи и по-общо машинното обучение, дълбокото обучение (алгоритми и приложения).

Първата част (40%) от това обучение се фокусира върху основите, но ще помага за избора на правилната технология: TensorFlow, Caffe, Theano, DeepDrive, Keras и др.

Втората част (20%) от обучението представя Theano - библиотека на Python, която улеснява създаването на модели за дълбоко обучение.

Третата част (40%) от обучението ще бъде изцяло базирана върху TensorFlow - API на софтуерната библиотека за дълбоко обучение, която Google е обявил с отворен код. Примерите и практически упражнения ще бъдат извършени в TensorFlow.

Целева група

Този курс е предназначен за инженери, които искат да използват TensorFlow за своите проекти на дълбоко обучение.

След завършване на този курс, учениците ще:

• имат добро разбиране за дълбоките невронни мрежи (DNN), CNN и RNN
• разбират структурата на TensorFlow и механизми за deployment
• могат да извършват задачи по инсталация, производствена среда, архитектура и конфигуриране
• могат да оценяват качеството на кода, да извършват отстраняване на грешки и мониторинг
• могат да имплементират продвината производствена практика като обучаване на модели, създаване на графи и логване