Tilpasset AI fra bunnen av Treningskurs

Dette kurset er laget for ledere, løsningsarkitekter, innovasjonsansvarlige, CTOer, programvarearkitekter og alle som er interessert i en oversikt over anvendt kunstig intelligens og nærmeste prognose for utviklingen.

Denne instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å dyppe seg dypere inn i datavisjon og utforske TensorFlows kapasiteter for å utvikle sofistikerte visjonsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nevrale nettverk (CNNs) ved hjelp av TensorFlow.
• Bruke Google Colab for skalerbar og effektiv skybasert modellutvikling.
• Implementere bildeforarbeidingsmetoder for datavisjonstider.
• Sette i drift datavisjonsmodeller for virkelige anvendelser.
• Bruke overføringsslur for å forbedre ytelsen på CNN-modeller.
• Visualisere og tolke resultater fra bildeklassifiseringsmodeller.

Denne instruktørledede, live-opplæringen (online eller på sted) er rettet mot mellomnivådataforskerne og utviklere som ønsker å forstå og bruke dyp læringsteknikker ved hjelp av Google Colab-miljøet.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Oppsette og navigere Google Colab for dyplæringprosjekter.
• Forstå grunnleggende prinsipper om neuronnettverk.
• Implementere dyplæringmodeller med TensorFlow.
• Trenne og vurdere dyplæringmodeller.
• Bruke avanserte funksjoner i TensorFlow for dyplæring.

I denne instruktørledede, live-opplæringen i Norge vil deltakerne lære å bruke Python-biblioteker for NLP når de lager en applikasjon som behandler et sett med bilder og genererer bildetekster.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Design og kode DL for NLP ved hjelp av Python biblioteker.
• Lag Python kode som leser en betydelig samling bilder og genererer nøkkelord.
• Opprett Python-kode som genererer bildetekster fra de oppdagede søkeordene.

Målgruppe

Denne kurset er egnet for Deep Learning-forskere og ingeniører som er interessert i å bruke tilgjengelige verktøy (for det meste åpen kildekode) for å analysere datamaskinbilder

Denne kurset gir praktiske eksempler.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke TensorFlow til å analysere potensielle svindeldata.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Opprette en modell for svindeldeteksjon i Python og TensorFlow.
• Bygge lineære regresjoner og lineære regresjonsmodeller for å forutsi svindel.
• Utvikle en ende-til-ende AI-applikasjon for å analysere svindeldata.

Opplæringen er rettet mot personer som vil lære grunnleggende om neuronnettverk og deres anvendelser.

Dette kurset er en innføring i å anvende neuronnettverk i virkelige problemer ved bruk av R-project-programvaren.

Dette instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot utviklere og datavitenskapsfolk som ønsker å bruke TensorFlow 2.x for å bygge predikterer, klassifiserere, generative modeller, nevrale nettverk og så videre.

Avslutningen på denne treningen vil deltakerne kunne:

• Installere og konfigurere TensorFlow 2.x.
• Føre inn fordelene ved TensorFlow 2.x i forhold til tidligere versjoner.
• Bygge dyp læring modeller.
• Implementere en avansert bildeklassifiserer.
• Distribuere et dyp læring modell til skyen, mobil og IoT-enheter.

I denne instruktørledede, live-opplæringen i Norge (online eller på stedet), vil deltakerne lære hvordan de konfigurerer og bruker TensorFlow Serving til å distribuere og administrere ML-modeller i et produksjonsmiljø.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Trene, eksportere og bruke ulike TensorFlow modeller.
• Teste og implementere algoritmer ved hjelp av en enkelt arkitektur og sett med API'er.
• Utvide TensorFlow Serving for å bruke andre typer modeller i tillegg til TensorFlow modeller.

TensorFlow er et 2. generasjons API for Googles åpne kildekodeprogramvarebibliotek for Deep Learning. Systemet er designet for å lette forskning innen maskinlæring, og å gjøre det raskt og enkelt å overføre fra forskningsprototyp til produksjonssystem.

Målgruppe

Dette kurset er ment for ingeniører som ønsker å bruke TensorFlow for sine Deep Learning-prosjekter.

Etter å ha fullført dette kurset vil deltakerne:

• forstå TensorFlows struktur og distribusjonsmekanismer
• være i stand til å utføre installasjon / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• være i stand til å vurdere kodekvalitet, utføre feilsøking, overvåking
• være i stand til å implementere avanserte produksjonsteknikker som trening av modeller, bygging av grafer og logging

Dette kurset utforsker, med spesifikke eksempler, bruken av Tensor Flow til formål med bildegenkjenning

Målgruppe

Dette kurset er ment for ingeniører som ønsker å bruke TensorFlow til formål med bildegenkjenning

Etter å ha fullført dette kurset, vil deltakerne kunne:

• forstå TensorFlows struktur og distribusjonsmekanismer
• utføre installasjonsoppgaver / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• vurdere kvalitet på kode, utføre feilsøking, overvåking
• implementere avanserte produksjonsoppgaver som å trene modeller, bygge grafer og loggføring

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å gå fra å trene en enkelt ML-modell til å distribuere mange ML-modeller til produksjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TFX og støttende tredjepartsverktøy.
• Bruk TFX til å lage og administrere en komplett ML-produksjonspipeline.
• Arbeid med TFX-komponenter for å utføre modellering, opplæring, servering av konklusjoner og administrering av distribusjoner.
• Distribuer maskinlæringsfunksjoner til nettapplikasjoner, mobilapplikasjoner, IoT-enheter og mer.

TensorFlow™ er en åpen kildeprogramvarebibliotek for numerisk beregning ved bruk av dataflydiagrammer.

SyntaxNet er et neuronnettverk for naturlig språkbehandling (NLP) rammeverk for TensorFlow.

Word2Vec brukes for å lære vektorrepresentasjoner av ord, kalt "ordembedding". Word2Vec er en særlig beregningsmessig effektiv prediktiv modell for å lære ordembedding fra rå tekst. Den kommer i to varianter, Continuous Bag-of-Words-modellen (CBOW) og Skip-Gram-modellen (Kapittel 3.1 og 3.2 i Mikolov et al.).

Når de brukes sammen, gjør SyntaxNet og Word2Vec det mulig for brukere å generere Learned Embedding-modeller fra naturlig språkinput.

Målgruppe

Denne kurset er rettet mot utviklere og ingeniører som planlegger å arbeide med SyntaxNet og Word2Vec-modeller i sine TensorFlow-grafer.

Etter å ha fullført dette kurset, vil deltakerne:

• forstå TensorFlows struktur og distribusjonsmekanismer
• kunne utføre installasjon/produksjonsmiljø/arkitekturoppgaver og konfigurasjon
• kunne vurdere kodekvalitet, utføre feilsøking og overvåking
• kunne implementere avanserte produksjonsoppgaver som å trene modeller, embedde termer, bygge grafer og logge

Dette kurset begynner med å gi deg konseptuell kunnskap om nevrale nettverk og generelt i maskinlæringsalgoritmer, dyp læring (algoritmer og anvendelser).

Del 1 (40%) av dette treningen fokuserer mer på grunnleggende kunnskaper, men vil hjelpe deg med å velge riktig teknologi: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Del 2 (20%) av denne treningen introducerer Theano - en Python-bibliotek som gjør det enkelt å skrive dype læring-modeller.

Del 3 (40%) av treningen vil være sterkt basert på TensorFlow - API for Google's open source programvarebibliotek for Dyp Læring. Eksemplene og praktiske øvelser vil alle være utført i TensorFlow.

Målgruppe

Dette kurset er ment for ingeniører som ønsker å bruke TensorFlow i sine dype læring-prosjekter

Etter fullført kurs vil deltakerne:

• ha en godt forståelse av dype nevrale nettverk (DNN), CNN og RNN
• forstå TensorFlow's struktur og distribueringsmekanismer
• kunne utføre installasjons-, produksjonsmiljø- og arkitekturaufgaben samt konfigurasjon
• kunne vurdere koden kvalitet, utføre feilsøking, overvåkning
• kunne implementere avanserte produksjonsoppgaver som trening av modeller, bygging av grafer og logging