Deep Learning for NLP (Natural Language Processing) Treningskurs

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere, maskinlæringsutøvere og NLP-forskere og -entusiaster som ønsker å effektivt bruke Hugging Face for NLP-oppgaver.

Ved slutten av denne opplæringen vil deltakerne kunne:

Bruk en Hugging Face Transformer-modell, og finjuster den på et spesifikt datasett. Få evnen til selvstendig å håndtere vanlige NLP-utfordringer. Lag og del modelldemoene dine effektivt. Strømlinjeform optimaliseringen av modellene dine for produksjon. Bruk Hugging Face Transformers for å løse et bredt spekter av maskinlæringsproblemer.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot datavitere og utviklere som ønsker å bruke TextBlob til å implementere og forenkle NLP-oppgaver, for eksempel sentimentanalyse, staverettelser, tekstklassifiseringsmodellering osv. .

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å implementere NLP-oppgaver med TextBlob.
• Forstå funksjonene, arkitekturen og fordelene med TextBlob.
• Lær hvordan du bygger tekstklassifiseringssystemer ved hjelp av TextBlob.
• Utfør vanlige NLP-oppgaver (tokenisering, WordNett, sentimentanalyse, stavekorrigering, etc.)
• Utfør avanserte implementeringer med enkle APIer og noen få linjer med koder.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og utviklere som ønsker å bruke Spark NLP, bygget på toppen av Apache Spark, for å utvikle, implementere og skalere tekstbehandlingsmodeller for naturlig språk og rørledninger.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å bygge NLP-rørledninger med Spark NLP.
• Forstå funksjonene, arkitekturen og fordelene ved å bruke Spark NLP.
• Bruk de forhåndstrente modellene tilgjengelig i Spark NLP for å implementere tekstbehandling.
• Lær hvordan du bygger, trener og skalerer Spark NLP modeller for prosjekter i produksjonsgrad.
• Bruk klassifisering, inferens og sentimentanalyse på brukssaker i den virkelige verden (kliniske data, kundeatferdsinnsikt, etc.).

Dette kurset er designet for folk som er interessert i å hente ut mening fra skrevet engelsk tekst, selv om kunnskapen også kan brukes på andre menneskelige språk.

Kurset vil dekke hvordan man bruker tekst skrevet av mennesker, for eksempel blogginnlegg, tweets, osv. ...

For eksempel kan en analytiker sette opp en algoritme som automatisk kommer til en konklusjon basert på omfattende datakilde.

TensorFlow er et 2. generasjons API for Go ogles open source programvarebibliotek for Deep Learning . Systemet er designet for å lette forskning i maskinlæring, og for å gjøre det raskt og enkelt å overføre fra forskningsprototype til produksjonssystem.

Publikum

Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine

Etter fullført kurs vil delegatene:

• forstå TensorFlow struktur og distribusjonsmekanismer
• kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• kunne vurdere kodekvalitet, utføre feilsøking, overvåking
• kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging

Dette kurset utforsker, med spesifikke eksempler, anvendelsen av Tensor Flow til formålet med gjenkjenning

Publikum

Dette kurset er beregnet på ingeniører som søker å bruke TensorFlow til bildegjenkjenning

Etter fullført kurs vil delegatene kunne:

• forstå TensorFlow struktur og distribusjonsmekanismer
• utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utfør feilsøking, overvåking
• implementere avansert produksjon som treningsmodeller, bygge grafer og logging

TensorFlow™ er en åpen kildekode programvare bibliotek for numerisk beregning ved hjelp av data flow diagrammer.

SyntaxNet er et neural-nettverk Natural Language Processing rammeverk for TensorFlow.

Word2Vec brukes til å lære vektorrepresentasjoner av ord, kalt "word embeddings". Word2vec er en spesielt databehandling-effektiv forutsigelsesmodell for læring ord innebygd fra råtekst. Den kommer i to smaker, Continuous Bag-of-Words modell (CBOW) og Skip-Gram modell (kapittel 3.1 og 3.2 i Mikolov et al.)

Brukes i tandem, SyntaxNet og Word2Vec gjør det mulig for brukerne å generere Larned Embedding-modeller fra Natural Language-input.

Publikum

Dette kurset er rettet mot utviklere og ingeniører som har til hensikt å jobbe med SyntaxNet og Word2Vec modeller i sine TensorFlow diagrammer.

Etter å ha fullført dette kurset, vil delegater:

• forstå TensorFlow’s struktur og implementeringsmekanismer
• kan utføre installasjon / produksjonsmiljø / arkitektoniske oppgaver og konfigurasjon
• være i stand til å vurdere kodekvalitet, utføre debugging, overvåking
• være i stand til å implementere avansert produksjon som treningsmodeller, innebygging vilkår, bygge grafer og logging

Publikum

Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke tilgjengelige verktøy (for det meste open source) for å analysere datamaskinbilder

Dette kurset gir eksempler på arbeid.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

I denne instruktørledede, live-opplæringen i Norge vil deltakerne lære hvordan de kan dra nytte av innovasjonene i TPU-prosessorer for å maksimere ytelsen til sine egne AI-applikasjoner.

Ved slutten av opplæringen vil deltakerne kunne:

• Tren ulike typer nevrale nettverk på store mengder data.
• Bruk TPU-er for å fremskynde slutningsprosessen med opptil to størrelsesordener.
• Bruk TPU-er til å behandle intensive applikasjoner som bildesøk, skysyn og bilder.

Embedding Projector er en åpen kildekode-nettapplikasjon for å visualisere dataene som brukes til å trene maskinlæringssystemer. Laget av Google og er en del av TensorFlow.

Denne instruktørledede, live-opplæringen introduserer konseptene bak Embedding Projector og leder deltakerne gjennom oppsettet av et demoprosjekt.

Ved slutten av denne opplæringen vil deltakerne kunne:

Utforsk hvordan data blir tolket av maskinlæringsmodeller Naviger gjennom 3D- og 2D-visninger av data for å forstå hvordan en maskinlæringsalgoritme tolker dem. Forstå konseptene bak Embeddings og deres rolle i å representere matematiske vektorer for bilder, ord og tall. Utforsk egenskapene til en spesifikk innebygging for å forstå oppførselen til en modell. Bruk Embedding Project til brukssaker i den virkelige verden, for eksempel å bygge et sanganbefalingssystem for musikkelskere

Publikum

Utviklere Dataforskere

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

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 betjene ulike TensorFlow-modeller.
• Test og distribuer algoritmer ved hjelp av en enkelt arkitektur og sett med APIer.
• Utvid TensorFlow Serving for å betjene andre typer modeller utover TensorFlow-modeller.

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

Del-1 (40%) av denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denne opplæringen introduserer Theano - et pytonbibliotek som gjør det enkelt å skrive dype læringsmodeller.

Del 3 (40%) av opplæringen vil være omfattende basert på Tensorflow - 2nd Generation API of Go ogles open source programvarebibliotek for Deep Learning . Eksemplene og håndsonen ville alle være laget i TensorFlow .

Publikum

Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine

Etter fullført kurs vil delegatene:

• ha god forståelse for dype nevrale nettverk (DNN), CNN og RNN

• forstå TensorFlow struktur og distribusjonsmekanismer

• kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon

• kunne vurdere kodekvalitet, utføre feilsøking, overvåking

• kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging

Dette er et 4-dagers kurs som introduserer AI og dens applikasjon. Det er en mulighet for å ha en ekstra dag til å gjennomføre et AI-prosjekt etter fullføring av dette kurset.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bruke Tensorflow 2.x til å bygge prediktorer, klassifiserere, generative modeller, nevrale nettverk og så videre.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TensorFlow 2.x.
• Forstå fordelene med TensorFlow 2.x i forhold til tidligere versjoner.
• Bygg dype læringsmodeller.
• Implementer en avansert bildeklassifiserer.
• Implementer en dyp læringsmodell til skyen, mobile enheter og IoT-enheter.