Python og dyp læring med OpenCV 4 Treningskurs

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

Computer Network ToolKit (CNTK) er Microsofts Open Source, Multi-machine, Multi-GPU, svært effektive RNN-treningsmaskinlæringsrammeverk for tale, tekst og bilder.

Publikum

Dette kurset er rettet mot ingeniører og arkitekter som har som mål å bruke CNTK i sine prosjekter.

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

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

Caffe er et dybdelæringsrammeverk som er laget med uttrykk, hastighet og modulærhet i tankene.

Dette kurset utforsker anvendelsen av Caffe som et dybdelæringsrammeverk for bildegenkjennelse ved bruk av MNIST som et eksempel

Målgruppe

Dette kurset er egnet for dybdelæringsforskere og ingeniører som er interessert i å bruke Caffe som et rammeverk.

Etter fullført kurs vil deltakerne kunne:

• forstå Caffes struktur og distribusjonsmekanismer
• utføre installasjons-/produsjonsmiljø-/arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utføre feilsøking og overvåking
• implementere avanserte produksjonsoppgaver som å trene modeller, implementere lag og loggføring

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, live-opplæringen i Norge (online eller på stedet) er rettet mot tekniske personer som ønsker å bruke dyp læringsmodell på bildegjenkjenningsapplikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Keras.
• Rask prototyper av dyplæringsmodeller.
• Implementer et konvolusjonelt nettverk.
• Implementer et tilbakevendende nettverk.
• Utfør en dyp læringsmodell på både en CPU og GPU.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å akselerere sanntids maskinlæringsapplikasjoner og distribuere dem i stor skala.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer verktøysettet OpenVINO.
• Akselerer en datasynsapplikasjon ved hjelp av en FPGA.
• Utfør forskjellige CNN-lag på FPGA.
• Skaler applikasjonen over flere noder i en Kubernetes-klynge.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å skrive, laste og kjøre maskinlæringsmodeller på svært små innebygde enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer TensorFlow Lite.
• Last inn maskinlæringsmodeller på en innebygd enhet for å gjøre den i stand til å oppdage tale, klassifisere bilder osv.
• Legg til AI til maskinvareenheter uten å stole på nettverkstilkobling.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere eller dataforskere som ønsker å bruke Horovod til å kjøre distribuert dyplæringstrening og skalere den opp til å kjøre på tvers av flere GPU-er parallelt .

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å kjøre dyplæringstreninger.
• Installer og konfigurer Horovod for å trene modeller med TensorFlow, Keras, PyTorch og Apache MXNet.
• Skaler dyplæringstrening med Horovod for å kjøre på flere GPUs.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot forskere og utviklere som ønsker å bruke Chainer til å bygge og trene nevrale nettverk i Python samtidig som koden er enkel å feilsøke.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle nevrale nettverksmodeller.
• Definer og implementer nevrale nettverksmodeller ved å bruke en forståelig kildekode.
• Utfør eksempler og modifiser eksisterende algoritmer for å optimalisere treningsmodeller for dyp læring mens du utnytter GPUer for høy ytelse.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruke AlphaFold-modeller som guider i sine eksperimentelle studier.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende prinsippene til AlphaFold.
• Finn ut hvordan AlphaFold fungerer.
• Lær hvordan du tolker AlphaFold spådommer og resultater.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører og datasynsforskere som ønsker å utnytte Stable Diffusion til å generere bilder av høy kvalitet for en rekke bruksområder.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå prinsippene for Stable Diffusion og hvordan det fungerer for bildegenerering.
• Bygg og tren Stable Diffusion-modeller for bildegenereringsoppgaver.
• Bruk Stable Diffusion på ulike scenarier for bildegenerering, for eksempel innpainting, outpainting og bilde-til-bilde-oversettelse.
• Optimaliser ytelsen og stabiliteten til Stable Diffusion-modeller.

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot dataforskere på middels til avansert nivå, maskinlæringsingeniører, dyplæringsforskere og datasynseksperter som ønsker å utvide sine kunnskaper og ferdigheter innen dyp læring for tekst-til-bilde generering.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå avanserte dyplæringsarkitekturer og teknikker for tekst-til-bilde generering.
• Implementer komplekse modeller og optimaliseringer for bildesyntese av høy kvalitet.
• Optimaliser ytelse og skalerbarhet for store datasett og komplekse modeller.
• Juster hyperparametre for bedre modellytelse og generalisering.
• Integrer Stable Diffusion med andre dyplæringsrammer og verktøy

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot mellomnivåutviklere, datavitere og AI-praktikere som ønsker å utnyttet TensorFlow Lite for Edge AI-applikasjoner.

Etter denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for TensorFlow Lite og dens rolle i Edge AI.
• Utvikke og optimalisere AI-modeller ved hjelp av TensorFlow Lite.
• Implementere TensorFlow Lite-modeller på forskjellige kantenheter.
• Bruk verktøy og teknikker for modellkonvertering og optimalisering.
• Implementere praktiske Edge AI-applikasjoner ved hjelp av TensorFlow Lite.