OpenNLP for Text Based Machine Learning Treningskurs

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke H2O AutoML til å automatisere prosessen med å bygge og velge den beste maskinlæringsalgoritmen og parametrene.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Automatiser arbeidsflyten for maskinlæring.
• Tren og juster automatisk mange maskinlæringsmodeller innenfor et spesifisert tidsrom.
• Tren stablede ensembler for å komme frem til svært prediktive ensemblemodeller.

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot maskinlæringsutøvere som ønsker å bruke Auto-sklearn til å automatisere prosessen med å velge og optimalisere en maskinlæringsmodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Automatiser prosessen med å trene opp svært effektive maskinlæringsmodeller.
• Bygg svært nøyaktige maskinlæringsmodeller mens du omgår de mer kjedelige oppgavene med å velge, trene og teste forskjellige modeller.
• Bruk kraften til maskinlæring for å løse virkelige forretningsproblemer.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere så vel som mindre tekniske personer som ønsker å bruke Auto-Keras for å automatisere prosessen med å velge og optimalisere en maskinlæringsmodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Automatiser prosessen med å trene opp svært effektive maskinlæringsmodeller.
• Søk automatisk etter de beste parametrene for dyplæringsmodeller.
• Bygg svært nøyaktige maskinlæringsmodeller.
• Bruk kraften til maskinlæring for å løse virkelige forretningsproblemer.

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 kunnskapen og ferdighetene sine 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 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, 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, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å distribuere dyplæringsmodeller på innebygde enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Tensorflow Lite på en innebygd enhet.
• Forstå begrepene og komponentene som ligger til grunn TensorFlow Lite.
• Konverter eksisterende modeller til TensorFlow Lite-format for kjøring på innebygde enheter.
• Arbeid innenfor begrensningene til små enheter og TensorFlow Lite, mens du lærer hvordan du utvider omfanget av operasjoner som kan kjøres.
• Implementer en dyp læringsmodell på en innebygd enhet som kjører Linux.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å utvikle mobile applikasjoner med dyp læringsevne.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TensorFlow Lite.
• Forstå prinsippene bak TensorFlow, maskinlæring og dyp læring.
• Last TensorFlow-modeller på en Android-enhet.
• Aktiver dyp læring og maskinlæringsfunksjonalitet som datasyn og naturlig språkgjenkjenning i en mobilapplikasjon.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å utvikle iOS-mobilapplikasjoner med dyplæringsevner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TensorFlow Lite.
• Forstå prinsippene bak TensorFlow og maskinlæring på mobile enheter.
• Last TensorFlow-modeller på en iOS-enhet.
• Kjør en iOS-applikasjon som er i stand til å oppdage og klassifisere et objekt fanget gjennom enhetens kamera.

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 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, direkteopplæringen 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 GPUer 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 GPUer.

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 på tvers av flere noder i en Kubernetes-klynge.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere som ønsker å bruke Apache MXNet til å bygge og distribuere en dyp læringsmodell for bildegjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Apache MXNet og dens komponenter.
• Forstå MXNets arkitektur og datastrukturer.
• Bruk Apache MXNets lavnivå- og høynivå-API-er for å bygge nevrale nettverk effektivt.
• Bygg et konvolusjonelt nevralt nettverk for bildeklassifisering.

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.