OpenNMT: Setting Up a Neural Machine Translation System Treningskurs
I denne instruktørledede, OpenNMT , vil deltakerne lære å sette opp og bruke OpenNMT til å utføre oversettelse av forskjellige eksempler av datasett. Kurset starter med en oversikt over nevrale nettverk slik de gjelder for maskinoversettelse. Deltakerne vil gjennomføre liveøvelser gjennom hele kurset for å demonstrere sin forståelse av konseptene som er lært og få tilbakemeldinger fra instruktøren.
Ved slutten av denne opplæringen vil deltakerne ha kunnskap og praksis som trengs for å implementere en live OpenNMT løsning.
Kildespråk og målspråkprøver blir forhåndsarrangert i henhold til publikums krav.
Kursets format
- Delforedrag, deldiskusjon, tung praktisk praksis
Kursplan
Introduksjon
- Hvorfor nevral maskinoversettelse?
Oversikt over Torch-prosjektet
Installasjon og oppsett
Forhåndsbehandler dataene dine
Trening av modellen
Oversettelse
Bruk av ferdigtrente modeller
Arbeide med Lua skript
Bruke utvidelser
Feilsøking
Bli med i fellesskapet
Oppsummering og konklusjon
Krav
- Litt programmeringserfaring er nyttig.
- Erfaring med å bruke kommandolinjen.
- Grunnleggende forståelse av konsepter for maskinoversettelse.
Publikum
- Lokaliseringsspesialister med teknisk bakgrunn
- Globale innholdsforvaltere
- Lokaliseringsingeniører
- Programvareutviklere med ansvar for implementering av globale innholdsløsninger
Open Training Courses require 5+ participants.
OpenNMT: Setting Up a Neural Machine Translation System Treningskurs - Booking
OpenNMT: Setting Up a Neural Machine Translation System Treningskurs - Enquiry
OpenNMT: Setting Up a Neural Machine Translation System - Consultancy Enquiry
Upcoming Courses
Relaterte kurs
Introduction to Stable Diffusion for Text-to-Image Generation
21 timerDenne 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.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 timerDenne 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
AlphaFold
7 timerDenne 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.
TensorFlow Lite for Embedded Linux
21 timerDenne 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.
TensorFlow Lite for Android
21 timerDenne 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.
Tensorflow Lite for Microcontrollers
21 timerDenne 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.
TensorFlow Lite for iOS
21 timerDenne 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.
Edge AI with TensorFlow Lite
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på mellomnivå, dataforskere og AI-utøvere som ønsker å utnytte TensorFlow Lite for Edge AI-applikasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå det grunnleggende om TensorFlow Lite og dens rolle i Edge AI.
- Utvikle og optimalisere AI-modeller ved å bruke TensorFlow Lite.
- Distribuer TensorFlow Lite-modeller på ulike edge-enheter.
- Bruk verktøy og teknikker for modellkonvertering og -optimalisering.
- Implementer praktiske Edge AI-applikasjoner ved å bruke TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot AI-utviklere på mellomnivå, maskinlæringsingeniører og systemarkitekter som ønsker å optimalisere AI-modeller for edge-distribusjon.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå utfordringene og kravene ved å distribuere AI-modeller på edge-enheter.
- Bruk modellkomprimeringsteknikker for å redusere størrelsen og kompleksiteten til AI-modeller.
- Bruk kvantiseringsmetoder for å forbedre modelleffektiviteten på kantmaskinvare.
- Implementer beskjæring og andre optimaliseringsteknikker for å forbedre modellens ytelse.
- Distribuer optimaliserte AI-modeller på ulike edge-enheter.
Edge AI in Industrial Automation
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot industrielle ingeniører på middels nivå, produksjonsfagfolk og AI-utviklere som ønsker å implementere Edge AI-løsninger i industriell automasjon.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå rollen til Edge AI i industriell automasjon.
- Implementer prediktive vedlikeholdsløsninger ved hjelp av Edge AI.
- Bruk AI-teknikker for kvalitetskontroll i produksjonsprosesser.
- Optimaliser industrielle prosesser ved hjelp av Edge AI.
- Distribuer og administrer Edge AI-løsninger i industrielle miljøer.
Edge AI for Financial Services
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk på mellomnivå, fintech-utviklere og AI-spesialister som ønsker å implementere Edge AI-løsninger i finansielle tjenester.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå rollen til Edge AI i finansielle tjenester.
- Implementer svindeldeteksjonssystemer ved hjelp av Edge AI.
- Forbedre kundeservicen gjennom AI-drevne løsninger.
- Bruk Edge AI for risikostyring og beslutningstaking.
- Distribuer og administrer Edge AI-løsninger i finansielle miljøer.
Deep Learning Neural Networks with Chainer
14 timerDenne 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.
Distributed Deep Learning with Horovod
7 timerDenne 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.
Accelerating Deep Learning with FPGA and OpenVINO
35 timerDenne 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.
Building Deep Learning Models with Apache MXNet
21 timerDenne 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.