Avansert maskinlæring med R Treningskurs

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 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.

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

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.

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.

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 (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.

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, 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 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, 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, 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 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

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