Machine Learning with TensorFlow.js Treningskurs

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

I denne instruktørledede, live-opplæringen i Norge vil deltakerne lære å bruke Python-biblioteker for NLP når de lager en applikasjon som behandler et sett med bilder og genererer bildetekster.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Design og kode DL for NLP ved hjelp av Python biblioteker.
• Lag Python kode som leser en betydelig samling bilder og genererer nøkkelord.
• Opprett Python-kode som genererer bildetekster fra de oppdagede søkeordene.

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.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke TensorFlow til å analysere potensielle svindeldata.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lag en svindeldeteksjonsmodell i Python og TensorFlow.
• Bygg lineære regresjoner og lineære regresjonsmodeller for å forutsi svindel.
• Utvikle en ende-til-ende AI-applikasjon for å analysere svindeldata.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å gå fra å trene en enkelt ML-modell til å distribuere mange ML-modeller til produksjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TFX og støttende tredjepartsverktøy.
• Bruk TFX til å lage og administrere en komplett ML-produksjonspipeline.
• Arbeid med TFX-komponenter for å utføre modellering, opplæring, servering av konklusjoner og administrering av distribusjoner.
• Distribuer maskinlæringsfunksjoner til nettapplikasjoner, mobilapplikasjoner, IoT-enheter og mer.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere maskinlæringsarbeidsmengder til en OpenShift lokal eller hybrid sky.

• Ved slutten av denne opplæringen vil deltakerne kunne:
• Installer og konfigurer Kubernetes og Kubeflow på en OpenShift-klynge.
• Bruk OpenShift for å forenkle arbeidet med å initialisere en Kubernetes-klynge.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Ring offentlige skytjenester (f.eks. AWS-tjenester) fra OpenShift for å utvide en ML-applikasjon