Deep Learning Kurs i Oslo

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 instruktørlede, live-trening i Oslo (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å dyptgående forståelse av datamaskinens syn og utforske TensorFlow's muligheter for å utvikle sofistikerte synsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nørale nettverk (CNNs) ved hjelp av TensorFlow.
• Utnyttet Google Colab for skalbar og effektiv modellutvikling i skyen.
• Implementere bildebehandlingsteknikker for oppgaver innen datamaskinens syn.
• Utplasserer datamaskinens synsmodeller for virkelige applikasjoner.
• Bruker overføringslæring for å forbedre ytelsen av CNN-modeller.
• Visualiserer og tolker resultatene fra bildeklassifiseringsmodeller.

Denne instruktørledede, live-opplæringen (online eller på sted) er rettet mot mellomnivådataforskerne og utviklere som ønsker å forstå og bruke dyp læringsteknikker ved hjelp av Google Colab-miljøet.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Oppsette og navigere Google Colab for dyplæringprosjekter.
• Forstå grunnleggende prinsipper om neuronnettverk.
• Implementere dyplæringmodeller med TensorFlow.
• Trenne og vurdere dyplæringmodeller.
• Bruke avanserte funksjoner i TensorFlow for dyplæring.

Denne instruktørledede, direkteopplæringen i Oslo (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å spesialisere seg i banebrytende dyplæringsteknikker for NLU.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de viktigste forskjellene mellom NLU- og NLP-modeller.
• Bruk avanserte dyplæringsteknikker på NLU-oppgaver.
• Utforsk dype arkitekturer som transformatorer og oppmerksomhetsmekanismer.
• Utnytt fremtidige trender i NLU for å bygge sofistikerte AI-systemer.

Denne instruktørledede, liveopplæringen i Oslo (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 opplæringen, ledet av en instruktør, er tilgjengelig Oslo (online eller på sted) og retter seg mot avanserte fagfolk som ønsker å utnytte AI-teknikker for å revolusjonere prosesser for oppdagelse og utvikling av legemidler.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå rollen til AI i oppdagelse og utvikling av legemidler.
• Bruke maskinlæringsmetoder for å forutsi molekylære egenskaper og interaksjoner.
• Bruke dyplearning-modeller for virtuell skjerming og optimalisering av lederkomponenter.
• Integrere AI-drevne tilnærminger i prosesser for kliniske studier.

Denne instruktørledede, live-opplæringen i Oslo (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 Oslo (online eller på stedet) er rettet mot nybegynnere til middels dataforskere og maskinlæringsingeniører som ønsker å forbedre ytelsen til sine dyplæringsmodeller.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå prinsippene for distribuert dyp læring.
• Installer og konfigurer DeepSpeed.
• Skaler dyplæringsmodeller på distribuert maskinvare ved hjelp av DeepSpeed.
• Implementer og eksperimenter med DeepSpeed-funksjoner for optimalisering og minneeffektivitet.

Denne instruktørledede, liveopplæringen i Oslo (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å bruke store språkmodeller for ulike naturlige språkoppgaver.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp et utviklingsmiljø som inkluderer en populær LLM.
• Lag en grunnleggende LLM og finjuster den på et tilpasset datasett.
• Bruk LLM-er for ulike naturlige språkoppgaver som tekstoppsummering, svar på spørsmål, tekstgenerering og mer.
• Feilsøk og evaluer LLM-er ved å bruke verktøy som TensorBoard, PyTorch Lightning og Hugging Face Datasett.

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.

I denne instruktørflytede, live-treningen i Oslo, vil deltakerne lære de mest relevante og moderne maskinlæringsmetoder i Python mens de bygger en rekke demoprogrammer som involverer bilder, musikk, tekst og finansiell data.

Etter denne treningen vil deltakerne kunne:

• Implementere maskinlæringsalgoritmer og teknikker for å løse komplekse problemer.
• Bruke dyp læring og semi-supervised læring på program som involverer bilder, musikk, tekst og finansiell data.
• Puste liv i Python-algoritmene deres til det ytterste.
• Bruk biblioteker og pakker som NumPy og Theano.

Denne instruktørledede, live-opplæringen i Oslo (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å lære det grunnleggende om Deep Reinforcement Learning mens de går gjennom opprettelsen av en Deep Learning Agent.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå nøkkelbegrepene bak Deep Reinforcement Learning og være i stand til å skille det fra Machine Learning.
• Bruk avanserte Reinforcement Learning algoritmer for å løse problemer i den virkelige verden.
• Bygg en Deep Learning Agent.

I denne instruktørledede, direkteopplæringen i Oslo vil deltakerne lære hvordan de implementerer dyplæringsmodeller for telekom ved å bruke Python mens de går gjennom opprettelsen av en kredittrisikomodell for dyp læring.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring.
• Lær applikasjonene og bruken av dyp læring i telekom.
• Bruk Python, Keras og TensorFlow for å lage dyplæringsmodeller for telekom.
• Bygg sin egen dyplæringsmodell for kundeavgang-prediksjon ved å bruke Python.

Dette kurset er laget for ledere, løsningsarkitekter, innovasjonsansvarlige, CTOer, programvarearkitekter og alle som er interessert i en oversikt over anvendt kunstig intelligens og nærmeste prognose for utviklingen.

Dette kurset dekker AI (emphasizing Machine Learning og Deep Learning) i Automotive Industri. Det bidrar til å bestemme hvilken teknologi som kan (potentielt) brukes i flere situasjoner i en bil: fra enkel automatisering, bildeoppdagelse til selvstendig beslutningstaking.

Denne instruktørledede, live opplæringen på Oslo (online eller på stedet) er rettet mot deltakere på begynnernivå som ønsker å lære essensielle konsepter innen sannsynlighet, statistikk, programmering og maskinlæring, og bruke disse i AI-utvikling.

Ved slutten av denne opplæringen vil deltakere kunne:

• Forstå grunnleggende konsepter innen sannsynlighet og statistikk, og bruke disse i virkelige scenarier.
• Skrive og forstå prosedyreorientert, funksjonell og objektorientert programmeringskode.
• Implementere maskinlæringsmetoder som klassifisering, klusterisering og neuronnettverk.
• Utvikle AI-løsninger ved bruk av regelmaskiner og ekspertsystemer for problemløsning.

Artificial Neural Network er en beregningsdatamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

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 opplæringskursen (online eller på sted) er rettet mot mellomnivådataforskere og statistikere som ønsker å forberede data, bygge modeller og bruke maskinlæringsmetoder effektivt i sine faglige domener.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå og implementere ulike Machine Learning algoritmer.
• Forberede data og modeller for maskinlæringsapplikasjoner.
• Utføre post hoc-analyser og visualisere resultater effektivt.
• Bruk maskinlæringsmetoder på virkelige, sektorspesifikke scenarier.

Artificial Neural Network er en datamodell som brukes i utvikling av kunstig intelligens (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes vanligvis i Maskinlæring (ML) applikasjoner, som selv er en implementering av AI. Deep Learning er en underkategori av ML.

Caffe er en dyp læringsramme laget med uttrykk, hastighet og modularitet i tankene.

Dette kurset utforsker anvendelsen av Caffe som en Deep læringsramme for bildegjenkjenning ved bruk av MNIST som eksempel

Publikum

Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke Caffe som rammeverk.

Etter fullført kurs vil delegatene kunne:

• forstå Caffe sin struktur og distribusjonsmekanismer
• utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utfør feilsøking, overvåking
• implementere avansert produksjon som treningsmodeller, implementere lag og logging

Denne instruktørledede, live-opplæringen i Oslo (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.

Dette kurset er en generell oversikt for Deep Learning uten å gå for dypt inn i noen spesifikke metoder. Den passer for folk som ønsker å begynne å bruke dyp læring for å forbedre prediksjonsnøyaktigheten.

Denne instruktørledede, direkteopplæringen i Oslo (online eller på stedet) er rettet mot forskere og utviklere som ønsker å installere, sette opp, tilpasse og bruke DeepMind Lab-plattformen til å utvikle generell kunstig intelligens og maskinlæringssystemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Tilpass DeepMind Lab for å bygge og drive et miljø som passer lærings- og opplæringsbehov.
• Bruk DeepMind Lab sitt 3D-simuleringsmiljø til å trene læringsagenter i et førstepersonssynspunkt.
• Tilrettelegg for evaluering av agenter for å utvikle intelligens i en 3D-spilllignende verden.

Maskinlæring er en gren av kunstig intelligens der datamaskiner har evnen til å lære uten å være eksplisitt programmert. Deep learning er et underfelt av maskinlæring som bruker metoder basert på læringsdatarepresentasjoner og strukturer som nevrale nettverk.

Denne instruktørledede, live-opplæringen i Oslo (online eller på stedet) er rettet mot forretningsanalytikere, dataforskere og utviklere som ønsker å bygge og implementere dyplæringsmodeller for å akselerere inntektsvekst og løse problemer i næringslivet.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå kjernebegrepene maskinlæring og dyp læring.
• Få innsikt i fremtiden til næringslivet med ML og DL.
• Definer forretningsstrategier og løsninger med dyp læring.
• Lær hvordan du bruker datavitenskap og dyp læring for å løse forretningsproblemer.
• Bygg dyplæringsmodeller ved å bruke Python, Pandas, TensorFlow, CNTK, Torch, Keras osv.

Maskinlæring er en gren av kunstig intelligens der datamaskiner har evnen til å lære uten å være eksplisitt programmert. Deep learning er et underfelt av maskinlæring som bruker metoder basert på læringsdatarepresentasjoner og strukturer som nevrale nettverk. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet.

I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de implementerer dyplæringsmodeller for banktjenester ved å bruke Python mens de går gjennom etableringen av en kredittrisikomodell for dyp læring.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær applikasjonene og bruken av dyp læring i bankvirksomhet
• Bruk Python, Keras og TensorFlow for å lage dyplæringsmodeller for banktjenester
• Bygg sin egen kredittrisikomodell for dyp læring ved å bruke Python

Publikum

• Utviklere
• Dataforskere

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

I denne instruktørledede, live-opplæringen i Oslo 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.

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.

Denne instruktørledede, direkteopplæringen i Oslo (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 Oslo (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:

• Opprette en modell for svindeldeteksjon i Python og TensorFlow.
• Bygge 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 Oslo (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 Oslo (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.

I denne instruktørledede liveopplæringen vil deltakerne lære hvordan de bruker Matlab til å designe, bygge og visualisere et innviklet nevralt nettverk for bildegjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bygge en dyp læringsmodell
• Automatiser datamerking
• Arbeid med modeller fra Caffe og TensorFlow - Keras
• Tren data ved å bruke flere GPU er, skyen eller klyngene

Publikum

• Utviklere
• ingeniører
• Domeneeksperter

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Dette instruktørledede, live-treningen i Oslo (online eller på stedet) er rettet mot profesjonelle med en begynner- til mellomnivå oppfølging som ønsker å utvikle forståelsen sin for maskinlæringsalgoritmer, dyp læringsteknikker og AI-drevet beslutningsprosesser. Kursene gir praktisk erfaring med maskinlæringskonsepter, dype læringsmodeller og praksisbaserte implementasjoner ved hjelp av R.

Avslutningen på dette treningen vil deltakerne være i stand til:

• Få en forståelse for grunnleggende konsepter innen maskinlæring og dyp læring.
• Bruk ulike maskinlæringsalgoritmer for regresjon, klassifisering, klynging og avviksdeteksjon.
• Bruke dyple læringsarkitekturer som kunstige nevrale nettverk (ANNs).
• Implementere overvåket og uovervåket læring.
• Vurdere modellprestasjon og optimalisere hyperparametre.
• Bruk R for dataanalyse, visualisering og maskinlæringsprogrammer.

Opplæringen er rettet mot personer som vil lære grunnleggende om neuronnettverk og deres anvendelser.

Denne klasseromsbaserte treningsøkten vil inneholde presentasjoner og datamaskinbaserte eksempler og casestudieøvelser å gjennomføre med relevante nevrale og dype nettverksbiblioteker

Denne instruktørledede, live-opplæringen i Oslo (online eller på stedet) er rettet mot programvareingeniører som ønsker å programmere i Python med OpenCV 4 for dyp læring.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Se, last inn og klassifiser bilder og videoer ved å bruke OpenCV 4.
• Implementer dyp læring i OpenCV 4 med TensorFlow og Keras.
• Kjør dyplæringsmodeller og generer effektive rapporter fra bilder og videoer.

OpenFace er Python og Torch basert åpen kildekode, sanntids ansiktsgjenkjenningsprogramvare basert på Googles FaceNet-forskning.

I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de bruker OpenFaces komponenter til å lage og distribuere en prøveapplikasjon for ansiktsgjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Arbeid med OpenFaces komponenter, inkludert dlib, OpenVC, Torch og nn4 for å implementere ansiktsgjenkjenning, justering og transformasjon
• Bruk OpenFace på applikasjoner fra den virkelige verden som overvåking, identitetsverifisering, virtuell virkelighet, spill og identifisering av gjentakende kunder, etc.

Publikum

• Utviklere
• Dataforskere

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

I denne instruktørledede, live-opplæringen vil deltakerne lære avanserte teknikker for Machine Learning med R mens de går gjennom opprettelsen av en virkelig applikasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå og implementere uovervåket læringsteknikker
• Bruk klynging og klassifisering for å lage spådommer basert på data fra den virkelige verden.
• Visualiser data for raskt å få innsikt, ta beslutninger og avgrense analysen ytterligere.
• Forbedre ytelsen til en maskinlæringsmodell ved å bruke hyperparameterinnstilling.
• Sett en modell i produksjon for bruk i en større applikasjon.
• Bruk avanserte maskinlæringsteknikker for å svare på spørsmål som involverer sosiale nettverksdata, big data og mer.

Dette kurset er en innføring i å anvende neuronnettverk i virkelige problemer ved bruk av R-project-programvaren.

Denne instruktørledede, live-opplæringen i Oslo (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 Oslo (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.

I denne instruktørledede, live-opplæringen i Oslo (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 bruke ulike TensorFlow modeller.
• Teste og implementere algoritmer ved hjelp av en enkelt arkitektur og sett med API'er.
• Utvide TensorFlow Serving for å bruke andre typer modeller i tillegg til TensorFlow modeller.

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

Denne instruktørledede, live-opplæringen i Oslo (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.

I denne instruktørlede, direkte treningen i Oslo, vil deltakerne lære å dra nytte av innovasjonene i TPU-prosessorene for å maksimere ytelsen til egne AI-applikasjoner.

Ved slutten av treningen vil deltakerne kunne:

• Trenne ulike typer nevrale nettverk på store mengder data.
• Bruke TPUer til å akselerere inferensprosessen med opp til to størrelsesordner.
• Bruke TPUer til å behandle ressurskrevende applikasjoner som bilde søk, skybasert syn og fotoprosessering.

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

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