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 instruktørledede, live-treningen i Oslo (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å dyppe seg dypere inn i datavisjon og utforske TensorFlows kapasiteter for å utvikle sofistikerte visjonsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nevrale nettverk (CNNs) ved hjelp av TensorFlow.
• Bruke Google Colab for skalerbar og effektiv skybasert modellutvikling.
• Implementere bildeforarbeidingsmetoder for datavisjonstider.
• Sette i drift datavisjonsmodeller for virkelige anvendelser.
• Bruke overføringsslur for å forbedre ytelsen på CNN-modeller.
• Visualisere og tolke resultater 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, live-opplæringen i Oslo (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å utforske state-of-the-art XAI-teknikker for dyplæringsmodeller, med fokus på å bygge tolkbare AI-systemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå utfordringene med forklarbarhet i dyp læring.
• Implementer avanserte XAI-teknikker for nevrale nettverk.
• Tolke avgjørelser tatt av dyplæringsmodeller.
• Vurder avveiningene mellom ytelse og åpenhet.

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 (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører og datavisualiseringsforskere som ønsker å utnytte Stable Diffusion til å generere høykvalitetsbilder for en rekke bruksområder.

Innen slutten av denne opplæringen vil deltakerne kunne:

• Forstå prinsippene bak Stable Diffusion og hvordan den fungerer for bildegenerering.
• Bygge og trene Stable Diffusion-modeller for bildegenereringsoppgaver.
• Anvende Stable Diffusion i ulike bildegenereringssenarioer, slik som inpainting, outpainting og bilde-til-bilde-oversettelse.
• Optimalisere ytelse og stabilitet 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.

Dette er et 4-dagers kurs som introduserer AI og applikasjonen som bruker programmeringsspråket Python. Det er en mulighet for å ha en ekstra dag til å gjennomføre et AI-prosjekt etter fullføring av dette kurset.

Deep Reinforcement Learning (DRL) kombinerer prinsipper for forsterkende læring med dypelæringsarkitekturer for å la agenter ta beslutninger gjennom interaksjon med sine omgivelser. Det ligger til grunn for mange moderne AI-fremskritt som selvkjørende kjøretøy, robotstyring, algoritmisk handel og adaptive anbefalingssystemer. DRL lar en kunstig agent lære strategier, optimalisere politikker og ta autonome beslutninger basert på prøve og feil ved bruk av belønningsbasert læring.

Denne instruktørledede, live opplæringen (online eller på sted) er rettet mot mellomnivåutviklere og datasientister som ønsker å lære og bruke Deep Reinforcement Learning-teknikker til å bygge intelligente agenter som kan ta autonome beslutninger i komplekse miljøer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå teoretiske grunnlag og matematiske prinsipper for forsterkende læring.


• Implementere viktige RL-algoritmer, inkludert Q-Learning, Policy Gradients og Actor-Critic-metoder.


• Bygge og trene Deep Reinforcement Learning-agenter ved bruk av TensorFlow eller PyTorch.


• Bruk DRL på virkelige applikasjoner som spill, robotikk og beslutningsoptimalisering.


• Feilsøke, visualisere og optimalisere treningsyten ved bruk av moderne verktøy.

Kursformat

• Interaktiv forelesning og veiledet diskusjon.


• Hender på øvelser og praktiske implementasjoner.


• Live kode demonstrasjoner og prosjektbaserte applikasjoner.

Tilpasningsmuligheter for kurs

• For å be om en tilpasset versjon av dette kurset (for eksempel ved bruk av PyTorch i stedet for TensorFlow), ta kontakt med oss for å avtale.

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.

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.

Denne instruktørledede, live opplæring i Oslo (online eller på sted) gir en introduksjon til feltet med mønstergjenkjenning og maskinlæring. Den berører praktiske anvendelser innen statistikk, datavitenskap, signalbehandling, datasyntese, datamining og bioinformasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke kjerne statistiske metoder til mønstergjenkjenning.
• Bruk nøkkelmodeller som neurale nettverk og kjerne-metoder for dataanalyse.
• Implementere avanserte teknikker for komplekse problemstillinger.
• Forbedre prediksjonsnøyaktigheten ved å kombinere forskjellige modeller.

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.

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.

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.

Dette instruktørledede, live-kurset i Oslo (online eller på stedet) er rettet mot dataforskere som ønsker å akselerere sanntidsmaskinlæringsapplikasjoner og deployere dem i stor skala.

Ved slutten av kurset vil deltakerne kunne:

• Installere OpenVINO-verktøysettet.
• Akselerere en datamaskinseansjonsapplikasjon ved hjelp av en FPGA.
• Utføre ulike CNN-lag på FPGA-en.
• Skale applikasjonen på tvers av flere noder i et Kubernetes-cluster.

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.

Dette instruktørledede, live kurset i Oslo (online eller på stedet) er rettet mot utviklere eller datasikere som ønsker å bruke Horovod til å kjøre distribuert dyp lærings trening og skalere det til å kjøre på tvers av flere GPU-er parallelt.

Ved slutten av dette kurset vil deltakerne kunne:

• Sette opp nødvendig utviklingsmiljø for å starte dyp lærings trening.
• Installere og konfigurere Horovod for å trene modeller med TensorFlow, Keras, PyTorch og Apache MXNet.
• Skalere dyp lærings trening med Horovod for å kjøre på flere GPU-er.

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, levende opplæringen vil deltakerne lære å bruke Matlab til å designe, bygge og visualisere et konvolusjonelt neuralt nettverk for bildegenkjenning.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Bygge en dyp læring modell
• Automatisere data merking
• Arbeide med modeller fra Caffe og TensorFlow-Keras
• Trene data ved hjelp av flere GPUs, skyen eller kluster

Målgruppe

• Utviklere
• Ingeniører
• Domeneeksperter

Formatet på kurset

• Del forelesning, del diskusjon, øvelser og mye praktisk øving

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.

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.

Dette instruktørledede, live-treningen i Oslo (online eller på stedet) er rettet mot utviklere og datavitenskapsfolk som ønsker å bruke TensorFlow 2.x for å bygge predikterer, klassifiserere, generative modeller, nevrale nettverk og så videre.

Avslutningen på denne treningen vil deltakerne kunne:

• Installere og konfigurere TensorFlow 2.x.
• Føre inn fordelene ved TensorFlow 2.x i forhold til tidligere versjoner.
• Bygge dyp læring modeller.
• Implementere en avansert bildeklassifiserer.
• Distribuere et dyp læring modell til skyen, mobil 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 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

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.

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

Dette kurset begynner med å gi deg konseptuell kunnskap om nevrale nettverk og generelt i maskinlæringsalgoritmer, dyp læring (algoritmer og anvendelser).

Del 1 (40%) av dette treningen fokuserer mer på grunnleggende kunnskaper, men vil hjelpe deg med å velge riktig teknologi: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Del 2 (20%) av denne treningen introducerer Theano - en Python-bibliotek som gjør det enkelt å skrive dype læring-modeller.

Del 3 (40%) av treningen vil være sterkt basert på TensorFlow - API for Google's open source programvarebibliotek for Dyp Læring. Eksemplene og praktiske øvelser vil alle være utført i TensorFlow.

Målgruppe

Dette kurset er ment for ingeniører som ønsker å bruke TensorFlow i sine dype læring-prosjekter

Etter fullført kurs vil deltakerne:

• ha en godt forståelse av dype nevrale nettverk (DNN), CNN og RNN
• forstå TensorFlow's struktur og distribueringsmekanismer
• kunne utføre installasjons-, produksjonsmiljø- og arkitekturaufgaben samt konfigurasjon
• kunne vurdere koden kvalitet, utføre feilsøking, overvåkning
• kunne implementere avanserte produksjonsoppgaver som trening av modeller, bygging av grafer og logging