TensorFlow Opplæringskurs

Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to:

• Explore how data is being interpreted by machine learning models
• Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it
• Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals.
• Explore the properties of a specific embedding to understand the behavior of a model
• Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. 

DL (Deep Learning) is a subset of ML (Machine Learning). Python is a popular programming language that contains libraries for Deep Learning for NLP. Deep Learning for NLP (Natural Language Processing) allows a machine to learn simple to complex language processing. Among the tasks currently possible are language translation and caption generation for photos. In this instructor-led, live training, participants will learn to use Python libraries for NLP as they create an application that processes a set of pictures and generates captions.  By the end of this training, participants will be able to:

• Design and code DL for NLP using Python libraries.
• Create Python code that reads a substantially huge collection of pictures and generates keywords.
• Create Python Code that generates captions from the detected keywords.

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

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.

TensorFlow er en åpen kilde maskinlæring bibliotek. TensorFlow gir brukerne muligheten til å bruke og skape kunstig intelligens for å oppdage og forutse svindel. Denne instruktørledede, live-trening (online eller online) er rettet mot data forskere som ønsker å bruke TensorFlow for å analysere potensielle svindeldata. Ved slutten av denne treningen vil deltakerne være i stand til å:

Skap en svindeldeteksjonsmodell i Python og TensorFlow. Bygg lineære regressjoner og lineære regressjonsmodeller for å forutse svindel. Utvikle en end-to-end AI-applikasjon for å analysere svindeldata.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

Kubeflow er et rammeverk for å kjøre maskinlæringsarbeidsbelastninger på Kubernetes. TensorFlow er et av de mest populære maskinlæringsbibliotekene. Kubernetes er en orkestreringsplattform for å administrere containeriserte applikasjoner. OpenShift er en skyapplikasjonsutviklingsplattform som bruker Docker-containere, orkestrert og administrert av Kubernetes, på grunnlag av Red Hat Enterprise Linux.Denne instruktørledede, direkteopplæringen (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: Installere og konfigurere 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.

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

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.

TensorFlow er et populært bibliotek og maskinlæringsbibliotek utviklet av Go ogle for dyp læring, numerisk beregning og storskala maskinlæring. TensorFlow 2.0, utgitt i januar 2019, er den nyeste versjonen av TensorFlow og inkluderer forbedringer i ivrig utførelse, kompatibilitet og API-konsistens. Denne instruktørledede, liveopplæringen (på stedet eller fjernkontrollen) er rettet mot utviklere og dataforskere som ønsker å bruke Tensorflow 2.0 til å bygge prediktorer, klassifisere, generative modeller, nevrale nettverk og så videre. Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TensorFlow 2.0.
• Forstå fordelene med TensorFlow 2.0 i forhold til tidligere versjoner.
• Bygg dype læringsmodeller.
• Implementere en avansert bildeklassifiserer.
• Distribuer en dyp læringsmodell til sky-, mobil- og IoT-enheter.

Kursets format

• Interaktiv forelesning og diskusjon.
• Masse øvelser og trening.
• Praktisk implementering i et live-lab-miljø.

Alternativer for tilpasning av kurset

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.
• Hvis du vil lære mer om TensorFlow , kan du gå til: https://www.tensorflow.org/

TensorFlow.js er en JavaScript-ramme for maskinlæring. TensorFlow.js gjør det mulig for brukere å bygge og trene maskinlæringsmodeller direkte i JavaScript. Denne instruktørledede, levende opplæringen (online eller online) er rettet mot data forskere som ønsker å bruke TensorFlow.js for å identifisere mønstre og generere forutsetninger gjennom maskinlæringsmodeller. Ved slutten av denne treningen vil deltakerne være i stand til å:

Bygg og trene maskinlæringsmodeller med TensorFlow.js. Kjør maskinlæringsmodeller i nettleseren eller under Node.js. Fjern eksisterende maskinlæringsmodeller ved hjelp av tilpassede data.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

TensorFlow Serving er et system for servering av maskinlæring (ML) modeller til produksjon. I denne instruktørledede TensorFlow vil deltakerne lære å konfigurere og bruke TensorFlow Serving til å distribuere og administrere ML-modeller i et produksjonsmiljø. Ved slutten av denne opplæringen vil deltakerne kunne:

• Tren, eksporter og server forskjellige TensorFlow modeller
• Test og distribuer algoritmer ved hjelp av en enkelt arkitektur og sett med APIer
• Utvid TensorFlow Servering for å tjene andre typer modeller utover TensorFlow modeller

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

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 Extended (TFX) er en end-to-end plattform for å implementere produksjon av ML-rør. Denne instruktørledede, live-trening (online eller on-site) er rettet mot data forskere som ønsker å gå fra å trene en enkelt ML-modell til å implementere mange ML-modeller til produksjon. Ved slutten av denne treningen vil deltakerne være i stand til å:

Installere og konfigurere TFX og støtte tredjepart verktøy. Bruk TFX til å lage og administrere en komplett ML produksjonsrør. Arbeide med TFX-komponenter for å utføre modellering, opplæring, servering av inferens og forvaltning av deployments. Deploy maskinlæring funksjoner til webapplikasjoner, mobile applikasjoner, IoT-enheter og mer.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision. In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications. By the end of the training, participants will be able to:

• Train various types of neural networks on large amounts of data.
• Use TPUs to speed up the inference process by up to two orders of magnitude.
• Utilize TPUs to process intensive applications such as image search, cloud vision and photos.

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

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