Deep Learning with TensorFlow Schulung

Dies ist ein 4-tägiger Kurs, der in KI und ihre Anwendung einführt. Es besteht die Möglichkeit, nach Abschluss des Kurses einen zusätzlichen Tag für die Durchführung eines KI-Projekts zu nutzen.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis von Computer Vision vertiefen und die Möglichkeiten von TensorFlow zur Entwicklung anspruchsvoller Vision-Modelle mit Google Colab erkunden möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Faltungsneuronale Netze (CNNs) mit TensorFlow erstellen und trainieren.
• Nutzung von Google Colab für skalierbare und effiziente Cloud-basierte Modellentwicklung.
• Bildvorverarbeitungstechniken für Computer Vision Aufgaben zu implementieren.
• Einsatz von Computer-Vision-Modellen für reale Anwendungen.
• Verwenden Sie Transfer-Lernen, um die Leistung von CNN-Modellen zu verbessern.
• Visualisieren und interpretieren Sie die Ergebnisse von Bildklassifizierungsmodellen.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler und Entwickler, die Deep-Learning-Techniken mit der Google Colab-Umgebung verstehen und anwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Google Colab für Deep-Learning-Projekte einzurichten und zu navigieren.
• Die Grundlagen neuronaler Netze zu verstehen.
• Deep-Learning-Modelle mit TensorFlow zu implementieren.
• Deep-Learning-Modelle zu trainieren und zu bewerten.
• Erweiterte Funktionen von TensorFlow für Deep Learning zu nutzen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer die Verwendung von Python Bibliotheken für NLP, während sie eine Anwendung erstellen, die eine Reihe von Bildern verarbeitet und Bildunterschriften generiert. 

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Entwerfen und  codieren Sie DL für NLP unter Verwendung von Python Bibliotheken.
• Erstellen von Python Code, der eine umfangreiche Sammlung von Bildern liest und Schlüsselwörter generiert.
• Erstelle PythonCode, der aus den erkannten Schlüsselwörtern Bildunterschriften generiert.

Publikum

Dieser Kurs ist für Deep Learning Forscher und Ingenieure geeignet, die verfügbare Tools (meist Open Source) zur Analyse von Computerbildern verwenden möchten

Dieser Kurs enthält Arbeitsbeispiele.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, die TensorFlow für die Analyse potenzieller Betrugsdaten nutzen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Ein Betrugserkennungsmodell in Python und TensorFlow erstellen.
• Lineare Regressionen und lineare Regressionsmodelle zur Vorhersage von Betrug erstellen.
• Eine End-to-End-KI-Anwendung zur Analyse von Betrugsdaten entwickeln.

Dieses von einem Trainer geleitete Live-Training (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.x verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netze usw. zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installation und Konfiguration von TensorFlow 2.x.
• Die Vorteile von TensorFlow 2.x gegenüber früheren Versionen verstehen.
• Die Erstellung von Deep Learning-Modellen.
• Implementieren Sie einen fortgeschrittenen Bildklassifikator.
• Einsatz eines Deep-Learning-Modells in der Cloud, auf mobilen und IoT-Geräten.

In dieser von einem Trainer geleiteten Live-Schulung (online oder vor Ort) lernen die Teilnehmer, wie man TensorFlow Serving konfiguriert und verwendet, um ML-Modelle in einer Produktionsumgebung einzusetzen und zu verwalten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Trainieren, exportieren und bedienen Sie verschiedene TensorFlow-Modelle.
• Testen und Bereitstellen von Algorithmen mit einer einzigen Architektur und einem Satz von APIs.
• Erweitern Sie TensorFlow Serving um andere Modelltypen als TensorFlow-Modelle zu bedienen.

In diesem Kurs wird anhand konkreter Beispiele die Anwendung von Tensor Flow zur Bilderkennung erläutert

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen TensorFlow

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

• Struktur und Einsatzmechanismen von TensorFlow verstehen
• Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
• Codequalität beurteilen, Debugging und Überwachung durchführen
• Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, die von der Schulung eines einzelnen ML-Modells zum Einsatz vieler ML-Modelle in der Produktion übergehen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installation und Konfiguration von TFX und unterstützenden Tools von Drittanbietern.
• TFX zum Erstellen und Verwalten einer vollständigen ML-Produktionspipeline verwenden.
• Mit TFX-Komponenten arbeiten, um die Modellierung, das Training, die Inferenz und die Verwaltung von Implementierungen durchzuführen.
• Bereitstellen von Funktionen für maschinelles Lernen für Webanwendungen, mobile Anwendungen, IoT-Geräte und mehr.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie die Vorteile der Innovationen bei TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren.

Am Ende der Schulung werden die Teilnehmer in der Lage sein:

• Trainieren Sie verschiedene Arten von neuronalen Netzen auf großen Datenmengen.
• Nutzen Sie TPUs, um den Inferenzprozess um bis zu zwei Größenordnungen zu beschleunigen.
• Nutzen Sie TPUs zur Verarbeitung intensiver Anwendungen wie Bildsuche, Cloud Vision und Fotos.

TensorFlow™ ist eine Open-Source-Software-Bibliothek für numerische Berechnungen mit Datenfluss-Grafen.

SyntaxNet ist ein Neural-Network Natural Language Processing Framework für TensorFlow.

Word2Vec wird verwendet, um Vektor-Repräsentationen von Wörtern zu lernen, die "Wörter-Inbeddings" genannt werden. Word2vec ist ein besonders berechnet-effizientes Vorhersage-Modell für das Lernen von Wörterinbindungen aus Rohtext. Es kommt in zwei Geschmacksmodellen, dem Kontinuous Bag-of-Words Modell (CBOW) und dem Skip-Gram Modell (Kapitel 3.1 und 3.2 in Mikolov et al.)

SyntaxNet und Word2Vec ermöglichen Benutzern die Erzeugung von Learned Embedding-Modellen aus Natural Language-Eintrag.

Publikum

Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet und Word2Vec Modellen in ihren TensorFlow Grafen arbeiten wollen.

Nach Abschluss dieses Kurses werden die Delegierten:

• Verständnis TensorFlow’s Struktur und Ausführungsmechanismen
• in der Lage, Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchzuführen
• in der Lage, die Codequalität zu bewerten, Debugging durchzuführen, Überwachung
• in der Lage, fortgeschrittene Produktion wie Trainingsmodelle, Einbruchsbedingungen, Baugraphen und Logging zu implementieren

Dieser Kurs beginnt mit dem Erlernen von konzeptionellen Kenntnissen in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus und Tiefenlernen (Algorithmen und Anwendungen).

Teil 1 (40%) dieses Trainings konzentriert sich mehr auf Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras usw.

In Teil 2 (20%) dieses Trainings wird Theano vorgestellt - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.

Part-3 (40%) die Ausbildung intensiv auf Basis von Tensorflow würde - 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Die Beispiele und Handys würden alle in TensorFlow .

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow

Nach Abschluss dieses Kurses werden die Teilnehmer:

• ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN haben

• Struktur und Einsatzmechanismen von TensorFlow verstehen

• in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen

• in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen

• in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren