Cursuri de pregatire Matlab pentru Aprenderea Profundă

Această instruire live, condusă de un instructor în Moldova (online sau la fața locului) se adresează oamenilor de știință din domeniul datelor de nivel intermediar până la avansat, inginerilor din domeniul învățării automate, cercetătorilor din domeniul învățării profunde și experților în viziune computerizată care doresc să își extindă cunoștințele și abilitățile în învățarea profundă pentru generarea de text în imagine.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă arhitecturile și tehnicile avansate de învățare profundă pentru generarea text-imagine.
• Să implementeze modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate.
• Să optimizeze performanța și scalabilitatea pentru seturi mari de date și modele complexe.
• Reglați hiperparametrii pentru o mai bună performanță și generalizare a modelului.
• Integrarea Stable Diffusion cu alte cadre și instrumente de învățare profundă

Această formare live, cu instructor, în Moldova (online sau la fața locului) se adresează biologilor care doresc să înțeleagă cum funcționează AlphaFold și să utilizeze modele AlphaFold ca ghid în studiile lor experimentale.

La sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă principiile de bază ale AlphaFold.
• Să învețe cum funcționează AlphaFold.
• Să învețe cum să interpreteze predicțiile și rezultatele AlphaFold.

Caffe este un cadru de învățare adâncă conceput cu exprimarea, viteza și modularitatea în minte.

Acest curs explorează aplicarea Caffe ca framework pentru învățarea adâncă pentru recunoașterea imaginilor folosind MNIST ca exemplu

Public țintă

Acest curs este potrivit pentru cercetătorii și inginerii de învățare adâncă interesați să utilizeze Caffe ca cadru.

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale Caffe
• să execute sarcinile legate de instalare / mediu de producție / arhitectură și configurare
• să evalueze calitatea codului, să efectueze depanarea și monitorizarea
• să implementeze producții avansate precum instruirea modelelor, implementarea stratilor și logging-ul

Această formare live, cu instructor, în Moldova (online sau la fața locului) se adresează cercetătorilor și dezvoltatorilor care doresc să utilizeze Chainer pentru a construi și a antrena rețele neuronale în Python, făcând codul ușor de depanat.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Să configureze mediul de dezvoltare necesar pentru a începe să dezvolte modele de rețele neuronale.
• Să definească și să implementeze modele de rețele neuronale utilizând un cod sursă inteligibil.
• Să execute exemple și să modifice algoritmii existenți pentru a optimiza modelele de formare de învățare profundă, valorificând în același timp GPUs pentru performanțe ridicate.

Computer Network ToolKit (CNTK) este Microsoft Open Source, Multi-machine, Multi-GPU, Highly efficent RNN training machine learning framework for speech, text, and images.

Audiență

Acest curs se adresează inginerilor și arhitecților care doresc să utilizeze CNTK în proiectele lor.

Audiență

Acest curs este potrivit pentru cercetătorii și inginerii de Deep Learning interesați să folosească instrumente disponibile (în majoritate open source) pentru analiza imaginilor pe computer.

Cursul oferă exemple practice de lucru.

Această antrenament live (online sau presenzial) în Moldova este destinat dezvoltatorilor de nivel intermediar, cercetătorilor de date și practicionerilor AI care doresc să folosească TensorFlow Lite pentru aplicațiile AI la bord.

La sfârșitul acestui antrenament, participanții vor putea:

• Să înțeleagă fundamentalele TensorFlow Lite și rolul său în AI la bord.
• Să dezvolte și optimizze modele de IA folosind TensorFlow Lite.
• Să deployeze modele TensorFlow Lite pe diferite dispozitive la bord.
• Să utilizeze instrumentele și tehnicile pentru conversia și optimizarea modelului.
• Să implementeze aplicații AI la bord practice folosind TensorFlow Lite.

Acest curs de formare live, condus de un instructor în Moldova (online sau la fața locului) se adresează cercetătorilor de date care doresc să accelereze aplicațiile de învățare automată în timp real și să le implementeze la scară largă.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să instaleze setul de instrumente OpenVINO.
• Să accelereze o aplicație de computer vision utilizând un FPGA.
• Să execute diferite straturi CNN pe FPGA.
• Să scaleze aplicația pe mai multe noduri dintr-un cluster Kubernetes.

Această instruire live, condusă de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor sau oamenilor de știință din domeniul datelor care doresc să utilizeze Horovod pentru a rula instruiri distribuite de învățare profundă și să le extindă pentru a rula pe mai multe GPUs în paralel.

Până la sfârșitul acestui training, participanții vor fi capabili să:

• Să configureze mediul de dezvoltare necesar pentru a începe să ruleze traininguri de învățare profundă.
• Să instaleze și să configureze Horovod pentru a antrena modele cu TensorFlow, Keras, PyTorch și Apache MXNet.
• Să scaleze antrenamentele de învățare profundă cu Horovod pentru a rula pe mai multe GPUs.

Acest curs de formare live, condus de un instructor în Moldova (online sau la fața locului) se adresează persoanelor tehnice care doresc să aplice modelul de învățare profundă în aplicații de recunoaștere a imaginilor.

La sfârșitul acestei formări, participanții vor fi capabili să:

• Instalați și configurați Keras.
• Să prototipeze rapid modele de învățare profundă.
• Să implementeze o rețea convoluțională.
• Să implementeze o rețea recurentă.
• Să execute un model de învățare profundă atât pe un procesor, cât și pe GPU.

Această instruire live (online sau la fața locului), condusă de un instructor, se adresează oamenilor de știință din domeniul datelor, inginerilor din domeniul învățării automate și cercetătorilor din domeniul viziunii computerizate care doresc să valorifice Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Să înțeleagă principiile Stable Diffusion și modul în care funcționează pentru generarea de imagini.
• Să construiască și să antreneze modele Stable Diffusion pentru sarcini de generare a imaginilor.
• Să aplice Stable Diffusion la diverse scenarii de generare a imaginilor, cum ar fi inpainting, outpainting și traducerea de la imagine la imagine.
• Optimizarea performanței și stabilității modelelor Stable Diffusion.

Această instruire condusă de instrucțiune, live (online sau local) este adresată inginerilor care doresc să scrie, să încarce și să ruleze modele de învățare automată pe dispozitive cu memorie limitată.

La finalul acestei instruirii, participanții vor putea:

• Instala TensorFlow Lite.
• Încărca modele de învățare automată pe un dispozitiv încorporat pentru a-l permite să detecteze vorbirea, să clasifice imagini, etc.
• Adăuga AI la dispozitivele fizice fără a depinde de conectivitatea rețelei.

TensorFlow este o API de generația a doua a bibliotecii software open source Google pentru Învățarea Profundă. Sistemul este conceput pentru a facilita cercetarea în învățare automată și pentru a permite o tranziție rapidă și ușoară de la prototipul de cercetare la sistemul de producție.

Audiență

Acest curs este destinat inginerilor care doresc să folosească TensorFlow în proiectele lor de Învățare Profundă

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să efectueze sarcini de instalare / configurare a mediului de producție / arhitectură și configurare
• să evalueze calitatea codului, să efectueze depistarea erorilor și monitorizarea
• să implementeze tehnici avansate de producție precum antrenarea modelelor, construirea graficelor și registrarea evenimentelor

Acest curs explorează, cu exemple specifice, aplicarea Tensor Flow în scopul recunoașterii imaginilor

Public țintă

Acest curs este destinat inginerilor care doresc să utilizeze TensorFlow pentru scopurile de Recunoaștere a Imaginilor

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să efectueze sarcini de instalare / configurare a mediului de producție / arhitecturii
• să evalueze calitatea codului, să execute depanarea și monitorizarea
• să implementeze procese avansate precum instruirea modelelor, construirea graficelor și înregistrarea

TensorFlow™ este o bibliotecă de software open source pentru calcul numeric folosind grafice de flux de date.

SyntaxNet este un cadru de procesare a limbajului natural bazat pe rețele neuronale pentru TensorFlow.

Word2Vec se folosește pentru învățarea reprezentărilor vectoriale ale cuvintelor, numite "embedding-uri de cuvinte". Word2vec este un model predictiv eficient din punct de vedere computational pentru învățarea embedding-urilor de cuvinte din textul brut. Există două variante, modelul Continuous Bag-of-Words (CBOW) și modelul Skip-Gram (Capitolele 3.1 și 3.2 în Mikolov et al.).

Folosite împreună, SyntaxNet și Word2Vec permit utilizatorilor să genereze modele de embedding învățate din intrarea de limbaj natural.

Audiență

Acest curs este destinat dezvoltatorilor și inginerilor care intenționează să lucreze cu modelele SyntaxNet și Word2Vec în graficele lor TensorFlow.

După finalizarea acestui curs, delegații vor:

• înțelege structura și mecanismele de implementare ale TensorFlow
• fi capabili să efectueze sarcini de instalare / mediu de producție / arhitectură și configurare
• fi capabili să evalueze calitatea codului, să execute depistarea erelor, monitorizarea
• fi capabili să implementeze aspecte avansate de producție precum învățarea modelelor, embedding-ul termenilor, construirea graficelor și logging-ul