Cursuri de pregatire TensorFlow pentru Recunoașterea Imaginilor

Acest este un curs de 4 zile care introduce inteligența artificială și aplicațiile sale. Există opțiunea de a adăuga o zi suplimentară pentru realizarea unui proiect de AI la finalizarea acestui curs. 

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat profesioniștilor de nivel avansat care doresc să-și aprofundeze înțelegerea viziunii artificiale și să exploreze capacitățile TensorFlow pentru dezvoltarea de modele sofisticate de viziune folosind Google Colab.

La finalul acestui training, participanții vor putea:

• Să construiască și să antreneze rețele neuronale convoluționale (CNN) folosind TensorFlow.
• Să utilizeze Google Colab pentru dezvoltarea scalabilă și eficientă a modelelor în cloud.
• Să implementeze tehnici de preprocesare a imaginilor pentru sarcini de viziune artificială.
• Să implementeze modele de viziune artificială pentru aplicații din lumea reală.
• Să folosească învățarea prin transfer pentru a îmbunătăți performanța modelelor CNN.
• Să vizualizeze și să interpreteze rezultatele modelelor de clasificare a imaginilor.

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat specialiștilor în date și dezvoltatorilor de nivel intermediar care doresc să înțeleagă și să aplice tehnici de învățare profundă folosind mediul Google Colab.

La finalul acestui training, participanții vor putea:

• Să configureze și să navigheze în Google Colab pentru proiecte de învățare profundă.
• Să înțeleagă elementele de bază ale rețelelor neuronale.
• Să implementeze modele de învățare profundă folosind TensorFlow.
• Să antreneze și să evalueze modele de învățare profundă.
• Să utilizeze funcții avansate ale TensorFlow pentru învățare profundă.

În acest antrenament condus de un instructor în Moldova, participanții vor învăța să folosească bibliotecile Python pentru NLP în timp ce creează o aplicație care procesează un set de imagini și generează subtitrări.

La finalul acestui antrenament, participanții vor putea:

• Proiecta și scrie cod DL pentru NLP folosind bibliotecile Python.
• Crea cod Python care citește o colecție substanțială de imagini și generează cuvinte cheie.
• Crea cod Python care generează subtitrări din cuvintele cheie detectate.

Publicul țintă

Acest curs este potrivit pentru cercetătorii și inginerii din domeniul Învățării Profunde care sunt interesați să utilizeze instrumentele disponibile (majoritatea open source) pentru analiza imaginilor de calculator.

Acest curs oferă exemple practice.

Acest training condus de un instructor, live (online sau la fața locului), este destinat specialiștilor în știința datelor care doresc să utilizeze TensorFlow pentru a analiza datele potențiale de fraudă.

La finalul acestui training, participanții vor putea:

• Crea un model de detectare a fraudelor în Python și TensorFlow.
• Construi regresii liniare și modele de regresie liniară pentru a prezice frauda.
• Dezvolta o aplicație AI de la cap la capăt pentru analizarea datelor de fraudă.

Acest training condus de un instructor, live în Moldova (online sau onsite), este destinat dezvoltatorilor și oamenilor de știință de date care doresc să folosească TensorFlow 2.x pentru a construi predictori, clasificatori, modele generative, rețele neuronale și altele.

La sfârșitul acestui training, participanții vor putea:

• Instala și configura TensorFlow 2.x.
• Înțelege avantajele TensorFlow 2.x față de versiunile anterioare.
• Construi modele de învățare profundă.
• Implementa un clasificator avansat de imagini.
• Implementa un model de învățare profundă în cloud, pe dispozitive mobile și IoT.

În acest training condus de un instructor, în direct în Moldova (online sau la fața locului), participanții vor învăța cum să configureze și să utilizeze TensorFlow Serving pentru a implementa și gestiona modele ML într-un mediu de producție.

La finalul acestui training, participanții vor putea:

• Antrena, exporta și servi diverse modele TensorFlow.
• Testa și implementa algoritmi folosind o singură arhitectură și un set de API-uri.
• Extinde TensorFlow Serving pentru a servi alte tipuri de modele în afara modelelor TensorFlow.

TensorFlow este o bibliotecă software open source de a doua generație dezvoltată de Google pentru Învățarea Profundă. Sistemul este conceput pentru a facilita cercetarea în domeniul învățării automate și pentru a face rapidă și ușoară trecerea de la prototipul de cercetare la sistemul de producție.

Publicul țintă

Acest curs este destinat inginerilor care doresc să utilizeze TensorFlow pentru proiectele lor de Învățare Profundă.

După finalizarea acestui curs, participanții vor:

• înțelege structura și mecanismele de implementare ale TensorFlow
• fi capabili să efectueze sarcini de instalare / configurare a mediului de producție / arhitectură
• fi capabili să evalueze calitatea codului, să efectueze depanare și monitorizare
• fi capabili să implementeze procese avansate de producție, cum ar fi antrenarea modelelor, construirea de grafice și înregistrarea datelor

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat specialiștilor în știința datelor care doresc să treacă de la antrenarea unui singur model ML la implementarea mai multor modele ML în producție.

La sfârșitul acestui training, participanții vor putea:

• Instala și configura TFX și instrumente terțe de suport.
• Utiliza TFX pentru a crea și gestiona o conductă completă de producție ML.
• Lucra cu componentele TFX pentru a efectua modelarea, antrenamentul, inferența și gestionarea implementărilor.
• Implementa funcții de învățare automată în aplicații web, aplicații mobile, dispozitive IoT și nu numai.

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 este folosit pentru învățarea reprezentărilor vectoriale ale cuvintelor, numite „înglobări de cuvinte” (word embeddings). Word2Vec este un model predictiv deosebit de eficient din punct de vedere computațional pentru învățarea înglobărilor de cuvinte din textul brut. Acesta este disponibil în două variante: modelul Continuous Bag-of-Words (CBOW) și modelul Skip-Gram (Capitolul 3.1 și 3.2 în lucrarea lui Mikolov et al.).

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

Publicul țintă

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

După finalizarea acestui curs, participanții vor:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să fie capabili să efectueze sarcini de instalare / configurare a mediului de producție / arhitectură
• să fie capabili să evalueze calitatea codului, să efectueze depanare și monitorizare
• să fie capabili să implementeze funcționalități avansate de producție, cum ar fi antrenarea modelelor, înglobarea termenilor, construirea de grafice și înregistrarea

Acest curs începe prin a vă oferi cunoștințe conceptuale despre rețelele neuronale și, în general, despre algoritmii de învățare automată, învățarea profundă (algoritmi și aplicații).

Partea 1 (40%) a acestei formări se concentrează mai mult pe elementele fundamentale, dar vă va ajuta să alegeți tehnologia potrivită: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Partea 2 (20%) a acestei formări introduce Theano - o bibliotecă Python care facilitează scrierea modelelor de învățare profundă.

Partea 3 (40%) a formării se va concentra pe TensorFlow - API-ul bibliotecii de software open-source a Google pentru Învățarea Profundă. Exemplele și exercițiile practice vor fi realizate în TensorFlow.

Publicul țintă

Acest curs este destinat inginerilor care doresc să utilizeze TensorFlow pentru proiectele lor de Învățare Profundă.

După finalizarea acestui curs, participanții vor:

• avea o bună înțelegere a rețelelor neuronale profunde (DNN), CNN și RNN
• înțelege structura și mecanismele de implementare ale TensorFlow
• fi capabili să efectueze sarcini de instalare / configurare a mediului de producție / arhitectură
• fi capabili să evalueze calitatea codului, să efectueze depanare și monitorizare
• fi capabili să implementeze procese avansate de producție, cum ar fi antrenarea modelelor, construirea graficelor și logarea