Cursuri de pregatire TensorFlow pentru Recunoașterea Imaginilor

Acesta este un curs de 4 zile care introduce conceptele de AI și aplicațiile acestuia. Există opțiunea de a adăuga o zi suplimentară pentru realizarea unui proiect de AI după finalizarea acestui curs. 

Această formare condusă de un instructor, live în Moldova (online sau la fața locului), este destinată profesioniștilor de nivel avansat care doresc să-și aprofundeze înțelegerea computer vision și să exploreze capacitățile TensorFlow pentru dezvoltarea de modele sofisticate de vedere folosind Google Colab.

La finalul acestei formări, 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 bazate pe cloud.
• Să implementeze tehnici de preprocesare a imaginilor pentru sarcini de computer vision.
• Să implementeze modele de computer vision pentru aplicații din lumea reală.
• Să folosească transfer learning 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 deep learning folosind mediul Google Colab.

La sfârșitul acestui training, participanții vor putea:

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

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

La finalul acestui training, participanții vor putea:

• Proiecta și scrie cod DL pentru NLP folosind biblioteci Python.
• Crea cod Python care citește o colecție mare de imagini și generează cuvinte cheie.
• Crea cod Python care generează descrieri 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 (în mare parte open source) pentru analiza imaginilor de calculator.

Acest curs oferă exemple practice.

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

La finalul acestui training, participanții vor fi capabili să:

• Creeze un model de detectare a fraudelor în Python și TensorFlow.
• Construiască regresii liniare și modele de regresie liniară pentru a prezice frauda.
• Dezvolte o aplicație AI de la cap la capăt pentru analiza datelor frauduloase.

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat dezvoltatorilor și oamenilor de știință 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:

• Să instaleze și să configureze TensorFlow 2.x.
• Să înțeleagă beneficiile TensorFlow 2.x față de versiunile anterioare.
• Să construiască modele de învățare profundă.
• Să implementeze un clasificator avansat de imagini.
• Să implementeze un model de învățare profundă în cloud, dispozitive mobile și dispozitive IoT.

În cadrul acestui training condus de un instructor, live 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 sfârșitul 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 afară de modelele TensorFlow.

TensorFlow este o API de a doua generație a bibliotecii de software open source a Google pentru Învățarea Profundă. Sistemul este proiectat pentru a facilita cercetarea în învățarea automată 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
• să fie capabili să efectueze sarcini de instalare / mediu de producție / arhitectură și configurare
• să fie capabili să evalueze calitatea codului, să efectueze depanare și monitorizare
• să fie capabili să implementeze tehnici avansate de producție, cum ar fi antrenarea modelelor, construirea de grafice și logare

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 un pipeline complet de producție ML.
• Lucra cu componentele TFX pentru a efectua modelare, antrenament, inferență și gestionarea implementărilor.
• Implementa funcții de învățare automată în aplicații web, aplicații mobile, dispozitive IoT și nu numai.

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

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

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

Folosite împreună, SyntaxNet și Word2Vec permit utilizatorilor să genereze modele de încorporare 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 grafurile lor TensorFlow.

După parcurgerea 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 procese avansate de producție, cum ar fi antrenarea modelelor, încorporarea termenilor, construirea grafurilor și înregistrarea datelor

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

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

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

Partea 3 (40%) a trainingului va fi în mare parte bazată 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 folosească 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
• să poată efectua sarcini de instalare / configurare a mediului de producție / arhitectură
• să poată evalua calitatea codului, să efectueze depanare și monitorizare
• să poată implementa procese avansate de producție, cum ar fi antrenarea modelelor, construirea de grafice și înregistrarea de loguri