Cursuri Deep Learning

Stable Diffusion este un model puternic de învățare profundă care poate genera imagini detaliate pe baza unor descrieri de text.  Acest curs de formare live (online sau la fața locului), condus de un instructor, se adresează oamenilor de știință de nivel intermediar sau avansat, inginerilor de învățare automată, cercetătorilor în domeniul învățării profunde și experților în viziune computerizată care doresc să își extindă cunoștințele și abilitățile în domeniul învățării profunde pentru generarea de text în imagini. La sfârșitul acestui curs de formare, participanții vor fi capabili să:

Înțelegerea arhitecturilor și tehnicilor avansate de învățare profundă pentru generarea textului în imagine. Implementați modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate. Optimizați performanța și scalabilitatea pentru seturi mari de date și modele complexe. Reglați hiperparametrii pentru o mai bună performanță și generalizare a modelului. Integrați Stable Diffusion cu alte cadre și instrumente de învățare profundă.

Formatul cursului

Prelegere interactivă și discuții. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja

DeepSpeed este o bibliotecă de optimizare a învățării profunde care facilitează scalarea modelelor de învățare profundă pe hardware distribuit. Dezvoltat de Microsoft, DeepSpeed se integrează cu PyTorch pentru a oferi o scalare mai bună, un antrenament mai rapid și o utilizare îmbunătățită a resurselor.Această instruire live condusă de instructor (online sau la fața locului) se adresează oamenilor de știință de date de nivel începător până la mediu și inginerilor de învățare automată care doresc să îmbunătățească performanța modelelor lor de învățare profundă.Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți principiile învățării profunde distribuite. Instalați și configurați DeepSpeed. Scalați modele de deep learning pe hardware distribuit folosind DeepSpeed. Implementați și experimentați cu funcțiile DeepSpeed pentru optimizare și eficiență a memoriei.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

Modelele de limbaj mare (LLM) sunt modele de rețele neuronale profunde care pot genera texte în limbaj natural pe baza unei intrări sau a unui context dat. Acestea sunt antrenate pe cantități mari de date de text din diverse domenii și surse și pot capta modelele sintactice și semantice ale limbajului natural. LLM-urile au obținut rezultate impresionante în diverse sarcini legate de limbajul natural, cum ar fi rezumatul de text, răspunsul la întrebări, generarea de texte și altele. Acest curs de instruire live (online sau la fața locului), condus de un instructor, se adresează dezvoltatorilor de nivel începător și intermediar care doresc să utilizeze modele mari de limbaj pentru diverse sarcini de limbaj natural. La sfârșitul acestui curs de formare, participanții vor fi capabili să:

Configurați un mediu de dezvoltare care să includă un LLM popular. Creați un LLM de bază și ajustați-l pe un set de date personalizat. Utilizați LLM-uri pentru diferite sarcini de limbaj natural, cum ar fi rezumarea textului, răspunsul la întrebări, generarea de text și altele. Depanarea și evaluarea LLM-urilor utilizând instrumente precum TensorBoard, PyTorch Lightning și seturile de date Hugging Face.

Formatul cursului

Prelegere interactivă și discuții. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita o instruire personalizată pentru acest curs, vă rugăm să ne contactați pentru a aranja.

AlphaFold este un sistem Artificial Intelligence (AI) care efectuează predicția structurilor de proteine. Este dezvoltat de Alphabet’s/Google’s DeepMind ca un sistem de învățare profundă care poate predica cu precizie modelele 3D ale structurilor de proteine. Această formare directă, condusă de instructori (online sau on-site) este destinată biologilor care doresc să înțeleagă cum AlphaFold funcționează și utilizează AlphaFold modele ca ghiduri în studiile lor experimentale. La sfârșitul cursului, participanții vor putea:

Înțelegeți principiile de bază AlphaFold. Aflați cum funcționează AlphaFold. Învățați cum să interpretați AlphaFold predicțiile și rezultatele.

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Stable Diffusion este un model puternic de învățare profundă care poate genera imagini detaliate pe baza unor descrieri de text.  Acest curs de instruire live (online sau la fața locului), condus de un instructor, se adresează oamenilor de știință de date, inginerilor de învățare automată și cercetătorilor în domeniul vederii computerizate care doresc să utilizeze Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare. La sfârșitul acestui curs de formare, participanții vor fi capabili să:

Înțelegerea principiilor Stable Diffusion și a modului în care funcționează pentru generarea de imagini. Să construiască și să antreneze modele Stable Diffusion pentru sarcini de generare de imagini. Să aplice Stable Diffusion în diverse scenarii de generare a imaginilor, cum ar fi inpainting, outpainting și translația imagine-imagine. Optimizarea performanțelor și a stabilității modelelor Stable Diffusion.

Formatul cursului

Prelegere interactivă și discuții. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja

În cadrul acestei instruiri instruite, participanții vor învăța tehnicile cele mai relevante și de tăiere a mașinilor în Python, deoarece construiesc o serie de aplicații demo care implică imagini, muzică, text și date financiare Până la sfârșitul acestui curs, participanții vor putea: Implementarea algoritmilor de învățare a mașinilor și a tehnicilor de rezolvare a problemelor complexe Aplicați învățarea profundă și învățarea semisupervizată a aplicațiilor care implică imagini, muzică, text și date financiare Împingeți algoritmii Python la potențialul lor maxim Utilizați biblioteci și pachete, cum ar fi NumPy și Theano Public Dezvoltatori Analistii Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Deep Reinforcement Learning se referă la capacitatea unui „agent artificial” de a învăța prin încercare și eroare și recompense și pedepse. Un agent artificial urmărește să imite capacitatea unui om de a obține și de a construi cunoștințe pe cont propriu, direct din inputuri brute, cum ar fi viziunea. Pentru a realiza învățarea prin întărire, se utilizează învățarea profundă și rețelele neuronale. Învățarea prin consolidare este diferită de învățarea automată și nu se bazează pe abordări de învățare supravegheată și nesupravegheată.Această instruire live condusă de un instructor (online sau la fața locului) se adresează dezvoltatorilor și cercetătorilor de date care doresc să învețe elementele fundamentale ale Deep Reinforcement Learning în timp ce parcurg crearea unui agent Deep Learning.Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți conceptele cheie din spatele Deep Reinforcement Learning și să îl puteți distinge de Machine Learning. Aplicați algoritmi avansați Reinforcement Learning pentru a rezolva probleme din lumea reală. Construiește un Deep Learning agent.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

Învățarea cu mașină este o ramură a inteligenței artificiale în care computerele au capacitatea de a învăța fără a fi programate în mod explicit. Învățarea profundă este o subfeme de învățare automată care utilizează metode bazate pe reprezentările și structurile de date de învățare, cum ar fi rețelele neuronale. Python este o limbă de programare de nivel înalt, cunoscută pentru sinteza și citibilitatea codului. În acest curs de instruire, participanții vor învăța cum să implementeze modele de învățare profundă pentru telecom folosind Python pe măsură ce trec prin crearea unui model de risc de credit de învățare profundă. La sfârșitul cursului, participanții vor putea:

Înțelegeți conceptele fundamentale ale învățării profunde. Aflați aplicațiile și utilizările învățării profunde în telecom. Utilizați Python, Keras și TensorFlow pentru a crea modele de învățare profundă pentru telecom. Construiți propriul lor model de predicție de învățare profundă a clienților cu ajutorul Python.

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Embedding Projector este o aplicație web open source pentru vizualizarea datelor utilizate pentru instruirea sistemelor de învățare a mașinilor Creat de Google, face parte din TensorFlow Această instruire instruită live introduce conceptele din spatele Proiectoarelor Embedding și umblă participanții prin configurarea unui proiect demo Până la sfârșitul acestui curs, participanții vor putea: Explorați modul în care datele sunt interpretate de modelele de învățare automată Navigați prin vizualizările 3D și 2D ale datelor pentru a înțelege modul în care algoritmul de învățare a mașinilor îl interpretează Înțelegeți conceptele din spatele embeddings și rolul lor în reprezentarea vectorilor matematici pentru imagini, cuvinte și cifre Explorați proprietățile unei încorporări specifice pentru a înțelege comportamentul unui model Aplicați proiectul de încorporare în cazuri de utilizare realworld, cum ar fi construirea unui sistem de recomandări pentru melodii pentru iubitorii de muzică Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Acest curs acoperă AI (emphasizing Machine Learning și Deep Learning) în Automotive Industria. Ajută la determinarea tehnologiei care poate fi (potential) utilizată în mai multe situații într-un autovehicul: de la automatizare simplă, recunoaștere a imaginii la luarea de decizii autonome.

Rețeaua neurală artificială este un model de date computational utilizat în dezvoltarea sistemelor de Artificial Intelligence (AI) capabile să realizeze sarcini "inteligente". Neural Networks sunt utilizate în mod obișnuit în aplicațiile Machine Learning (ML), care sunt ele însele o implementare a AI. Deep Learning este un subset al ML.

Rețeaua neurală artificială este un model de date computational utilizat în dezvoltarea sistemelor de Artificial Intelligence (AI) capabile să realizeze sarcini "inteligente". Neural Networks sunt utilizate în mod obișnuit în aplicațiile Machine Learning (ML), care sunt ele însele o implementare a AI. Deep Learning este un subset al ML.

Caffe este un cadru de învățare profund făcut în expresie, viteză și modularitate în minte. Acest curs explorează aplicarea Caffe ca cadru de învățare profundă pentru recunoașterea imaginii folosind MNIST ca exemplu Public Acest curs este potrivit pentru cercetătorii de la Deep Learning și pentru inginerii interesați să utilizeze Caffe ca cadru. După finalizarea acestui curs, delegații vor putea:

• să înțeleagă structura și mecanismele de implementare a lui Caffe
• efectuați sarcinile și configurația mediului de instalare / producție / arhitecturii
• evaluarea calității codului, efectuarea depanării, monitorizarea
• să implementeze producția avansată, cum ar fi modelele de formare, punerea în aplicare a straturilor și logarea

Acest curs este o imagine de ansamblu generală pentru Deep Learning fără a fi prea adânc în orice metodă specifică. Este potrivit pentru persoanele care doresc să înceapă să utilizeze învățarea profundă pentru a spori acuratețea predicției.

Învățarea în mașină este o ramură a inteligenței artificiale în care computerele au capacitatea de a învăța fără a fi programate în mod explicit. Învățarea profundă este un subdomeniul de învățare a mașinilor care utilizează metode bazate pe reprezentări și structuri de date de învățare, cum ar fi rețele neuronale.

Introducere: Învățarea profundă devine o componentă principală a viitoarelor proiecte de produse care doresc să încorporeze inteligența artificială în centrul modelelor lor. În următorii 5-10 ani, instrumentele, bibliotecile și limbajele de dezvoltare a învățării profunde vor deveni componente standard ale fiecărui set de instrumente de dezvoltare software. Până în prezent Google, Sales Force, Facebook, Amazon au folosit cu succes inteligența artificială cu învățare profundă pentru a-și stimula afacerile. Aplicațiile au variat de la traducerea automată a mașinilor, analiza imaginilor, analiza video, analiza mișcării, generarea de reclame țintite și multe altele. Această lucrare de curs se adresează acelor organizații care doresc să includă Deep Learning ca parte foarte importantă a strategiei lor de produs sau serviciu. Mai jos este schița cursului de învățare profundă pe care o putem personaliza pentru diferite niveluri de angajați/interesați dintr-o organizație. Publicul țintă: ( În funcție de publicul țintă, materialele de curs vor fi personalizate) Executivi O prezentare generală a inteligenței artificiale și a modului în care aceasta se integrează în strategia corporativă, cu sesiuni de discuții privind planificarea strategică, foi de parcurs tehnologice și alocarea resurselor pentru a asigura o valoare maximă. Manageri de proiect Cum să planificați un proiect de inteligență artificială, inclusiv colectarea și evaluarea datelor, curățarea și verificarea datelor, dezvoltarea unui model de dovadă a conceptului, integrarea în procesele de afaceri și livrarea în cadrul organizației. Dezvoltatorii Formări tehnice aprofundate, cu accent pe rețele neuronale și învățare profundă, analiza imaginilor și video (CNN), analiza sunetului și a textului (NLP) și introducerea inteligenței artificiale în aplicațiile existente. Vânzători O prezentare generală a inteligenței artificiale și a modului în care aceasta poate satisface nevoile clienților, propuneri de valoare pentru diverse produse și servicii, precum și modalități de a risipi temerile și de a promova beneficiile inteligenței artificiale.

Învățarea profundă sau învățarea structurată profundă este un subset de învățare automată care implică mai multe straturi de rețele pentru a construi modele de predicție. Este utilizat pe scară largă în industriile majore, cum ar fi sănătatea, comerțul electronic, banca, fabricarea, autovehiculele etc. Această formare directă (online sau on-site) este destinată analistilor de afaceri, cercetătorilor de date și dezvoltatorilor care doresc să construiască și să implementeze modele de învățare profundă pentru a accelera creșterea veniturilor și pentru a rezolva problemele din lumea afacerilor. La sfârșitul cursului, participanții vor putea:

Înțelegeți conceptele de bază ale învățării cu mașină și învățării profunde. Obțineți înțelegeri despre viitorul afacerilor și al industriei cu ML și DL. Definiți strategii de afaceri  și soluții cu învățare profundă. Aflați cum să aplicați știința datelor și învățarea profundă în rezolvarea problemelor de afaceri. Creaţi modele profunde de învăţare folosind Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Învățarea automată este o ramură a Inteligenței artificiale în care calculatoarele au capacitatea de a învăța fără a fi programate explicit. Învățarea profundă este un sub-câmp al învățării automate care folosește metode bazate pe reprezentări de date de învățare și structuri, cum ar fi rețelele neuronale. R este un limbaj de programare popular în industria financiară. Este utilizat în aplicații financiare, de la programe de tranzacționare de bază până la sisteme de gestionare a riscurilor. În cadrul acestei instruiri, instruite în direct, participanții vor învăța cum să implementeze modele de învățare profundă pentru finanțe folosind R în timp ce trec prin crearea unui model de predicție a prețurilor stocurilor de învățare profundă. Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți conceptele fundamentale ale învățării profunde
• Aflați aplicațiile și utilizările învățării profunde în finanțe
• Utilizați R pentru a crea modele de învățare profundă pentru finanțe
• Construiți propriul model de predicție a prețurilor stocurilor de învățare profundă folosind R

Public

• Dezvoltatori
• Cercetătorii de date

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Învățarea automată este o ramură a Inteligenței artificiale în care calculatoarele au capacitatea de a învăța fără a fi programate explicit. Învățarea profundă este un sub-câmp al învățării automate care folosește metode bazate pe reprezentări de date de învățare și structuri, cum ar fi rețelele neuronale. Python este un limbaj de programare la nivel înalt, renumit pentru sintaxa și lizibilitatea codurilor sale. În cadrul acestui training, instruit în direct, participanții vor învăța cum să implementeze modele de învățare profundă pentru activități bancare folosind Python timp ce pășesc prin crearea unui model de risc de învățare profundă. Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți conceptele fundamentale ale învățării profunde
• Aflați aplicațiile și utilizările învățării profunde în domeniul bancar
• Utilizați Python , Keras și TensorFlow pentru a crea modele de învățare profundă pentru activități bancare
• Construiți propriul model de risc de învățare profundă folosind Python

Public

• Dezvoltatori
• Cercetătorii de date

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Învățarea automată este o ramură a Inteligenței artificiale în care calculatoarele au capacitatea de a învăța fără a fi programate explicit. Învățarea profundă este un sub-câmp al învățării automate care folosește metode bazate pe reprezentări de date de învățare și structuri, cum ar fi rețelele neuronale. R este un limbaj de programare popular în industria financiară. Este utilizat în aplicații financiare, de la programe de tranzacționare de bază până la sisteme de gestionare a riscurilor. În cadrul acestei instruiri, instruită în direct, participanții vor învăța cum să implementeze modele de învățare profundă pentru activități bancare folosind R, în timp ce trec prin crearea unui model de risc de învățare profundă. Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți conceptele fundamentale ale învățării profunde
• Aflați aplicațiile și utilizările învățării profunde în domeniul bancar
• Utilizați R pentru a crea modele de învățare profundă pentru activități bancare
• Construiți propriul model de risc de învățare profundă folosind R

Public

• Dezvoltatori
• Cercetătorii de date

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Învățarea automată este o ramură a Inteligenței artificiale în care calculatoarele au capacitatea de a învăța fără a fi programate explicit. Învățarea profundă este un sub-câmp al învățării automate care folosește metode bazate pe reprezentări de date de învățare și structuri, cum ar fi rețelele neuronale. Python este un limbaj de programare la nivel înalt, renumit pentru sintaxa și lizibilitatea codului. În cadrul acestei instruiri, instruite în direct, participanții vor învăța cum să implementeze modele de învățare profundă pentru finanțare, folosind Python timp ce pășesc prin crearea unui model de predicție a prețurilor stocurilor de învățare profundă. Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți conceptele fundamentale ale învățării profunde
• Aflați aplicațiile și utilizările învățării profunde în finanțe
• Utilizați Python , Keras și TensorFlow pentru a crea modele de învățare profundă pentru finanțe
• Construiți propriul model de predicție a prețurilor stocurilor de învățare profundă folosind Python

Public

• Dezvoltatori
• Cercetătorii de date

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Machine Learning este o ramură a inteligenței artificiale în care computerele au capacitatea de a învăța fără a fi programate în mod explicit. Deep Learning este un subcamp de Machine Learning care încearcă să imite acțiunile creierului uman în luarea deciziilor. Acesta este instruit cu date pentru a oferi în mod automat soluții la probleme. Deep Learning oferă o gamă largă de oportunități pentru industria medicală care se află pe o mină de date. În această instruire condusă de instructori, cursuri live, participanții vor participa la o serie de discuții, exerciții și analize de caz pentru a înțelege fundamentele Deep Learning. Cele mai importante Deep Learning instrumente și tehnici vor fi evaluate și exerciții vor fi efectuate pentru a pregăti participanții pentru a efectua propria lor evaluare și implementare a soluțiilor Deep Learning în cadrul organizațiilor lor. La sfârșitul cursului, participanții vor putea:

Înțelegeți elementele fundamentale ale Deep Learning Aflați Deep Learning tehnicile și aplicațiile lor în industrie Examină problemele medicale care pot fi rezolvate prin tehnologii Deep Learning Explorează Deep Learning studii de caz în medicină Formularea unei strategii pentru adoptarea celor mai recente tehnologii în Deep Learning pentru rezolvarea problemelor în medicină

Audienţă

Manageri Profesioniștii medicali în rolurile de conducere

Formatul cursului

Lecții parțiale, discuții parțiale, exerciții și practici grele

Notă

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Problemele de sănătate pot fi detectate prin analiza imaginilor, cum ar fi scanarea MRI. Folosirea învățării adânci pentru a procesa imagini poate duce la descoperiri care nu au fost atinse anterior de inspecția umană singură. Această formare directă, condusă de instructori (online sau on-site) este orientată către dezvoltatori și oameni de știință de date care doresc să aplice rețelele neurale convoluționale (CNN) pentru analiza scanurilor MRI. La sfârșitul cursului, participanții vor putea:

Instalați și configurați mediul de dezvoltare, software-ul și bibliotecile necesare pentru a începe dezvoltarea. Analizați imagini MRI folosind tehnici de învățare profundă, cum ar fi CNN. Detectați potențialele condiții de sănătate, cum ar fi bolile cardiace prin analiza de scanare MRI. Aplicați tehnici precum segmentarea imaginii și pregătirea CNN pentru a identifica o boală potențială. Identificați genomicele unei boli folosind radiomicele. Construiește și pune în aplicare o aplicație de învățare profundă cunoscută pentru analiza imaginii de sănătate.

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Public Acest curs este potrivit pentru cercetătorii de Deep Learning și ingineri interesați să utilizeze instrumentele disponibile (în majoritate open source) pentru analiza imaginilor computerizate Acest curs oferă exemple de lucru.

În cadrul acestui instruire, instruit în direct, participanții vor învăța cum să folosească DSSTNE pentru a construi o aplicație de recomandare. Până la sfârșitul acestui antrenament, participanții vor putea:

• Antrenează un model de recomandare cu seturi de date rare ca intrare
• Modele de formare și predicție la scară pe mai multe GPU uri
• Difuzați calculul și stocarea într-un mod paralel
• Generați recomandări de produse personalizate asemănătoare cu Amazon
• Desfășurați o aplicație gata de producție care poate fi pe scară mare la sarcini grele

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

În această formare directă condusă de instructori, participanții vor învăța cum să utilizeze Facebook NMT (Fairseq) pentru a efectua traducerea conținutului de eșantion. La sfârșitul acestei cursuri, participanții vor avea cunoștințele și practicile necesare pentru a implementa o soluție de traducere mașină bazată pe Fairseq. Formatul cursului

Lecție parțială, discuție parțială, practică grea

Notă

Dacă doriți să utilizați conținut specific de sursă și limbă țintă, vă rugăm să ne contactați pentru a organiza.

Tip: Pregătire teoretică cu aplicații decise în amonte cu elevii de la Lasagne sau Keras funcție de grupul pedagogic Metoda de predare: prezentare, schimburi și studii de caz Inteligența artificială, după ce a perturbat multe domenii științifice, a început să revoluționeze un număr mare de sectoare economice (industrie, medicină, comunicare etc.). Cu toate acestea, prezentarea sa în marile mass-media este adesea fantezie, foarte departe de ceea ce sunt cu adevărat domeniile de Machine Learning sau Deep Learning . Scopul acestei instruiri este de a oferi inginerilor care au deja o stăpânire a instrumentelor informatice (inclusiv o bază de programare software) o introducere în Deep Learning și diferitele sale domenii de specializare și, prin urmare, în principalele arhitecturi de rețea existente. astăzi. Dacă bazele matematice sunt amintite în timpul cursului, se recomandă un nivel de matematică de tip BAC + 2 pentru mai mult confort. Este absolut posibil să sări peste axa matematică pentru a păstra doar o viziune „sistem”, dar această abordare îți va limita enorm înțelegerea subiectului.

În cadrul acestui training, instruit în direct, participanții vor învăța cum să folosească Matlab pentru a proiecta, construi și vizualiza o rețea neuronală convolutivă pentru recunoașterea imaginii. Până la sfârșitul acestui antrenament, participanții vor putea:

• Construiți un model de învățare profundă
• Automatizarea etichetării datelor
• Lucrați cu modele de la Caffe și TensorFlow - Keras
• Antrenează date folosind mai multe GPU uri, cloud sau clustere

Public

• Dezvoltatori
• Ingineri
• Experți în domeniu

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Microsoft Cognitive Toolkit 2x (anterior CNTK) este un kit de instrumente opencast, care permite instruirea algoritmilor de învățare profundă ca și creierul uman Potrivit Microsoft, CNTK poate fi de 510x mai rapid decat TensorFlow pe retele recurente si de 2 pana la 3 ori mai rapid decat TensorFlow pentru sarcinile legate de imagini În această instruire live, participanții vor învăța cum să folosească Microsoft Cognitive Toolkit pentru a crea, instrui și evalua algoritmi de învățare profundă pentru a fi utilizați în aplicații AI comerciale care implică mai multe tipuri de date, cum ar fi date, vorbire, text și imagini Până la sfârșitul acestui curs, participanții vor putea: Accesați CNTK ca o bibliotecă dintr-un program Python, C # sau C ++ Utilizați CNTK ca instrument independent de învățare a mașinii prin propriul limbaj de descriere a modelului (BrainScript) Utilizați funcția de evaluare a modelului CNTK dintr-un program Java Se combină DNN-urile feedforward, plasele convoluționale (CNN) și rețelele recurente (RNNs / LSTMs) Scalarea capacității de calcul pe procesoare, unități de procesare grafică și mai multe mașini Accesați seturi de date masive folosind limbile de programare existente și algoritmi Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră Notă Dacă doriți să personalizați orice parte a acestui training, inclusiv limba de programare de care aveți nevoie, vă rugăm să ne contactați pentru a aranja .

Acest curs acoperă AI (sublinierea Machine Learning Deep Learning și a Deep Learning )