Ανίχνευση Παρανομιών με Python και TensorFlow Κομμάτι εκπαίδευσης

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την τεχνητή νοημοσύνη και την εφαρμογή της. Υπάρχει μια επιλογή να έχετε μια επιπλέον ημέρα για να αναλάβετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.

Αυτή η εκπαίδευση με εξηγητικό πρωτοτύπο (online ή onsite) απευθύνεται σε επιστήμονες δεδομένων και λογισμικού μηχανικού που επιθυμούν να χρησιμοποιήσουν το Dask με το οικοσύστημα Python για την ανάπτυξη, σκαλαρόμενη επεξεργασία και ανάλυση μεγάλων ποσοτήτων δεδομένων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν το περιβάλλον για να ξεκινήσουν την ανάπτυξη επεξεργασίας μεγάλων ποσοτήτων δεδομένων χρησιμοποιώντας Dask και Python.
• Εξερευνήσουν τις λειτουργίες, βιβλιοθήκες, εργαλεία και API που διαθέτει ο Dask.
• Κατανοήσουν πώς ο Dask επιταχύνει την παράλληλη υπολογισμική στο Python.
• Μάθουν πώς να σκαλάρουν το οικοσύστημα Python (Numpy, SciPy και Pandas) χρησιμοποιώντας Dask.
• Βελτιώσουν το περιβάλλον Dask για να διατηρήσουν υψηλή απόδοση στην επεξεργασία μεγάλων ποσοτήτων δεδομένων.

Αυτή η οδηγία, υπό την καθοδήγηση εκπαιδευτικών (διαδικτυακά ή σε τοπικό επίπεδο), απευθύνεται σε προγραμματιστές Python με διαφορετικό βαθμό εξοικείωσης και σε αναλυτές δεδομένων που θέλουν να επιτεθούν στην ανάλυση και τη μετατροπή δεδομένων χρησιμοποιώντας Pandas και Numpy.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Καθιερώσουν ένα περιβάλλον ανάπτυξης που συμπεριλαμβάνει το Python, Pandas και Numpy.
• Δημιουργήσουν μια εφαρμογή ανάλυσης δεδομένων χρησιμοποιώντας Pandas και Numpy.
• Εκτελέσουν προηγμένες επιχειρήματες ανάδειξης, ταξινόμησης και φίλτρων.
• Εκτελέσουν αυτοσυσσώρευση λειτουργίες και ανάλυση χρόνια σειρές δεδομένων.
• Οπτικοποίηση δεδομένων με το Matplotlib και άλλες βιβλιοθήκες που παρέχουν οπτικοποίηση.
• Βρισκόμενοι και εξυφαίνοντας τον κώδικα για την ανάλυση δεδομένων.

Σε αυτή την εκπαιδευτική σειρά με καθηγητή, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν βιβλιοθήκες Python για NLP καθώς δημιουργούν μια εφαρμογή που επεξεργάζεται ένα σύνολο φωτογραφιών και δημιουργεί περιγράφους.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Σχεδιάζουν και γράφουν βιβλιοθήκες ΒΛ για NLP χρησιμοποιώντας βιβλιοθήκες Python.
• Να δημιουργούν κώδικα Python που αναγνωρίζει ένα σημαντικό πλήθος φωτογραφιών και εξάγει λέξεις-κλειδιά.
• Να δημιουργούν κώδικα Python που δημιουργεί περιγράφους από τις εξαγόμενες λέξεις-κλειδιά.

Ακροατήριο

Αυτό το μάθημα είναι κατάλληλο για έρευνες στο βαθύ μάθημα και για μηχανικούς που ενδιαφέρονται να χρησιμοποιήσουν διαθέσιμα εργαλεία (κυρίως open source) για την ανάλυση κομψών εικόνων

Αυτό το μάθημα παρέχει λειτουργικά παραδείγματα.

Αυτή η καθηγησία υπό την καθοδήγηση εκπαιδευτικού (online ή on-site) απευθύνεται σε διαμορφωτές που επιθυμούν να χρησιμοποιήσουν το FARM (FastAPI, React και MongoDB) stack για να φτιάξουν δυναμικές, υψηλόδεσμες και κλιμακωτές web εφαρμογές.

Το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν το απαραίτητο περιβάλλον ανάπτυξης που ενσωματώνει τη FastAPI, το React και το MongoDB.
• Κατανοήσουν τα βασικά σημεία, χαρακτηριστικά και πλεονεκτήματα του FARM stack.
• Μάθουν πώς να φτιάξουν REST APIs με τη FastAPI.
• Μάθουν πώς να σχεδιάσουν αλληλεπίδραση εφαρμογές με το React.
• Αναπτύξουν, θεσπίσουν και καταβάλουν εφαρμογές (front end και back end) χρησιμοποιώντας το FARM stack.

Αυτή η ζωντανή εκπαίδευση (online ή on-site), που διεξάγεται από εκπαιδευτικό, στο Ελλάδα, απευθύνεται σε προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το FastAPI με Python για να κατασκευάζουν, δοκιμάζουν και αναπτύσσουν RESTful APIs πιο εύκολα και γρήγορα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν το απαραίτητο περιβάλλον ανάπτυξης για την ανάπτυξη APIs με Python και FastAPI.
• Δημιουργήσουν APIs πιο γρήγορα και εύκολα χρησιμοποιώντας τη βιβλιοθήκη FastAPI.
• Μάθουν πώς να δημιουργούν δομές και σχήματα δεδομένων με βάση το Pydantic και OpenAPI.
• Συνδέσουν APIs σε βάση δεδομένων χρησιμοποιώντας SQLAlchemy.
• Εφαρμόσουν ασφάλεια και πιστοποίηση σε APIs χρησιμοποιώντας τα εργαλεία FastAPI.
• Κατασκευάσουν εικόνες κοντέινερ και να αναδημοσπερήσουν web APIs σε cloud server.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το Modin για να δημιουργήσουν και να εφαρμόσουν παράλληλους υπολογισμούς με το Pandas για ταχύτερη ανάλυση δεδομένων.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε το απαραίτητο περιβάλλον για να ξεκινήσετε την ανάπτυξη Pandas ροών εργασίας σε κλίμακα με Modin.
• Κατανοήστε τα χαρακτηριστικά, την αρχιτεκτονική και τα πλεονεκτήματα του Modin.
• Γνωρίστε τις διαφορές μεταξύ Modin, Dask και Ray.
• Εκτελέστε τις λειτουργίες Pandas πιο γρήγορα με το Modin.
• Εφαρμόστε ολόκληρο το Pandas API και τις λειτουργίες.

Αυτή η οδηγία υπό την καθοδήγηση εκπαιδευτικών, γρήγορη (online ή on-site) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που θέλουν να χρησιμοποιήσουν το Tensorflow 2.x για να κατασκευάζουν προϊόντα, κλασιφικατές, γεννητικά μοντέλα, τυπικά δίκτυα και άλλα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν και ρυθμίσουν το TensorFlow 2.x.
• Κατανοήσουν τα πλεονεκτικά του TensorFlow 2.x απέναντι σε προηγούμενες έκδοσεις.
• Κατασκευάσουν μοντέλα βαθιάς μάθησης.
• Εφαρμόσουν προηγμένο κλασιφικατή εικόνων.
• Κατασκευάσουν μοντέλο βαθιάς μάθησης στο cloud, mobile και IoT συσκευές.

Σε αυτή τη διδασκαλία, η οποία εξάγεται από έναν εκπαιδευτή σε Ελλάδα (online ή onsite), οι συμμετέχοντες θα μάθουν πώς να ρυθμίσουν και να χρησιμοποιήσουν το TensorFlow Serving για να διακυβεύουν και να διαχειρίζονται ML μοντέλα σε ένα παραγωγικό περιβάλλον.

Στο τέλος αυτής της διδασκαλίας, οι συμμετέχοντες θα μπορούν να:

• Να εκπαιδεύουν, να εξάγουν και να παρέχουν διάφορα TensorFlow μοντέλα.
• Να δοκιμάζουν και να διακυβεύουν αλγόριθμους χρησιμοποιώντας μία ενιαία αρχιτεκτονική και σύνολο API.
• Να επεκτείνουν το TensorFlow Serving για να παρέχει άλλες τύπους μοντέλων πέρα από τα TensorFlow μοντέλα.

Το TensorFlow είναι η API της δεύτερης γενιάς του ανοιχτού λογισμικού βιβλιοθήκης Deep Learning της Google. Το σύστημα σχεδιάστηκε για να υποστηρίξει την έρευνα στη μηχανική μάθηση και να κάνει εύκολη τη μετάβαση από υπόδειγμα-έρευνα σε παραγωγικό σύστημα.

Ακροατήριο

Αυτό το μάθημα είναι απευθυνόμενο σε μηχανικούς που θέλουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning τους.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα:

• ξεκαθαρίζουν τη δομή και τους μηχανισμούς εφαρμογής του TensorFlow
• είναι σε θέση να πραγματοποιήσουν καθήκοντα αγωγής / περιβάλλον παραγωγής / αρχιτεκτονικής και ρύθμισης
• είναι σε θέση να αξιολογήσουν την ποιότητα του κώδικα, να εκτελέσουν υποθεωρήματα, μετά-επεξεργασία
• είναι σε θέση να εφαρμόσουν προχωρημένες παραγωγικές δράσεις όπως το εκπαιδευτικό μοντέλο, κατασκευή γραφών και καταγραφή

Αυτό το μάθημα εξερευνά, με συγκεκριμένα παραδείγματα, την εφαρμογή του TensorFlow για σκοπούς αναγνώρισης εικόνων

Ακροατήριο

Αυτό το μάθημα απευθύνεται σε μηχανικούς που επιδίωκουν να χρησιμοποιήσουν το TensorFlow για σκοπούς Αναγνώρισης Εικόνας

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα είναι σε θέση να:

• κατανοήσουν τη δομή και τους μηχανιsmoύς χαρακτηρισμού του TensorFlow
• εκτελέσουν εγκατάσταση, διαθέσιμες περιβάλλοντα/αρχιτεκτονική και συσχετιζόμενες ρυθμίσεις
• αξιολογήσουν την ποιότητα του κώδικα, εκτελέσουν αποσφαλάκωση, μονίτροινγκ
• χρησιμοποιήσουν προηγμένες εφαρμογές όπως το training models, κατασκευή graphs και logging

Αυτή η καθοδήγηση, η οποία διεξάγεται με εγχώριο ή απόσταση σε Ελλάδα, είναι απευθείας σε επιστήμονες δεδομένων που θέλουν να μεταβούν από την κατάρτιση ενός ενιαίου μοντέλου ML στην εφαρμογή πολλών μοντέλων ML σε παραγωγικό περιβάλλον.

Στο τέλος αυτής της καθοδήγησης, οι συμμετέχοντες θα είναι σε θέση να:

• Εγκαταστήσουν και ρυθμίσουν το TFX και τις υποστηριζόμενες εφαρμογές τρίτων.
• Χρησιμοποιήσουν το TFX για να δημιουργήσουν και να διαχειριστούν ένα πλήρες παραγωγικό σύστημα ML.
• Εργαστούν με τα συστατικά του TFX για να εκτελέσουν μοντελοποίηση, κατάρτιση, παροχή υποδομών και διαχείριση των διαθέσεων.
• Εφαρμόσουν λειτουργίες μηχανικής μάθησης σε ιστοεφαρμογές, εφαρμογές κινητών συσκευών, υπολογιστικά πρόσωπα IoT και πολύ περισσότερα.

Το TensorFlow™ είναι ένα λογισμικό βιβλιοθήκη ανοιχτού κώδικα για αριθμητικές υπολογιστικές επεξεργασίες με χρήση γράφων ροώ δεδομένων.

Το SyntaxNet είναι ένα πλαίσιο βασισμένο σε νευρωνικά δίκτυα για την Επεξεργασία Φυσικής Γλώσσας (NLP) με TensorFlow.

Το Word2Vec χρησιμοποιείται για την εκμάθηση διανυσματικών παραστάσεων λέξεων, ονομαζόμενες "λεκτικές καταδύσεις". Το Word2Vec είναι ένα προσεκτικά υπολογιστικά αποδοτικό μοντέλο για την εκμάθηση λεκτικών καταδύσεων από πρωτεύουσες κειμένου. Έχει δύο φύλλα, το μοντέλο Continuous Bag-of-Words (CBOW) και το Skip-Gram model (Κεφάλαιο 3.1 και 3.2 στο Mikolov et al.).

Χρησιμοποιώντας συγχρόνως, το SyntaxNet και το Word2Vec επιτρέπει στους χρήστες να παράγουν Μοντέλα Εκμάθησης Καταδύσεων από Είσοδο Φυσικής Γλώσσας.

Διευθυντικός

Αυτό το μάθημα απευθύνεται σε Προγραμματιστές και διαχειριστές που επιθυμούν να εργάζονται με τα μοντέλα SyntaxNet και Word2Vec στα γράφημα TensorFlow.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι συμμετέχοντες θα:

• ξεκάθαρο να καταλάβουν τη δομή και τους μηχανισμούς παράθεσης του TensorFlow
• είναι σε θέση να εκτελέσουν εγκαταστάσεις / για παραγωγικό περιβάλλον / αρχιτεκτονική και ρύθμιση
• είναι σε θέση να εκτιμήσουν την ποιότητα του κώδικα, να διαπραγματευθούν αποκωδικοποίηση, μόνιμη εποπτεία
• είναι σε θέση να υλοποιήσουν προχωρημένες δυνατότητες της παραγωγής, όπως εκπαίδευση μοντέλων, κατάθεση λέξεων, κατασκευή γράφων και αποθήκευση

Αυτή η εκπαιδευτική μονάδα ξεκινά χορηγώντας σχετική γνώση των νευρωνικών δικτύων και ευρέως, του μηχανικού μάθηματος (algorithmic) και βαθυϊνής μάθησης (algorithms and applications).

Η πρώτη μέρος (40%) αυτής της εκπαίδευσης εστιάζεται κυρίως στα βασικά, αλλά θα σας υποστηρίξει στην επιλογή της κατάλληλης τεχνολογίας: TensorFlow, Caffe, Theano, DeepDrive, Keras, κλπ.

Η δεύτερη μέρος (20%) αυτής της εκπαίδευσης παρουσιάζει Theano - μια βιβλιοθήκη Python που καθιστά εύκολη την γραφή μοντέλων βαθυϊνής μάθησης.

Η τρίτη μέρος (40%) της εκπαίδευσης θα στοχεύει αποκλειστικά σε Tensorflow - API του open source λογισμικού πρόσθετου της Google για βαθυϊνή μάθηση. Τα παραδείγματα και χειρονομικές εξεργασίες θα εφαρμοστούν σε TensorFlow.

Αποδέχονται

Αυτή η μάθηση απευθύνεται σε μηχανικούς που επιθυμούν να χρησιμοποιήσουν το TensorFlow για τα έργα βαθυϊνής μάθησης τους

Μετά την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα:

• έχουν καλή κατανόηση για τα βαθύα νευρωνικά δίκτυα (DNN), CNN και RNN
• καταλαβαίνουν το υποστηρικτικό σύστημα και τα μηχανισμοί διανομής του TensorFlow
• θα είναι σε θέση να πραγματοποιούν εγκαταστάσεις, ρυθμίσεις περιβάλλον και αρχιτεκτονική
• θα είναι σε θέση να εκτιμούν την ποιότητα κώδικα, να διατυπώνουν υποχωρήσεις, να μονιτόριζουν
• θα είναι σε θέση να υλοποιούν προηγμένες παραγωγικές διαδικασίες, όπως την κατάδηλωση μοντέλων, την ανάπτυξη γράφων και το logging