Mathematica for Machine Learning Training Course

H2O AutoML is an artificial intelligence platform that automates the process of building, selecting and optimizing large numbers of machine learning models.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use H2O AutoML to automate the process of building and selecting the best machine learning algorithm and parameters.

By the end of this training, participants will be able to:

• Automate the machine learning workflow.
• Automatically train and tune many machine learning models within a specified time range.
• Train stacked ensembles to arrive at highly predictive ensemble models.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες μηχανικής μάθησης που επιθυμούν να χρησιμοποιήσουν το Auto-sklearn για να αυτοματοποιήσουν τη διαδικασία επιλογής και βελτιστοποίησης ενός μοντέλου μηχανικής μάθησης.

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

• Αυτοματοποιήστε τη διαδικασία εκπαίδευσης μοντέλων μηχανικής μάθησης υψηλής απόδοσης.
• Δημιουργήστε μοντέλα μηχανικής εκμάθησης υψηλής ακρίβειας, παρακάμπτοντας παράλληλα τις πιο κουραστικές εργασίες επιλογής, εκπαίδευσης και δοκιμής διαφορετικών μοντέλων.
• Χρησιμοποιήστε τη δύναμη της μηχανικής μάθησης για να λύσετε επιχειρηματικά προβλήματα στον πραγματικό κόσμο.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων καθώς και σε λιγότερο τεχνικά πρόσωπα που επιθυμούν να χρησιμοποιήσουν το Auto-Keras για να αυτοματοποιήσουν τη διαδικασία επιλογής και βελτιστοποίησης ενός μοντέλου μηχανικής εκμάθησης.

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

• Αυτοματοποιήστε τη διαδικασία εκπαίδευσης μοντέλων μηχανικής μάθησης υψηλής απόδοσης.
• Αυτόματη αναζήτηση για τις καλύτερες παραμέτρους για μοντέλα βαθιάς εκμάθησης.
• Δημιουργήστε μοντέλα μηχανικής εκμάθησης υψηλής ακρίβειας.
• Χρησιμοποιήστε τη δύναμη της μηχανικής μάθησης για να λύσετε επιχειρηματικά προβλήματα στον πραγματικό κόσμο.

Αυτή η ζωντανή εκπαίδευση (διαδικτυακή ή επιτόπου) από εκπαιδευτές απευθύνεται σε επιστήμονες δεδομένων, μηχανικούς μηχανικής μάθησης και ερευνητές όρασης υπολογιστών που επιθυμούν να αξιοποιήσουν το Stable Diffusion για να δημιουργήσουν εικόνες υψηλής ποιότητας για ποικίλες περιπτώσεις χρήσης.

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

Κατανοήστε τις αρχές του Stable Diffusion και πώς λειτουργεί για τη δημιουργία εικόνων. Δημιουργήστε και εκπαιδεύστε Stable Diffusion μοντέλα για εργασίες δημιουργίας εικόνας. Εφαρμόστε το Stable Diffusion σε διάφορα σενάρια δημιουργίας εικόνας, όπως inpainting, outpainting και μετάφραση εικόνας σε εικόνα. Βελτιστοποιήστε την απόδοση και τη σταθερότητα των μοντέλων Stable Diffusion.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων μεσαίου έως προχωρημένου επιπέδου, μηχανικούς μηχανικής μάθησης, ερευνητές βαθιάς μάθησης και ειδικούς στην όραση υπολογιστών που επιθυμούν να επεκτείνουν τις γνώσεις και τις δεξιότητές τους στη βαθιά μάθηση για δημιουργία κειμένου σε εικόνα.

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

Κατανοήστε προηγμένες αρχιτεκτονικές βαθιάς εκμάθησης και τεχνικές για τη δημιουργία κειμένου σε εικόνα. Εφαρμόστε πολύπλοκα μοντέλα και βελτιστοποιήσεις για σύνθεση εικόνας υψηλής ποιότητας. Βελτιστοποιήστε την απόδοση και την επεκτασιμότητα για μεγάλα σύνολα δεδομένων και πολύπλοκα μοντέλα. Συντονίστε τις υπερπαραμέτρους για καλύτερη απόδοση και γενίκευση του μοντέλου. Ενσωματώστε το Stable Diffusion με άλλα πλαίσια και εργαλεία βαθιάς μάθησης

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε βιολόγους που επιθυμούν να κατανοήσουν πώς λειτουργεί το AlphaFold και να χρησιμοποιούν μοντέλα AlphaFold ως οδηγούς στις πειραματικές τους μελέτες.

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

• Κατανοήστε τις βασικές αρχές του AlphaFold.
• Μάθετε πώς λειτουργεί το AlphaFold.
• Μάθετε πώς να ερμηνεύετε AlphaFold προβλέψεις και αποτελέσματα.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το TensorFlow Lite για να αναπτύξουν μοντέλα βαθιάς εκμάθησης σε ενσωματωμένες συσκευές.

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

• Εγκαταστήστε και διαμορφώστε το Tensorflow Lite σε μια ενσωματωμένη συσκευή.
• Κατανοήστε τις έννοιες και τα στοιχεία που κρύβονται TensorFlow Lite.
• Μετατρέψτε τα υπάρχοντα μοντέλα σε μορφή TensorFlow Lite για εκτέλεση σε ενσωματωμένες συσκευές.
• Εργαστείτε εντός των περιορισμών των μικρών συσκευών και TensorFlow Lite, ενώ μαθαίνετε πώς να επεκτείνετε το εύρος των λειτουργιών που μπορούν να εκτελεστούν.
• Αναπτύξτε ένα μοντέλο βαθιάς εκμάθησης σε μια ενσωματωμένη συσκευή με Linux.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το TensorFlow Lite για την ανάπτυξη εφαρμογών για κινητές συσκευές με δυνατότητες βαθιάς εκμάθησης.

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

• Εγκαταστήστε και διαμορφώστε το TensorFlow Lite.
• Κατανοήστε τις αρχές πίσω από το TensorFlow, τη μηχανική μάθηση και τη βαθιά μάθηση.
• Φορτώστε τα μοντέλα TensorFlow σε μια συσκευή Android.
• Ενεργοποιήστε τη λειτουργία βαθιάς μάθησης και μηχανικής μάθησης, όπως η όραση υπολογιστή και η αναγνώριση φυσικής γλώσσας σε μια εφαρμογή για κινητά.

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα από εκπαιδευτές (διαδικτυακή ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να γράψουν, να φορτώσουν και να εκτελέσουν μοντέλα μηχανικής εκμάθησης σε πολύ μικρές ενσωματωμένες συσκευές.

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

• Εγκαταστήστε το TensorFlow Lite.
• Φορτώστε μοντέλα μηχανικής εκμάθησης σε μια ενσωματωμένη συσκευή για να μπορέσει να ανιχνεύσει ομιλία, να ταξινομήσει εικόνες κ.λπ.
• Προσθέστε AI σε συσκευές υλικού χωρίς να βασίζεστε στη συνδεσιμότητα δικτύου.

Αυτή η ζωντανή εκπαίδευση μέσω εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το TensorFlow Lite για την ανάπτυξη εφαρμογών για κινητά iOS με δυνατότητες βαθιάς εκμάθησης.

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

• Εγκαταστήστε και διαμορφώστε το TensorFlow Lite.
• Κατανοήστε τις αρχές πίσω από το TensorFlow και τη μηχανική εκμάθηση σε κινητές συσκευές.
• Φορτώστε τα μοντέλα TensorFlow σε μια συσκευή iOS.
• Εκτελέστε μια εφαρμογή iOS ικανή να ανιχνεύσει και να ταξινομήσει ένα αντικείμενο που καταγράφηκε μέσω της κάμερας της συσκευής.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε ερευνητές και προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το Chainer για να δημιουργήσουν και να εκπαιδεύσουν νευρωνικά δίκτυα στο Python, ενώ παράλληλα κάνουν τον κώδικα εύκολο στον εντοπισμό σφαλμάτων.

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

• Ρυθμίστε το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσετε την ανάπτυξη μοντέλων νευρωνικών δικτύων.
• Ορίστε και εφαρμόστε μοντέλα νευρωνικών δικτύων χρησιμοποιώντας έναν κατανοητό πηγαίο κώδικα.
• Εκτελέστε παραδείγματα και τροποποιήστε τους υπάρχοντες αλγόριθμους για να βελτιστοποιήσετε τα μοντέλα εκπαίδευσης βαθιάς μάθησης ενώ αξιοποιείτε GPU για υψηλή απόδοση.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές ή επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Horovod για να εκτελέσουν κατανεμημένες εκπαιδεύσεις βαθιάς μάθησης και να το κλιμακώσουν ώστε να εκτελούνται σε πολλές GPU παράλληλα.

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

• Ρυθμίστε το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσετε την εκτέλεση εκπαιδεύσεων βαθιάς μάθησης.
• Εγκαταστήστε και διαμορφώστε το Horovod για να εκπαιδεύσετε μοντέλα με TensorFlow, Keras, PyTorch και Apache MXNet.
• Κλιμακώστε την εκπαίδευση βαθιάς εκμάθησης με το Horovod για εκτέλεση σε πολλαπλές GPU.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να επιταχύνουν εφαρμογές μηχανικής εκμάθησης σε πραγματικό χρόνο και να τις αναπτύξουν σε κλίμακα.

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

• Εγκαταστήστε την εργαλειοθήκη OpenVINO.
• Επιταχύνετε μια εφαρμογή όρασης υπολογιστή χρησιμοποιώντας ένα FPGA.
• Εκτελέστε διαφορετικά επίπεδα CNN στο FPGA.
• Κλιμακώστε την εφαρμογή σε πολλούς κόμβους σε ένα σύμπλεγμα Kubernetes.

Αυτή η ζωντανή εκπαίδευση μέσω εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν Apache MXNet για να δημιουργήσουν και να αναπτύξουν ένα μοντέλο βαθιάς μάθησης για την αναγνώριση εικόνας.

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

• Εγκαταστήστε και διαμορφώστε το Apache MXNet και τα στοιχεία του.
• Κατανοήστε την αρχιτεκτονική και τις δομές δεδομένων του MXNet.
• Χρησιμοποιήστε τα API χαμηλού και υψηλού επιπέδου του Apache MXNet για να δημιουργήσετε αποτελεσματικά νευρωνικά δίκτυα.
• Δημιουργήστε ένα συνελικτικό νευρωνικό δίκτυο για ταξινόμηση εικόνων.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε τεχνικά άτομα που επιθυμούν να εφαρμόσουν μοντέλο βαθιάς μάθησης σε εφαρμογές αναγνώρισης εικόνων.

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

• Εγκαταστήστε και διαμορφώστε το Keras.
• Δημιουργήστε γρήγορα πρωτότυπα μοντέλων βαθιάς μάθησης.
• Εφαρμόστε ένα συνελικτικό δίκτυο.
• Υλοποιήστε ένα επαναλαμβανόμενο δίκτυο.
• Εκτελέστε ένα μοντέλο βαθιάς εκμάθησης τόσο σε CPU όσο και σε GPU.