TensorFlow Extended (TFX) Training Course

TensorFlow είναι ένα API 2ης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Το σύστημα έχει σχεδιαστεί για να διευκολύνει την έρευνα στη μηχανική μάθηση και να το κάνει γρήγορο και εύκολο στη μετάβαση από το πρωτότυπο της έρευνας στο σύστημα παραγωγής.

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή

Αυτό το μάθημα διερευνά, με συγκεκριμένα παραδείγματα, την εφαρμογή του Tensor Flow στους σκοπούς της αναγνώρισης εικόνων

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τους σκοπούς της αναγνώρισης εικόνων

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• εκτελέστε εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να εφαρμόσουν προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, οικοδόμηση γραφημάτων και καταγραφή

TensorFlow™ είναι μια βιβλιοθήκη λογισμικού ανοικτού κώδικα για αριθμητικούς υπολογισμούς χρησιμοποιώντας γραφικά ροής δεδομένων.

Το SyntaxNet είναι ένα νευρικό δίκτυο φυσικής γλώσσας επεξεργασίας πλαίσιο για TensorFlow.

Word2Vec χρησιμοποιείται για την εκμάθηση vector αντιπροσωπείες λέξεων, που ονομάζεται "word embeddings". Word2vec είναι ένα ιδιαίτερα υπολογιστικά αποτελεσματικό προγνωστικό μοντέλο για την εκμάθηση ενσωμάτωσης λέξεων από το πρωτότυπο κείμενο. Έρχεται σε δύο γεύσεις, το μοντέλο Continuous Bag-of-Words (CBOW) και το μοντέλο Skip-Gram (Κεφάλαιο 3.1 και 3.2 στο Mikolov et al.)

Χρησιμοποιείται ταυτόχρονα, το SyntaxNet και Word2Vec επιτρέπουν στους χρήστες να παράγουν μοντέλα Learning Embedding από την εισαγωγή της Φυσικής Γλώσσας.

Δημοσιογράφος

Αυτό το μάθημα απευθύνεται σε προγραμματιστές και μηχανικούς που σκοπεύουν να εργαστούν με τα μοντέλα SyntaxNet και Word2Vec στα γραφικά τους.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• Κατανοήστε TensorFlow&rsquo·s δομή και μηχανισμούς εκμετάλλευσης
• να είναι σε θέση να εκτελέσει εγκατάσταση / περιβάλλον παραγωγής / αρχιτεκτονικές εργασίες και διαμόρφωση
• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει αποσπάσεις, παρακολούθηση
• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή όπως μοντέλα κατάρτισης, όρους ενσωμάτωσης, γραφικά κατασκευής και καταγραφή

Κοινό

Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν διαθέσιμα εργαλεία (κυρίως ανοιχτού κώδικα) για την ανάλυση εικόνων υπολογιστή

Αυτό το μάθημα παρέχει παραδείγματα εργασίας.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

Σε αυτή τη ζωντανή εκπαίδευση στο Ελλάδα, καθοδηγούμενη από εκπαιδευτές, οι συμμετέχοντες θα μάθουν πώς να επωφελούνται από τις καινοτομίες στους επεξεργαστές TPU για να μεγιστοποιήσουν την απόδοση των δικών τους εφαρμογών τεχνητής νοημοσύνης.

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

• Εκπαιδεύστε διάφορους τύπους νευρωνικών δικτύων σε μεγάλες ποσότητες δεδομένων.
• Χρησιμοποιήστε TPU για να επιταχύνετε τη διαδικασία συμπερασμάτων έως και δύο τάξεις μεγέθους.
• Χρησιμοποιήστε TPU για την επεξεργασία εντατικών εφαρμογών όπως η αναζήτηση εικόνων, το cloud vision και οι φωτογραφίες.

Το Embedding Projector είναι μια διαδικτυακή εφαρμογή ανοιχτού κώδικα για την οπτικοποίηση των δεδομένων που χρησιμοποιούνται για την εκπαίδευση συστημάτων μηχανικής εκμάθησης. Δημιουργήθηκε από την Google, αποτελεί μέρος του TensorFlow.

Αυτή η ζωντανή εκπαίδευση καθοδηγούμενη από εκπαιδευτές εισάγει τις έννοιες πίσω από το Embedding Projector και καθοδηγεί τους συμμετέχοντες στη ρύθμιση ενός έργου επίδειξης.

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

Εξερευνήστε πώς ερμηνεύονται τα δεδομένα από μοντέλα μηχανικής μάθησης Πλοηγηθείτε σε τρισδιάστατες και 2D προβολές δεδομένων για να κατανοήσετε πώς τα ερμηνεύει ένας αλγόριθμος μηχανικής μάθησης Κατανόηση των εννοιών πίσω από τις Ενσωματώσεις και του ρόλου τους στην αναπαράσταση μαθηματικών διανυσμάτων για εικόνες, λέξεις και αριθμούς. Εξερευνήστε τις ιδιότητες μιας συγκεκριμένης ενσωμάτωσης για να κατανοήσετε τη συμπεριφορά ενός μοντέλου Εφαρμογή Έργου ενσωμάτωσης σε περιπτώσεις χρήσης πραγματικού κόσμου, όπως η δημιουργία ενός συστήματος πρότασης τραγουδιού για τους λάτρεις της μουσικής

Ακροατήριο

Προγραμματιστές Επιστήμονες δεδομένων

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σε αυτήν την υπό εκπαιδευτή, ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου), οι συμμετέχοντες θα μάθουν πώς να διαμορφώνουν και να χρησιμοποιούν το TensorFlow Serving για την ανάπτυξη και τη διαχείριση μοντέλων ML σε περιβάλλον παραγωγής.

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

• Εκπαιδεύστε, εξάγετε και εξυπηρετήστε διάφορα μοντέλα TensorFlow.
• Δοκιμάστε και αναπτύξτε αλγόριθμους χρησιμοποιώντας μια ενιαία αρχιτεκτονική και ένα σύνολο API.
• Επεκτείνετε το TensorFlow Serving για να εξυπηρετήσετε άλλους τύπους μοντέλων πέρα από τα μοντέλα TensorFlow.

Αυτό το μάθημα ξεκινά με την παροχή εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, τη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Μέρος-1 (40%) αυτής της εκπαίδευσης είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέγετε τη σωστή τεχνολογία: TensorFlow , Caffe , Θεανώ, DeepDrive, Keras , κ.λπ.

Μέρος-2 (20%) αυτής της εκπαίδευσης εισάγει Theano - μια βιβλιοθήκη python που καθιστά εύκολη τη σύνταξη εγγράφων βαθιάς μάθησης.

Το τμήμα 3 (40%) της κατάρτισης θα βασίζεται σε μεγάλο βαθμό στο Tensorflow - API δεύτερης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Τα παραδείγματα και το handson θα γίνουν όλα στο TensorFlow .

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• έχουν μια καλή κατανόηση για τα βαθιά νευρωνικά δίκτυα (DNN), το CNN και το RNN

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow

• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση

• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση

• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή

Σε αυτή τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές στο Ελλάδα, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν Python βιβλιοθήκες για το NLP καθώς δημιουργούν μια εφαρμογή που επεξεργάζεται ένα σύνολο εικόνων και δημιουργεί υπότιτλους.

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

• Σχεδιασμός και κωδικοποίηση DL για NLP χρησιμοποιώντας Python βιβλιοθήκες.
• Δημιουργήστε κώδικα Python που διαβάζει μια ουσιαστικά τεράστια συλλογή εικόνων και δημιουργεί λέξεις-κλειδιά.
• Δημιουργήστε Python κώδικα που δημιουργεί υπότιτλους από τις λέξεις-κλειδιά που εντοπίστηκαν.

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

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Tensorflow 2.x για τη δημιουργία προγνωστικών, ταξινομητών, μοντέλων παραγωγής, νευρωνικών δικτύων και ούτω καθεξής.

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

• Εγκαταστήστε και διαμορφώστε το TensorFlow 2.x.
• Κατανοήστε τα πλεονεκτήματα του TensorFlow 2.x σε σχέση με τις προηγούμενες εκδόσεις.
• Δημιουργήστε μοντέλα βαθιάς μάθησης.
• Εφαρμόστε έναν προηγμένο ταξινομητή εικόνας.
• Αναπτύξτε ένα μοντέλο βαθιάς εκμάθησης σε συσκευές cloud, κινητές συσκευές και IoT.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το TensorFlow.js για να εντοπίσουν μοτίβα και να δημιουργήσουν προβλέψεις μέσω μοντέλων μηχανικής μάθησης.

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

• Δημιουργήστε και εκπαιδεύστε μοντέλα μηχανικής εκμάθησης με TensorFlow.js.
• Εκτελέστε υπάρχοντα μοντέλα μηχανικής εκμάθησης στο πρόγραμμα περιήγησης ή στο Node.js.
• Εκπαιδεύστε την προϋπάρχουσα μηχανική εκμάθηση χρησιμοποιώντας προσαρμοσμένα δεδομένα.

Αυτή η ζωντανή εκπαίδευση από εκπαιδευτές στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το TensorFlow για να αναλύσουν πιθανά δεδομένα απάτης.

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

• Δημιουργήστε ένα μοντέλο ανίχνευσης απάτης σε Python και TensorFlow.
• Δημιουργήστε γραμμικές παλινδρομήσεις και μοντέλα γραμμικής παλινδρόμησης για να προβλέψετε την απάτη.
• Αναπτύξτε μια εφαρμογή τεχνητής νοημοσύνης από άκρο σε άκρο για την ανάλυση δεδομένων απάτης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να αναπτύξουν φόρτους εργασίας Μηχανικής Εκμάθησης σε OpenShift on-premise ή υβριδικό σύννεφο.

• Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
• Εγκαταστήστε και διαμορφώστε το Kubernetes και το Kubeflow σε ένα σύμπλεγμα OpenShift.
• Χρησιμοποιήστε το OpenShift για να απλοποιήσετε την εργασία προετοιμασίας ενός συμπλέγματος Kubernetes.
• Δημιουργήστε και αναπτύξτε μια διοχέτευση Kubernetes για την αυτοματοποίηση και τη διαχείριση μοντέλων ML στην παραγωγή.
• Εκπαιδεύστε και αναπτύξτε TensorFlow μοντέλα ML σε πολλαπλές GPU και μηχανήματα που λειτουργούν παράλληλα.
• Καλέστε δημόσιες υπηρεσίες cloud (π.χ. υπηρεσίες AWS) από το OpenShift για να επεκτείνετε μια εφαρμογή ML