Εκπαίδευση Deep Learning στην Ελλάδα

Αυτή η εκπαίδευση με διδάσκοντα (online ή σε υπόθεση) προσβλέπει σε μεσαίου επίπεδου προγραμματιστές, επιστήμονες και εκτελεστές AI που θέλουν να εκμεταλλευθούν το TensorFlow Lite για εφαρμογές Edge AI.

Με το τέλος αυτής της εκπαιδευτικής διάσκεψης, οι συμμετέχοντες θα μπορέσουν να:

• Διαθέσουν γνώσεις των βασικών αρχών του TensorFlow Lite και της επιπτοής του στη Edge AI.
• Εντοπίζουν και βελτιώνουν μοντέλα AI χρησιμοποιώντας το TensorFlow Lite.
• Ανάθεση μοντέλων TensorFlow Lite σε διάφορα κατώτερα συσκευές.
• Χρησιμοποίηση εργαλείων και τεχνικών για μετατροπή και βελτίωση μοντέλων.
• Πράξις πρακτικών Edge AI εφαρμογών χρησιμοποιώντας TensorFlow Lite.

Αυτή η διδασκαλία υπό επιβλέψη καθηγητών, δια ζωντανά (online ή on-site) απευθύνεται σε επαγγελματίες του υψηλότερου επιπέδου που επιθυμούν να βαθύνουν την κατανόησή τους στην υπολογιστική όραση και να αναδιευθύνουν τις δυνατότητες του TensorFlow για την ανάπτυξη περίπλοκων μοντέλων όρασης χρησιμοποιώντας Google Colab.

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

• Δημιουργήσουν και εκπαιδεύσουν δίκτυα τυχαίων ενδεικτών (CNNs) με TensorFlow.
• Να χρησιμοποιήσουν Google Colab για ανάπτυξη κλωβώδων και αποδοτικών μοντέλων σε πλαίσιο νεφέλης.
• Να εφαρμόσουν τεχνικές προεπεξεργασίας εικόνας για εργασίες υπολογιστικής όρασης.
• Να εφαρμόσουν μοντέλα υπολογιστικής όρασης για πραγματικές εφαρμογές.
• Να χρησιμοποιήσουν μεταφορά μάθησης (transfer learning) για τη βελτίωση της απόδοσης των μοντέλων CNN.
• Να οπτικοποιήσουν και να ερμηνεύσουν τα αποτελέσματα μοντέλων κατηγοριοποίησης εικόνας.

Αυτή η εκπαιδευτική διάλεξη που γίνεται ζωντανά (online ή σε υπερβολικό) στο Ελλάδα, είναι κατευθυνόμενη σε δεδηλωμένους επαγγελματίες των επιστημόνων δεδομένων και αναπτυκτών που θέλουν να κατανοήσουν και να εφαρμόσουν τεχνικές βαθιά μάθησης χρησιμοποιώντας το περιβάλλον Google Colab.

Από το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εγκαταστήσουν και διαδραματίσουν Google Colab για προγράμματα βαθιάς μάθησης.
• Κατανοήσουν τα θεμελιώδη στοιχεία των νευρωνικών δικτύων.
• Εφαρμόσουν μοντέλα βαθιάς μάθησης χρησιμοποιώντας το TensorFlow.
• Κατευθύνουν και αξιολογήσουν μοντέλα βαθιάς μάθησης.
• Χρησιμοποιούν τις προεπιλεγμένες λειτουργίες του TensorFlow για βαθιά μάθηση.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να ειδικευτούν σε τεχνικές αιχμής βαθιάς μάθησης για NLU.

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

• Κατανοήστε τις βασικές διαφορές μεταξύ μοντέλων NLU και NLP.
• Εφαρμόστε προηγμένες τεχνικές βαθιάς εκμάθησης σε εργασίες NLU.
• Εξερευνήστε βαθιές αρχιτεκτονικές, όπως μετασχηματιστές και μηχανισμούς προσοχής.
• Αξιοποιήστε τις μελλοντικές τάσεις στο NLU για την κατασκευή εξελιγμένων συστημάτων AI.

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου) από εκπαιδευτές απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εξερευνήσουν σύγχρονες τεχνικές XAI για μοντέλα βαθιάς μάθησης, με έμφαση στη δημιουργία ερμηνεύσιμων συστημάτων AI.

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

• Κατανοήστε τις προκλήσεις της επεξήγησης στη βαθιά μάθηση.
• Εφαρμογή προηγμένων τεχνικών XAI για νευρωνικά δίκτυα.
• Ερμηνεύουν αποφάσεις που λαμβάνονται από μοντέλα βαθιάς μάθησης.
• Αξιολογήστε τις αντισταθμίσεις μεταξύ απόδοσης και διαφάνειας.

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 εκπαιδευτικά διοικημένη, ζωντανή εκπαίδευση στο Ελλάδα (online ή offline) προσβλέπει σε επιθεωρητές εποχιακό επίπεδου που θέλουν να χρησιμοποιήσουν τεχνητή νοημοσύνη για να επιβιώσουν τις διαδικασίες ανακάλυψης και ανάπτυξης φαρμάκων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Συνειδητοποιήσουν το ρόλο της AI στην ανακάλυψη και ανάπτυξη φαρμάκων.
• Εφαρμόζουν τεχνικές μηχανικής μάθησης για να προβλέψουν χαρακτηριστικά και επιδράσεις συστατικών.
• Χρησιμοποιούν μοντέλα βαθιάς μάθησης για εικονική επιλογή και τευθίδες βελτίωση.
• Ενσωματώνουν προσεγγίσεις βασισμένες στην AI στη διαδικασία των κλινικών μελετών.

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 αρχάριους έως μεσαίου επιπέδου επιστήμονες δεδομένων και μηχανικούς μηχανικής μάθησης που επιθυμούν να βελτιώσουν την απόδοση των μοντέλων βαθιάς μάθησης.

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

• Κατανοήστε τις αρχές της κατανεμημένης βαθιάς μάθησης.
• Εγκαταστήστε και διαμορφώστε το DeepSpeed.
• Κλιμακώστε τα μοντέλα βαθιάς εκμάθησης σε κατανεμημένο υλικό χρησιμοποιώντας το DeepSpeed.
• Εφαρμόστε και πειραματιστείτε με λειτουργίες DeepSpeed για βελτιστοποίηση και απόδοση μνήμης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν μοντέλα μεγάλων γλωσσών για διάφορες εργασίες φυσικής γλώσσας.

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

• Ρυθμίστε ένα περιβάλλον ανάπτυξης που περιλαμβάνει ένα δημοφιλές LLM.
• Δημιουργήστε ένα βασικό LLM και προσαρμόστε το σε ένα προσαρμοσμένο σύνολο δεδομένων.
• Χρησιμοποιήστε LLM για διαφορετικές εργασίες φυσικής γλώσσας, όπως σύνοψη κειμένου, απάντηση ερωτήσεων, δημιουργία κειμένου και πολλά άλλα.
• Εντοπισμός σφαλμάτων και αξιολόγηση LLM χρησιμοποιώντας εργαλεία όπως TensorBoard, PyTorch Lightning και Hugging Face Datasets.

Αυτή η εκπαιδευτική ενότητα, η οποία διεξάγεται υπό την καθοδήγηση εκπαιδευτή (διαδικτυακά ή δια ζώσης), απευθύνεται σε επιστήμονες δεδομένων, μηχανικούς μηχανικής μάθησης και ερευνητές υπολογιστικής όρασης που επιθυμούν να αξιοποιήσουν τη Σταθερή Διάχυση για την παραγωγή εικόνων υψηλής ποιότητας για ποικίλες περιπτώσεις χρήσης.

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

• Κατανοήσουν τις αρχές της Σταθερής Διάχυσης και τον τρόπο λειτουργίας της για τη δημιουργία εικόνων.
• Κατασκευάσουν και εκπαιδεύσουν μοντέλα Σταθερής Διάχυσης για εργασίες δημιουργίας εικόνων.
• Εφαρμόσουν τη Σταθερή Διάχυση σε διάφορα σενάρια δημιουργίας εικόνων, όπως η συμπλήρωση εικόνων, η επέκταση εικόνων και η μετάφραση από εικόνα σε εικόνα.
• Βελτιστοποιήσουν την απόδοση και τη σταθερότητα των μοντέλων Σταθερής Διάχυσης.

Σε αυτή την εκπαίδευση με οδηγό, ζωντανά σε Ελλάδα, οι συμμετέχοντες θα μάθουν τις πιο εφικτές και νέες τεχνικές μηχανικής μάθησης στο Python, καθώς χτίζουν μια σειρά δειγματικών εφαρμογών που αφορούν εικόνες, μουσική, κείμενα και χρηματιστικά δεδομένα.

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

• Εφαρμόζουν αλγόριθμους και τεχνικές μηχανικής μάθησης για τη λύση περίπλοκων προβλημάτων.
• Εφαρμόζουν βάθυ εκπαίδευση και ημι-εποπτική εκπαίδευση σε εφαρμογές που αφορούν εικόνες, μουσική, κείμενα και χρηματιστικά δεδομένα.
• Καθιστούν τους αλγόριθμους Python προς το μέγιστο δυνατό όφελος.
• Χρησιμοποιούν βιβλιοθήκες και πακέτα όπως η NumPy και η Theano.

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

Το βαθύ επικεντρωμένο μάθηση (DRL) συνδυάζει τους κανόνες του επικεντρωμένου μαθήματος με αρχιτεκτονικές βαθύτητας μάθησης για να επιτρέψει σε ουσιακοί να λαμβάνουν αποφάσεις μέσω της διαδραστικότητας με το περιβάλλον τους. Υποστηρίζει πολλές σύγχρονες εξελίξεις της ΤΕΙ, όπως αυτόδικαια οχήματα, διαχείριση ρομποτικών, αλγοριθμικές συναλλαγές και προσαρμοστικά συστήματα προτάσεων. Το DRL επιτρέπει σε τεχνητό υπολογιστικό μοντέλο να μαθαίνει στρατηγικές, να βελτιώνει πολιτικές και να λαμβάνει αυτόνομες αποφάσεις με βάση δοκιμές-λαθή χρησιμοποιώντας επίδραση-βασισμένο μάθημα.

Αυτή η διδακτική ανάγνωση υπό την καθοδήγηση εξειδικευμένου (online ή on-site) απευθύνεται σε διαμεσαίο επίπεδο προγραμματιστές και επιστήμονες δεδομένων που θέλουν να μάθουν και να εφαρμόζουν τεχνικές βαθύτητας επικεντρωμένου μαθήματος για να φτιάξουν έξυπνους υπολογιστικά αντικείμενα που διαθέτουν την ικανότητα για αυτόνομη λήψη αποφάσεων σε περίπλοκα περιβάλλοντα.

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

• Να καταλάβουν τις θεωρητικές βάσεις και τα μαθηματικά αξιώματα του επικεντρωμένου μαθήματος.
• Να υλοποιήσουν κλειδί αλγόριθμους RL, περιλαμβανομένων του Q-Learning, Policy Gradients, και Actor-Critic μεθόδων.
• Να φτιάξουν και να εκπαιδεύσουν βαθιούς αγέντες επικεντρωμένου μαθήματος χρησιμοποιώντας TensorFlow ή PyTorch.
• Να εφαρμόζουν DRL σε πρακτικές εφαρμογές όπως παιχνίδια, ρομποτική και αποφασιστική βελτιστοποίηση.
• Να διαγνωστίζουν, να οπτικοποιούν και να βελτιώνουν την απόδοση εκπαίδευσης χρησιμοποιώντας σύγχρονα εργαλεία.

Μορφή του Μαθήματος

• Αλληλεπιδραστική παράσταση και οδηγούμενη συζήτηση.
• Πρακτικές εξασκήσεις και υλοποίηση πρακτικών.
• Ζωντανές δεμονστράσεις κώδικα και εφαρμογές με βάση έργα.

Επιλογές Προσαρμογής του Μαθήματος

• Για να παράσχετε μια εξατομικευμένη έκδοση αυτού του μαθήματος (π.χ., χρησιμοποιώντας PyTorch αντί TensorFlow), παρακαλούμε επικοινωνήστε μαζί μας για τη διαμόρφωση.

Σε αυτή τη ζωντανή εκπαίδευση στο Ελλάδα, καθοδηγούμενη από εκπαιδευτές, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν μοντέλα βαθιάς μάθησης για τηλεπικοινωνίες χρησιμοποιώντας το Python καθώς προχωρούν στη δημιουργία ενός μοντέλου πιστωτικού κινδύνου βαθιάς μάθησης.

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

• Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης.
• Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στις τηλεπικοινωνίες.
• Χρησιμοποιήστε τα Python, Keras και TensorFlow για να δημιουργήσετε μοντέλα βαθιάς μάθησης για τηλεπικοινωνίες.
• Δημιουργήστε το δικό τους μοντέλο πρόβλεψης απόκλισης πελατών βαθιάς μάθησης χρησιμοποιώντας το Python.

Αυτό το μάθημα έχει δημιουργηθεί για μάνατζερ, αρχιτέκτονες λύσεων, στελέχη καινοτομίας, CTO, αρχιτέκτονες λογισμικού και οποιονδήποτε ενδιαφέρεται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και την πλησιέστερη πρόβλεψη για την ανάπτυξή της.

Αυτό το μάθημα καλύπτει την ΑΙ (εμφανίζοντας Machine Learning και Deep Learning) στη βιομηχανία Automotive. Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (πιθανώς) να χρησιμοποιηθεί σε πολλαπλές καταστάσεις σε ένα αυτοκίνητο: από απλή αυτοματοποίηση, αναγνώριση εικόνας μέχρι αυτόνομη λήψη αποφάσεων.

Αυτός ο διδασκαλικός εργασιαστήριος σε ύφηγμα (online ή για πρώτα μέτωπα) είναι κατευθυνόμενος σε άλλολους συμμετέχοντες που επιθυμούν να μάθουν βασικές αρχές πληροφορίας, κατανομών, προγραμματισμού και μηχανικής μάθησης και να τις εφαρμόσουν στην ανάπτυξη ΑΙ.

Στο τέλος αυτού του εργασιαστηρίου, οι συμμετέχοντες θα μπορούν να:

• Καταλάβουν βασικές αρχές πληροφορίας και στατιστικών και να τις εφαρμόσουν σε πραγματικά περιστατικά.
• Να γράφουν και να καταλαβαίνουν κώδικα προγραμματισμού με τη σειρά, αποδεξικό και αντικειμενοσυνεχές.
• Εφαρμόζουν τεχνικές μηχανικής μάθησης όπως το ενημέρωση, απογραφή και νευρωνικές δίκτυα.
• Αναπτύσσουν λύσεις ΑΙ χρησιμοποιώντας μηχανήματα κανόνων και εξPERT συστήματα για τη διάλυση προβλημάτων.

Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν «έξυπνες» εργασίες. Neural Networks χρησιμοποιούνται συνήθως σε εφαρμογές Machine Learning (ML), οι οποίες αποτελούν οι ίδιες μία υλοποίηση της τεχνητής νοημοσύνης. Το Deep Learning είναι ένα υποσύνολο του ML.

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 οδηγό (μέσω διαδίκτου ή ενώπιον) στη Ελλάδα προσβάλλει διαστασιοχωρημένους δεδομένων επιστήμονες και στατιστικούς που θέλουν να αναθέσουν δεδομένα, να κατασκευάσουν μοντέλα και να εφαρμόσουν τεχνητή συναισθηματικότητα (machine learning) αποτελεσματικά στις επαγγελματικές περιοχές τους.

Ταξιδιωτής την τελική φάση αυτής της εκπαιδεύσεις, οι συμμετέχοντες θα μπορούν να:

• Συνιέσουν και πράξουν διάφορα Machine Learning αλγόριθμους.
• Αντίζεστε τα δεδομένα και τα μοντέλα για εφαρμογές τεχνητής συναισθηματικότητας.
• Εκτελούνται ανάλυση μετά την πρώτη εφαρμογή και υποδηλώνουν τα αποτελέσματα αποτελεσματικά.
• Εφαρμόζουν τεχνητή συναισθηματικότητα (machine learning) μέθοδοι σε πραγματικοί κλάδο-εξατομίτευτο επιχειρήσεις.

Το Τυπικό Νευρωνικό Δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Τεχνητής Νοημοσύνης (AI) ικανών να εκτελούν "νοημόνικες" εργασίες. Τα Νευρωνικά Δίκτυα χρησιμοποιούνται συχνά σε εφαρμογές Μηχανικής Μάθησης (ML), που αποτελούν μία υλοποίηση της AI. Η Βαθιά Μάθηση είναι ένα υποσύνολο του ML.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό 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 υπάρχοντες αλγόριθμους για να βελτιστοποιήσετε τα μοντέλα εκπαίδευσης βαθιάς μάθησης, αξιοποιώντας παράλληλα GPU για υψηλή απόδοση.

Αυτή η εξειδίκευση μαθημάτων, πρόσωπου διδασκάλου (διαδικτύου ή σε χώρο), παρέχει μια εισαγωγή στο πεδίο της αναγνώρισης δεξιοτήτων και της μηχανικής μάθησης. Τέμνει πρακτικές εφαρμογές στατιστικών, υπολογιστικής επιστήμης, επεξεργασίας σήματος, υπολογιστικής οπτικής, δεδομένων εξόρυξης και βιοϊνφορματικής.

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

• Εφαρμόζουν βασικά πολυτελή μεθόδους στην αναγνώριση δεξιοτήτων.
• Χρησιμοποιούν κλειδί μοντέλα όπως νευρωνικά δίκτυα και παραγώγοι για ανάλυση δεδομένων.
• Εφαρμόζουν προχωρημένες τεχνικές για επίλυση περιπλοκών προβλημάτων.
• Βελτιώνουν την ακρίβεια πρόβλεψης με τη σύγχυση διαφορετικών μοντέλων.

Αυτό το μάθημα είναι γενική επισκόπηση για το Deep Learning χωρίς να εμβαθύνουμε σε συγκεκριμένες μεθόδους. Είναι κατάλληλο για άτομα που θέλουν να αρχίσουν να χρησιμοποιούν το Deep Learning για να βελτιώσουν την ακρίβεια πρόβλεψής τους.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε ερευνητές και προγραμματιστές που επιθυμούν να εγκαταστήσουν, να ρυθμίσουν, να προσαρμόσουν και να χρησιμοποιήσουν την πλατφόρμα DeepMind Lab για την ανάπτυξη γενικών συστημάτων τεχνητής νοημοσύνης και μηχανικής μάθησης.

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

• Προσαρμόστε το DeepMind Lab για να δημιουργήσετε και να εκτελέσετε ένα περιβάλλον που ταιριάζει στις ανάγκες μάθησης και εκπαίδευσης.
• Χρησιμοποιήστε το τρισδιάστατο περιβάλλον προσομοίωσης του DeepMind Lab για να εκπαιδεύσετε τους εκπαιδευτικούς πράκτορες σε πρώτο πρόσωπο.
• Διευκολύνετε την αξιολόγηση των πρακτόρων για την ανάπτυξη ευφυΐας σε έναν κόσμο που μοιάζει με τρισδιάστατο παιχνίδι.

Η μηχανική μάθηση είναι ένας κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μαθαίνουν χωρίς να είναι ρητά προγραμματισμένοι. Η βαθιά μάθηση είναι ένα υποπεδίο της μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε αναπαραστάσεις μαθησιακών δεδομένων και δομές όπως τα νευρωνικά δίκτυα.

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου) από εκπαιδευτές απευθύνεται σε επιχειρησιακούς αναλυτές, επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να δημιουργήσουν και να εφαρμόσουν μοντέλα βαθιάς μάθησης για να επιταχύνουν την αύξηση των εσόδων και να λύσουν προβλήματα στον επιχειρηματικό κόσμο.

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

• Κατανοήστε τις βασικές έννοιες της μηχανικής μάθησης και της βαθιάς μάθησης.
• Λάβετε πληροφορίες για το μέλλον των επιχειρήσεων και της βιομηχανίας με το ML και το DL.
• Καθορίστε επιχειρηματικές στρατηγικές και λύσεις με βαθιά μάθηση.
• Μάθετε πώς να εφαρμόζετε την επιστήμη δεδομένων και τη βαθιά μάθηση στην επίλυση επιχειρηματικών προβλημάτων.
• Δημιουργήστε μοντέλα βαθιάς μάθησης χρησιμοποιώντας Python, Pandas, TensorFlow, CNTK, Torch, Keras, κ.λπ.

Η μηχανική μάθηση είναι ένας κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μαθαίνουν χωρίς να είναι ρητά προγραμματισμένοι. Η βαθιά μάθηση είναι ένα υποπεδίο της μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε αναπαραστάσεις μαθησιακών δεδομένων και δομές όπως τα νευρωνικά δίκτυα. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου διάσημη για τη σαφή σύνταξη και την αναγνωσιμότητα κώδικα.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν μοντέλα βαθιάς μάθησης για τραπεζικές εργασίες χρησιμοποιώντας το Python καθώς προχωρούν στη δημιουργία ενός μοντέλου πιστωτικού κινδύνου βαθιάς μάθησης.

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

• Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης
• Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στον τραπεζικό τομέα
• Χρησιμοποιήστε τα Python, Keras και TensorFlow για να δημιουργήσετε μοντέλα βαθιάς μάθησης για τραπεζικές εργασίες
• Δημιουργήστε το δικό τους μοντέλο πιστωτικού κινδύνου βαθιάς μάθησης χρησιμοποιώντας Python

Ακροατήριο

• προγραμματιστές
• Επιστήμονες δεδομένων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

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 εκπαιδευτική δράση με ηγετική παρουσία εκπαιδευτή σε Ελλάδα (διαδικτυακά ή επιτόπια) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να επιταχύνουν εφαρμογές μηχανικής μάθησης σε πραγματικό χρόνο και να τις αναπτύξουν σε μεγάλη κλίμακα.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν το εργαλείο OpenVINO.
• Επιταχύνουν μια εφαρμογή υπολογιστικής όρασης χρησιμοποιώντας ένα FPGA.
• Εκτελέσουν διαφορετικά στρώματα CNN στο FPGA.
• Κλιμακώνουν την εφαρμογή σε πολλαπλούς κόμβους σε ένα σύνολο Kubernetes.

Αυτή η εκπαίδευση με εγκαθιδρυτικό, ζωντανή σε Ελλάδα (online ή onsite), απευθύνεται σε επιστήμονες δεδομένων που θέλουν να χρησιμοποιήσουν το TensorFlow για την ανάλυση δεδομένων πιθανών παρανομιών.

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

• Δημιουργήσουν ένα μοντέλο ανίχνευσης παρανομιών στο Python και TensorFlow.
• Κατασκευάσουν γραμμικές παλινδρομήσεις και μοντέλα γραμμικών παλινδρομήσεων για την πρόβλεψη παρανομιών.
• Αναπτύξουν μια εφαρμογή AI από τέλος σε τέλος για την ανάλυση δεδομένων παρανομιών.

Αυτή η εκπαιδευτική διαδικασία με εκπαιδευτή, η οποία διεξάγεται ζωντανά στην Ελλάδα (διαδικτυακά ή επί τόπου), απευθύνεται σε προγραμματιστές ή επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Horovod για την εκτέλεση κατανεμημένων εκπαίδευσεων βαθούς μάθησης και την κλιμάκωσή τους ώστε να τρέχουν παράλληλα σε πολλές GPUs.

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

• Ρυθμίσουν το απαραίτητο περιβάλλον ανάπτυξης για την έναρξη εκπαίδευσεων βαθούς μάθησης.
• Εγκαταστήσουν και διαμορφώσουν το Horovod για την εκπαίδευση μοντέλων με TensorFlow, Keras, PyTorch και Apache MXNet.
• Κλιμακώσουν την εκπαίδευση βαθούς μάθησης με το Horovod ώστε να τρέχει σε πολλές GPUs.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό 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.
• Εφαρμόστε ένα επαναλαμβανόμενο δίκτυο.
• Εκτελέστε ένα μοντέλο βαθιάς εκμάθησης τόσο σε CPU όσο και σε GPU.

Σε αυτή την εκπαίδευση υπό την καθοδήγηση Εκπαιδευτή, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιήσουν το Matlab για τον σχεδιασμό, κατασκευή και οπτικοποίηση ενός πλέξιμου νευρωνικού δικτύου για την ανάγνωριση εικόνων.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Να δημιουργήσουν ένα μοντέλο βαθύτατης μάθησης
• Να αυτοματοποιήσουν την ετικετοποίηση δεδομένων
• Να εργάζονται με μοντέλα από το Caffe και TensorFlow-Keras
• Να κάνουν εκπαίδευση δεδομένων χρησιμοποιώντας πολλαπλά GPUs, την ένανεξίς ή σχούνες

Ακροατήριο

• Προγραμματιστές
• Μηχανικοί
• Ειδικοί τομέων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και έντονη πρακτική εμπειρία

To εκπαιδευτικό πρόγραμμα υπό την καθοδήγηση εξειδικευμένων εκπαιδευτών (online ή on-site) απευθύνεται σε προφεσιонаλες με εμπειρία κατά την αρχή μέχρι μεταξύ, οι οποίοι θέλουν να αναπτύξουν την κατανόησή τους για τους αλγόριθμους μηχανικής μάθησης, τεχνικές βαθιάς μάθησης και λήψη αποφάσεων οδηγούμενης από την Τεχνητή Νοηση. Το μάθημα παρέχει εμπειρία χειριστή στα καινούργια αυτά θέματα, τους μοντέλους βαθιάς μάθησης και την πρακτική εφαρμογή χρησιμοποιώντας R.

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

• Κατανοήσουν τα βασικά έγχοι της μηχανικής και της βαθιάς μάθησης.
• Εφαρμόζουν διάφορους αλγόριθμους μηχανικής μάθησης για προβλέψεις, κατηγοριοποίηση, ομαδοποίηση και ανίχνευση απώλειων.
• Χρησιμοποιούν υποδομές βαθιάς μάθησης, όπως τα τυπικά νευρωνικά δίκτυα (ANNs).
• Υλοποιούν επόπτευτους και άνευ επόπτησης μοντέλα.
• Αξιολογούν την απόδοση των μοντέλων και βελτιώνουν τους υπερπαράμετρους.
• Χρησιμοποιούν R για ανάλυση δεδομένων, οπτικοποίηση και εφαρμογές μηχανικής μάθησης.

Η κατάρτιση απευθύνεται σε ατομά που θέλουν να μάθουν τα βασικά για τα νευρωνικά δίκτυα και τις εφαρμογές τους.

Αυτή η εκπαιδευτική συνεδρία βασισμένη στην τάξη θα περιέχει παρουσιάσεις και παραδείγματα βασισμένα σε υπολογιστή και ασκήσεις περιπτωσιολογικής μελέτης που θα πραγματοποιηθούν με σχετικές βιβλιοθήκες νευρωνικών και βαθιών δικτύων

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν στο Python με OpenCV 4 για βαθιά μάθηση.

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

• Προβολή, φόρτωση και ταξινόμηση εικόνων και βίντεο χρησιμοποιώντας το OpenCV 4.
• Εφαρμόστε τη βαθιά μάθηση στο OpenCV 4 με τα TensorFlow και Keras.
• Εκτελέστε μοντέλα βαθιάς εκμάθησης και δημιουργήστε εντυπωσιακές αναφορές από εικόνες και βίντεο.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν προηγμένες τεχνικές για το Machine Learning με το R καθώς προχωρούν στη δημιουργία μιας εφαρμογής πραγματικού κόσμου.

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

• Κατανόηση και εφαρμογή τεχνικών μάθησης χωρίς επίβλεψη
• Εφαρμόστε ομαδοποίηση και ταξινόμηση για να κάνετε προβλέψεις με βάση τα δεδομένα του πραγματικού κόσμου.
• Οπτικοποιήστε δεδομένα για να αποκτήσετε γρήγορα ιδέες, να λάβετε αποφάσεις και να βελτιώσετε περαιτέρω την ανάλυση.
• Βελτιώστε την απόδοση ενός μοντέλου μηχανικής μάθησης χρησιμοποιώντας συντονισμό υπερ-παραμέτρων.
• Βάλτε ένα μοντέλο στην παραγωγή για χρήση σε μεγαλύτερη εφαρμογή.
• Εφαρμόστε προηγμένες τεχνικές μηχανικής εκμάθησης για να απαντήσετε σε ερωτήσεις που αφορούν δεδομένα κοινωνικών δικτύων, μεγάλα δεδομένα και πολλά άλλα.

Αυτός ο κατεύθυνσης είναι μια εισαγωγή στην εφαρμογή νευρωνικών δικτύων σε πραγματικά προβλήματα χρησιμοποιώντας το λογισμικό R-project.

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.

Αυτή η εκπαίδευση υπό την καθοδήγηση δασκάλου σε Ελλάδα (online ή on-site) απευθύνεται σε μηχανικούς που επιθυμούν να γράφουν, φορτώνουν και λειτουργίζουν μοντέλα μηχανικής μάθησης σε πολύ μικρά ενσωματωμένα υπολογιστικά συστήματα.

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

• Εγκαταστήσουν το TensorFlow Lite.
• Φορτώσουν μοντέλα μηχανικής μάθησης σε ένα ενσωματωμένο υπολογιστικό σύστημα για να το κατασκευάσει, π.χ., να αναγνωρίζει λέξεις, να ταξινομεί εικόνες, κλπ.
• Να προσθέτουν Τεχνητή Νοημοσύνη σε υλικά συστήματα χωρίς να εξαρτώνται από δικτύωση.

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