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 εκπαίδευση υπό τον καθοδήγη σε Ελλάδα (διαδικτύου ή προσωπικά) διευθύνεται σε εξειδίκευσης επαγγελματίες που θέλουν να βελτιώσουν το κατwφύλαξη τους για τη ψηφιακή οπτική και να εξερευνήσουν τις δυνατότητες του TensorFlow για την ανάπτυξη περίεργων μοντέλων οπτικής χρησιμοποιώντας το Google Colab.

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

• Δημιουργήσουν και προπαιξθούν δικτυακά συνολικά νευρωνικές δίκτυα (CNNs) χρησιμοποιώντας το TensorFlow.
• Χρησιμοποιήσουν το Google Colab για κλείδωμα και αποτελεσματική ανάπτυξη μοντέλων βασιζόμενων σε εφευρέτρια πλατφόρμα.
• Εφαρμόσουν τεχνικές προεπεξεργασίας εικόνων για ψηφιακή οπτική.
• Ανάθεση μοντέλων ψηφιακής οπτικής για πραγματικά εφαρμογές.
• Χρησιμοποιήσουν μεταφορικό μάθηση για να βελτιώσουν τη δύναμη των CNN μοντέλων.
• Βιζυαλίσει και ερμηνεύσει τα αποτελέσματα των μοντέλων ταξινόμησης εικόνων.

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 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 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.

Σε αυτή τη ζωντανή εκπαίδευση στο Ελλάδα με καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν τις πιο σχετικές και προηγμένες τεχνικές μηχανικής εκμάθησης στο Python καθώς δημιουργούν μια σειρά από εφαρμογές επίδειξης που περιλαμβάνουν εικόνα, μουσική, κείμενο και οικονομικά δεδομένα.

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

• Εφαρμόστε αλγόριθμους μηχανικής μάθησης και τεχνικές για την επίλυση πολύπλοκων προβλημάτων.
• Εφαρμόστε τη βαθιά μάθηση και την ημι-εποπτευόμενη μάθηση σε εφαρμογές που περιλαμβάνουν εικόνα, μουσική, κείμενο και οικονομικά δεδομένα.
• Ωθήστε τους αλγόριθμους Python στο μέγιστο δυναμικό τους.
• Χρησιμοποιήστε βιβλιοθήκες και πακέτα όπως το NumPy και το Theano.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να μάθουν τις βασικές αρχές του Deep Reinforcement Learning καθώς προχωρούν στη δημιουργία ενός Deep Learning Agent.

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

• Κατανοήστε τις βασικές έννοιες πίσω από το Deep Reinforcement Learning και μπορείτε να το ξεχωρίσετε από τη Μηχανική Μάθηση.
• Εφαρμόστε προηγμένους Reinforcement Learning αλγόριθμους για την επίλυση προβλημάτων του πραγματικού κόσμου.
• Δημιουργήστε έναν πράκτορα βαθιάς μάθησης.

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.

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 τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν "ευφυή" καθήκοντα. Neural Networks χρησιμοποιούνται συνήθως στις εφαρμογές Machine Learning (ML), οι οποίες είναι οι ίδιες μια υλοποίηση του AI. Deep Learning είναι ένα υποσύνολο του ML.

Caffe είναι ένα βαθύ πλαίσιο μάθησης που γίνεται με γνώμονα την έκφραση, την ταχύτητα και τη διαμόρφωση.

Αυτό το μάθημα διερευνά την εφαρμογή του Caffe ως πλαισίου βαθιάς μάθησης για την αναγνώριση εικόνων χρησιμοποιώντας το MNIST ως παράδειγμα

Κοινό

Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν το Caffe ως πλαίσιο.

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

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του Caffe
• 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 εκπαίδευσης, υλοποίηση στρώσεων και καταγραφή

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.

Το Computer Network ToolKit (CNTK) είναι το Open Source, Multi-machine, Multi-GPU, εξαιρετικά αποτελεσματικό πλαίσιο μηχανικής εκμάθησης RNN της Microsoft για ομιλία, κείμενο και εικόνες.

Ακροατήριο

Αυτό το μάθημα απευθύνεται σε μηχανικούς και αρχιτέκτονες που στοχεύουν να χρησιμοποιήσουν το CNTK στα έργα τους.

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 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.

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.

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 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:

• Να δημιουργήσουν ένα μοντέλο ανίχνευσης απάτης στο Python και στο TensorFlow.
• Να δημιουργήσουν γραμμικές παλινδρομήσεις και μοντέλα γραμμικής παλινδρόμησης για την πρόβλεψη απάτης.
• Να αναπτύξουν μια ολοκληρωμένη εφαρμογή τεχνητής νοημοσύνης για την ανάλυση δεδομένων απάτης.

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 πολλά 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 μάθησης με το Horovod για να τρέξετε σε πολλαπλά GPU δευτερόλεπτα.

Τύπος: Θεωρητική εκπαίδευση με αιτήσεις που έχουν αποφασιστεί εκ των προτέρων με τους μαθητές στο Lasagne ή Keras σύμφωνα με την εκπαιδευτική ομάδα

Μέθοδος διδασκαλίας: παρουσίαση, συζητήσεις και μελέτες περιπτώσεων

Η τεχνητή νοημοσύνη, αφού έχει διαταράξει πολλά επιστημονικά πεδία, έχει αρχίσει να φέρει επανάσταση σε μεγάλο αριθμό οικονομικών τομέων (βιομηχανία, ιατρική, επικοινωνία κ.λπ.). Ωστόσο, η παρουσίασή του στα κύρια μέσα μαζικής ενημέρωσης είναι συχνά μια φαντασίωση, πολύ μακριά από αυτό που πραγματικά είναι οι τομείς του Machine Learning ή του Deep Learning. Ο σκοπός αυτής της εκπαίδευσης είναι να παρέχει στους μηχανικούς που έχουν ήδη γνώση των εργαλείων πληροφορικής (συμπεριλαμβανομένου ενός βασικού προγραμματισμού λογισμικού) μια εισαγωγή στο Deep Learning καθώς και στους διαφορετικούς τομείς εξειδίκευσής του και επομένως στις κύριες αρχιτεκτονικές δικτύου που υπάρχουν σήμερα. Εάν τα βασικά μαθηματικά καλύπτονται κατά τη διάρκεια του μαθήματος, συνιστάται ένα επίπεδο μαθηματικών BAC+2 για μεγαλύτερη άνεση. Είναι απολύτως δυνατό να αγνοήσετε τον μαθηματικό άξονα και να διατηρήσετε μόνο ένα «συστημικό» όραμα, αλλά αυτή η προσέγγιση θα περιορίσει πάρα πολύ την κατανόησή σας για το θέμα.

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 καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το Matlab για να σχεδιάσουν, να κατασκευάσουν και να απεικονίσουν ένα συνελικτικό νευρωνικό δίκτυο για αναγνώριση εικόνας.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Δημιουργήστε ένα μοντέλο βαθιάς μάθησης
• Αυτοματοποιήστε την επισήμανση δεδομένων
• Εργασία με μοντέλα από Caffe και TensorFlow - Keras
• Τα δεδομένα τρένων χρησιμοποιούν πολλαπλές GPU , το σύννεφο ή τα clusters

Κοινό

• Προγραμματιστές
• Μηχανικοί
• Εμπειρογνώμονες τομέα

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου) από εκπαιδευτές απευθύνεται σε επαγγελματίες αρχάριου έως μεσαίου επιπέδου που επιθυμούν να αναπτύξουν την κατανόησή τους για τους αλγόριθμους μηχανικής μάθησης, τις τεχνικές βαθιάς μάθησης και τη λήψη αποφάσεων με γνώμονα την τεχνητή νοημοσύνη. Το μάθημα παρέχει πρακτική εμπειρία με έννοιες μηχανικής μάθησης, μοντέλα βαθιάς μάθησης και πρακτικές υλοποιήσεις χρησιμοποιώντας το R.

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

• Κατανοήστε τις βασικές αρχές της μηχανικής μάθησης και της βαθιάς μάθησης.
• Εφαρμόστε διάφορους αλγόριθμους μηχανικής μάθησης για παλινδρόμηση, ταξινόμηση, ομαδοποίηση και ανίχνευση ανωμαλιών.
• Χρησιμοποιήστε αρχιτεκτονικές βαθιάς μάθησης, όπως τα τεχνητά νευρωνικά δίκτυα (ANN).
• Εφαρμογή εποπτευόμενων και μη εποπτευόμενων μοντέλων μάθησης.
• Αξιολογήστε την απόδοση του μοντέλου και βελτιστοποιήστε τις υπερπαραμέτρους.
• Χρησιμοποιήστε το R για εφαρμογές ανάλυσης δεδομένων, οπτικοποίησης και μηχανικής εκμάθησης.

Το εκπαιδευτικό πρόγραμμα προσβάλλει τους ανθρώπους που θέλουν να μάθουν τη βασική γνώση σχετικά με τα είδη των νευρωνικών δικτύων 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.

Το OpenFace είναι Python και Torch λογισμικό αναγνώρισης προσώπου ανοιχτού κώδικα σε πραγματικό χρόνο που βασίζεται στην έρευνα FaceNet της Google.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τα στοιχεία του OpenFace για να δημιουργήσουν και να αναπτύξουν ένα δείγμα εφαρμογής αναγνώρισης προσώπου.

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

• Εργαστείτε με τα στοιχεία του OpenFace, συμπεριλαμβανομένων των dlib, OpenVC, Torch και nn4 για την εφαρμογή ανίχνευσης προσώπου, ευθυγράμμισης και μετασχηματισμού
• Εφαρμόστε το OpenFace σε εφαρμογές πραγματικού κόσμου, όπως παρακολούθηση, επαλήθευση ταυτότητας, εικονική πραγματικότητα, παιχνίδια και αναγνώριση επαναλαμβανόμενων πελατών κ.λπ.

Ακροατήριο

• προγραμματιστές
• Επιστήμονες δεδομένων

Μορφή του μαθήματος

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

Σε αυτή τη διαδικτυακή εκπαιδεύση, που διεξάγεται υπό τον ηγεσμό εκπαιδευτή, οι συμμετέχοντες θα μάθουν πώς να εγκαταστήσουν και να χρησιμοποιήσουν OpenNMT για τη μετάφραση διάφορων δείγματος εδώθων. Η εκπαίδευση ξεκινά με μια περιέγραφη των νευρωνικών δικτύων όσον αφορά την μηχανική μετάφραση. Οι συμμετέχοντες θα εκπαιδευθούν κατά τη διάρκεια της εκπαίδευσης μέσω ζωντανών ασκήσεων για να αποδείξουν την κατανόησή τους των συμβατικών εννοιών και να λάβουν αναμάτωμα από τον εκπαιδευτή.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα διαθέτουν τα γνωστικά και τη πρακτική ώστε να εφαρμόσουν μία ζωντάνια λύση OpenNMT.

Στοιχεία στοιχείων πηγής και αποδέκτης θα είναι προετοιμασμένα με βάση τις απαιτήσεις του κοινού.

Μορφή της Εκπαίδευσης

• Σε μέρος εκπαιδευτικό διάλογο, σε μέρος συζήτηση, με την παρουσία αξιωματικών εργασιών

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 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 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.

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, εξάγουν και παρέχετε διάφορα μοντέλα TensorFlow.
• Δοκιμάστε και εγκαταστήστε λογισμικό υπολογισμών χρησιμοποιώντας μία μοναδική αρχιτεκτονική και σύνολο APIs.
• Επεκτείνετε το TensorFlow Serving για να παρέχει άλλους τύπους μοντέλων εκτός από τα μοντέλα TensorFlow.

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

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να περάσουν από την εκπαίδευση ενός μόνο μοντέλου ML στην ανάπτυξη πολλών μοντέλων ML στην παραγωγή.

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

• Εγκαταστήστε και διαμορφώστε το TFX και υποστηρίζοντας εργαλεία τρίτων.
• Χρησιμοποιήστε το TFX για να δημιουργήσετε και να διαχειριστείτε μια πλήρη γραμμή παραγωγής ML.
• Εργαστείτε με στοιχεία TFX για να πραγματοποιήσετε μοντελοποίηση, εκπαίδευση, εξαγωγή συμπερασμάτων και διαχείριση αναπτύξεων.
• Αναπτύξτε λειτουργίες μηχανικής εκμάθησης σε εφαρμογές Ιστού, εφαρμογές για κινητές συσκευές, συσκευές IoT και άλλα.

Σε αυτή τη διαμορφωτική εκπαιδευτική μάθηση στο Ελλάδα, οι συνventus θα μάθουν πώς να καταλαβούν τις καινοτομίες στους επεξεργαστές TPU για να μεγιστοποιήσουν την απόδοση των ίδιων εφαρμογών AI.

Τελος της εκπαιδευτικής μάθησης, οι συνventus θα είναι ικανοί να:

• Εκπαιδεύσουν διάφορους τύπους νευρωνικών δικτύων σε μεγάλες ποσότητες δεδομένων.
• Χρησιμοποιήσουν TPU για τη επεξεργασία της φάσης αποδοχής μέχρι και δύο λόγων.
• Χρησιμοποιήσουν TPU για την επεξεργασία αυξημένων εφαρμογών όπως αναζήτηση εικόνων, κλειδωμένη ορατικότητα και φωτογραφίες.

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

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