Διαδίκτυος Deep Learning Καλλιέργεια 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.

Αυτό το ζωντανό μάθημα με καθοδηγούμενη διδασκαλία σε <τόπο> (online ή on-site) απευθύνεται σε βιολόγους που επιθυμούν να κατανοήσουν πώς λειτουργεί το AlphaFold και να χρησιμοποιήσουν τα μοντέλα του ως οδηγούς στις πειραματικές τους μελέτες.

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

• Κατανοήσουν τις βασικές αρχές του AlphaFold.
• Μάθουν πώς λειτουργεί το AlphaFold.
• Μάθουν να ερμηνεύουν τις προβλέψεις και τα αποτελέσματα του AlphaFold.

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.

Η εφαρμοσμένη Τεχνητή Νοημοσύνη από το μηδέν σε Python εξοπλίζει προγραμματιστές και αναλυτές δεδομένων με τις θεμελιώδεις τεχνικές για τη δημιουργία λύσεων μηχανικής μάθησης από την αρχή χρησιμοποιώντας Python. Καλύπτει βασικές αρχές της επιβλεπόμενης μάθησης (ταξινόμηση και παλινδρόμηση), της μη επιβλεπόμενης μάθησης (συσταδοποίηση και ανίχνευση ανωμαλιών) και προηγμένων αρχιτεκτονικών νευρωνικών δικτύων. Εξετάζει δοκιμασμένες μεθόδους για εργασία με scikit-learn, Apache Spark MLlib και Jupyter notebooks για πρακτική ανάπτυξη ΤΝ. Βοηθά τους επαγγελματίες να υλοποιήσουν πρακτικά μοντέλα ML, να αξιολογήσουν περιορισμούς αλγορίθμων και να ολοκληρώσουν εφαρμοσμένα έργα για επίλυση πραγματικών προβλημάτων.

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.

Η διερεύνηση των θεμελιωδών αρχών της τεχνητής νοημοσύνης αποκαλύπτει πώς η ευφυής τεχνολογία αναδιαμορφώνει την ψηφιακή στρατηγική, την αυτοματοποίηση και τη λήψη αποφάσεων σε όλες τις επιχειρηματικές λειτουργίες. Εξετάζει βασικές έννοιες που εκτείνονται από την ιστορία της ΤΝ, τα πλαίσια επίλυσης προβλημάτων, την αναπαράσταση γνώσης, τον αβέβαιο συλλογισμό και τα παραδείγματα μηχανικής μάθησης, παράλληλα με την επικοινωνία, την αντίληψη και την αυτόνομη δράση. Καθοδηγεί στελέχη και αρχιτέκτονες να αξιολογούν ευκαιρίες μετασχηματισμού που οδηγούνται από την ΤΝ, να εκτιμούν τις αναδυόμενες τεχνολογικές τάσεις και να ενσωματώνουν πρακτικές ευφυείς λύσεις για να επιταχύνουν την επιχειρηματική ευελιξία.

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.

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.

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.

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.

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.

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.

Σε αυτό το ζωντανό σεμινάριο με καθοδηγούμενη 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.

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

• Κατασκευάσουν ένα μοντέλο βαθιάς μάθησης
• Αυτοματοποιήσουν τον χαρακτηρισμό δεδομένων
• Εργαστούν με μοντέλα από το Caffe και το TensorFlow-Keras
• Εκπαιδεύσουν δεδομένα χρησιμοποιώντας πολλαπλές κάρτες GPU, το cloud ή συστάδες (clusters)

Κοινό

• Προγραμματιστές
• Μηχανικοί
• Ειδικοί τομέα

Μορφή του μαθήματος

• Μελέτη και συζήτηση, ασκήσεις και έντονη πρακτική εξάσκηση

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.

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 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