Διαδίκτυος TensorFlow Καλλιέργεια στην Ελλάδα

Αυτή η εκπαίδευση με εισηγητή, ζωντανή στην Ελλάδα (online ή δια ζώσης), απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εμβαθύνουν την κατανόησή τους στην υπολογιστική όραση και να εξερευνήσουν τις δυνατότητες του TensorFlow για την ανάπτυξη εξελιγμένων μοντέλων όρασης χρησιμοποιώντας το Google Colab.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Δημιουργούν και εκπαιδεύουν συνελικτικά νευρωνικά δίκτυα (CNNs) χρησιμοποιώντας το TensorFlow.
• Αξιοποιούν το Google Colab για κλιμακούμενη και αποδοτική ανάπτυξη μοντέλων στο cloud.
• Υλοποιούν τεχνικές προεπεξεργασίας εικόνας για εργασίες υπολογιστικής όρασης.
• Αναπτύσσουν μοντέλα υπολογιστικής όρασης για πραγματικές εφαρμογές.
• Χρησιμοποιούν μάθηση μεταφοράς για να βελτιώσουν την απόδοση των μοντέλων CNN.
• Οπτικοποιούν και ερμηνεύουν τα αποτελέσματα μοντέλων ταξινόμησης εικόνων.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά σε Ελλάδα (διαδικτυακά ή σε φυσικό χώρο) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές μεσαίου επιπέδου που επιθυμούν να κατανοήσουν και να εφαρμόσουν τεχνικές βαθιάς μάθησης χρησιμοποιώντας το περιβάλλον Google Colab.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να ρυθμίζουν και να πλοηγούνται στο Google Colab για έργα βαθιάς μάθησης.
• Να κατανοούν τις θεμελιώδεις αρχές των νευρωνικών δικτύων.
• Να υλοποιούν μοντέλα βαθιάς μάθησης χρησιμοποιώντας το TensorFlow.
• Να εκπαιδεύουν και να αξιολογούν μοντέλα βαθιάς μάθησης.
• Να αξιοποιούν προηγμένα χαρακτηριστικά του TensorFlow για βαθιά μάθηση.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή, στην Ελλάδα (online ή onsite), απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το TensorFlow για την ανάλυση δεδομένων πιθανής απάτης.

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

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

Αυτή η εκπαίδευση υπό την καθοδήγηση εκπαιδευτή, ζωντανά (διαδικτυακά ή στον χώρο σας) στο Ελλάδα απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το TensorFlow 2.x για την κατασκευή προβλεπτικών μοντέλων, ταξινομητών, παραγωγικών μοντέλων, νευρωνικών δικτύων κ.ο.κ.

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

• Να εγκαταστήσουν και να ρυθμίσουν το TensorFlow 2.x.
• Να κατανοήσουν τα πλεονεκτήματα του TensorFlow 2.x σε σχέση με προηγούμενες εκδόσεις.
• Να δημιουργήσουν μοντέλα βαθιάς μάθησης.
• Να υλοποιήσουν έναν προηγμένο ταξινομητή εικόνων.
• Να αναπτύξουν ένα μοντέλο βαθιάς μάθησης στο cloud, σε κινητές συσκευές και συσκευές IoT.

Αυτό το μάθημα ξεκινά με την απόκτηση εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικότερα στους αλγόριθμους μηχανικής μάθησης, στη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Το Μέρος 1 (40%) αυτής της εκπαίδευσης εστιάζει περισσότερο στα θεμελιώδη, αλλά θα σας βοηθήσει να επιλέξετε τη σωστή τεχνολογία: TensorFlow, Caffe, Theano, DeepDrive, Keras, κλπ.

Το Μέρος 2 (20%) εισάγει το Theano – μια βιβλιοθήκη Python που καθιστά εύκολη τη γραφή μοντέλων βαθιάς μάθησης.

Το Μέρος 3 (40%) της εκπαίδευσης θα βασιστεί εκτενώς στο TensorFlow – το API της βιβλιοθήκης ανοικτού κώδικα της Google για Βαθιά Μάθηση. Τα παραδείγματα και οι πρακτικές ασκήσεις θα γίνουν όλα στο TensorFlow.

Κοινό

Αυτό το μάθημα απευθύνεται σε μηχανικούς που επιθυμούν να χρησιμοποιήσουν το TensorFlow για τα έργα Βαθιάς Μάθησής τους

Με την ολοκλήρωση του μαθήματος, οι συμμετέχοντες θα:

• έχουν καλή κατανόηση των βαθιών νευρωνικών δικτύων (DNN), των Συνελικτικών Νευρωνικών Δικτύων (CNN) και των Αναδρομικών Νευρωνικών Δικτύων (RNN)
• κατανοούν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• είναι σε θέση να πραγματοποιούν εγκατάσταση / εργασίες παραγωγικού περιβάλλοντος / αρχιτεκτονικής και ρυθμίσεις
• μπορούν να αξιολογούν την ποιότητα κώδικα, να εκτελούν αποσφαλμάτωση, παρακολούθηση
• μπορούν να υλοποιούν προηγμένη παραγωγή όπως εκπαίδευση μοντέλων, δημιουργία γραφημάτων και καταγραφή