Deep Learning Trainingen in Amsterdam

Deze door een instructeur geleide, live-training (online of ter plekke) is gericht op ontwikkelaars, datawetenschappers en AI-practitioners op intermediair niveau die TensorFlow Lite willen inzetten voor Edge AI-toepassingen.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van TensorFlow Lite en zijn rol in Edge AI te begrijpen.
• AI-modellen te ontwikkelen en te optimaliseren met behulp van TensorFlow Lite.
• TensorFlow Lite-modellen te implementeren op verschillende randapparaten.
• Gebruik te maken van gereedschappen en technieken voor modelconversie en optimalisatie.
• Praktische Edge AI-toepassingen te implementeren met behulp van TensorFlow Lite.

Deze door een instructeur geleide, live training (online of op locatie) is gericht op professionals op gevorderd niveau die hun kennis van computer vision willen verdiepen en de mogelijkheden van TensorFlow willen verkennen voor het ontwikkelen van geavanceerde visiemodellen met behulp van Google Colab.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• Convolutional neural networks (CNNs) te bouwen en te trainen met behulp van TensorFlow.
• Google Colab te gebruiken voor schaalbare en efficiënte cloudgebaseerde modelleerontwikkeling.
• Afbeeldingsvoorbewerkingstechnieken te implementeren voor computer vision-taken.
• Computer vision-modellen te implementeren voor echte toepassingen.
• Transfer learning te gebruiken om de prestaties van CNN-modellen te verbeteren.
• De resultaten van afbeeldingsclassificatiemodellen te visualiseren en te interpreteren.

Deze door een instructeur geleide, live training (online of op locatie) is gericht op geavanceerde datawetenschappers en ontwikkelaars die deep learning technieken met behulp van de Google Colab omgeving willen begrijpen en toepassen.

Aan het einde van deze training kunnen de deelnemers:

• Google Colab instellen en navigeren voor deep learning projecten.
• De basisprincipes van neurale netwerken begrijpen.
• Deep learning modellen implementeren met behulp van TensorFlow.
• Deep learning modellen trainen en evalueren.
• Geavanceerde functies van TensorFlow voor deep learning gebruiken.

Deze door een instructeur geleide, live training in Amsterdam (online of ter plaatse) is bedoeld voor professionals op gevorderd niveau die zich willen specialiseren in geavanceerde deep learning-technieken voor NLU.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de belangrijkste verschillen tussen NLU- en NLP-modellen.
• Pas geavanceerde deep learning-technieken toe op NLU-taken.
• Verken diepgaande architecturen zoals transformatoren en aandachtsmechanismen.
• Maak gebruik van toekomstige trends in NLU voor het bouwen van geavanceerde AI-systemen.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor datawetenschappers van gemiddeld tot gevorderd niveau, machine learning-ingenieurs, deep learning-onderzoekers en computervisie-experts die hun kennis en vaardigheden op het gebied van deep learning willen uitbreiden voor het genereren van tekst-naar-beeld.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp geavanceerde deep learning-architecturen en -technieken voor het genereren van tekst-naar-beeld.
• Implementeer complexe modellen en optimalisaties voor hoogwaardige beeldsynthese.
• Optimaliseer prestaties en schaalbaarheid voor grote datasets en complexe modellen.
• Stem hyperparameters af voor betere modelprestaties en generalisatie.
• Integreer Stable Diffusion met andere frameworks en tools voor deep learning

Deze door een instructeur geleide, live training in Amsterdam (online of ter plaatse) is gericht op professionals op geavanceerd niveau die AI-technieken willen inzetten om de proces van ontdekking en ontwikkeling van geneesmiddelen te revolutioneren.

Aan het einde van deze training kunnen de deelnemers:

• Het rol van AI in de ontdekking en ontwikkeling van geneesmiddelen begrijpen.
• Machine learning technieken toepassen om moleculaire eigenschappen en interacties te voorspellen.
• Deep learning modellen gebruiken voor virtuele screening en leidoptimalisatie.
• AI-gestuurde benaderingen integreren in het proces van klinische onderzoeken.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor beginnende tot gemiddelde datawetenschappers en machine learning-ingenieurs die de prestaties van hun deep learning-modellen willen verbeteren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de principes van gedistribueerd deep learning.
• Installeer en configureer DeepSpeed.
• Schaal deep learning-modellen op gedistribueerde hardware met behulp van DeepSpeed.
• Implementeer en experimenteer met DeepSpeed-functies voor optimalisatie en geheugenefficiëntie.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor ontwikkelaars van beginners tot gemiddeld niveau die grote taalmodellen willen gebruiken voor verschillende natuurlijke taaltaken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet een ontwikkelomgeving op met een populaire LLM.
• Maak een basis-LLM en verfijn deze op een aangepaste dataset.
• Gebruik LLM's voor verschillende taken in natuurlijke taal, zoals tekstsamenvatting, vraagbeantwoording, tekstgeneratie en meer.
• Debug en evalueer LLM's met behulp van tools zoals TensorBoard, PyTorch Lightning en Hugging Face datasets.

Deze live training onder leiding van een instructeur (online of ter plaatse) is bedoeld voor datawetenschappers, machine learning-ingenieurs en computervisie-onderzoekers die Stable Diffusion willen gebruiken om afbeeldingen van hoge kwaliteit te genereren voor verschillende gebruiksscenario's.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de principes van Stable Diffusion en hoe het werkt voor het genereren van afbeeldingen.
• Bouw en train Stable Diffusion-modellen voor taken voor het genereren van afbeeldingen.
• Pas Stable Diffusion toe op verschillende scenario's voor het genereren van afbeeldingen, zoals inpainting, outpainting en beeld-naar-beeld-vertaling.
• Optimaliseer de prestaties en stabiliteit van Stable Diffusion modellen.

In deze door een instructeur geleide, live training in Amsterdam, leren de deelnemers de meest actuele en geavanceerde machine learning technieken in Python kennen terwijl ze een serie demo-applicaties bouwen met betrekking tot afbeeldingen, muziek, tekst en financiële gegevens.

Aan het einde van deze training zullen de deelnemers in staat zijn:

• Machine learning-algoritmen en technieken te implementeren voor het oplossen van complexe problemen.
• Diepleer- en semi-supervised leermethodes toe te passen op applicaties die betrekking hebben op afbeeldingen, muziek, tekst en financiële gegevens.
• Python-algoritmen tot hun maximale potentieel te benutten.
• Bibliotheken en pakketten zoals NumPy en Theano te gebruiken.

Deep Reinforcement Learning (DRL) combineert de principes van reinforcement learning met diep leergeving architecturen, zodat agenten beslissingen kunnen nemen door interactie met hun omgevingen. Het vormt de basis voor veel moderne AI-vooruitgang zoals zelfrijdende voertuigen, robotbesturing, algoritmische handel en adaptieve aanbevelingssystemen. DRL stelt een kunstmatige agent in staat strategieën te leren, beleid te optimaliseren en autonome beslissingen te nemen op basis van proef-en-error met behulp van beloninggebaseerd leren.

Deze door een docent geleide, live training (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers op intermediair niveau die Deep Reinforcement Learning technieken willen leren en toepassen om intelligente agenten te bouwen die in staat zijn tot autonome besluitvorming in complexe omgevingen.

Na voltooiing van deze training kunnen de deelnemers:

• De theoretische grondslagen en wiskundige principes van Reinforcement Learning begrijpen.
• Sleutel RL-algoritmen implementeren, waaronder Q-Learning, Policy Gradients en Actor-Critic methoden.
• Deep Reinforcement Learning agenten bouwen en trainen met TensorFlow of PyTorch.
• DRL toepassen op praktische toepassingen zoals games, robotica en besluitoptimalisatie.
• Trainingprestaties oplossen, visualiseren en optimaliseren met behulp van moderne hulpmiddelen.

Opzet van de cursus

• Interactieve college en begeleide discussie.
• Handson-oefeningen en praktische implementaties.
• Live codemonstraties en projectgebaseerde toepassingen.

Opties voor cursusaanpassing

• Om een aangepaste versie van deze cursus aan te vragen (bijvoorbeeld het gebruik van PyTorch in plaats van TensorFlow), neem contact met ons op om dit te regelen.

In deze door een instructeur geleide, live training in Amsterdam, leren deelnemers hoe ze deep learning-modellen voor telecom kunnen implementeren met behulp van Python terwijl ze stap voor stap een deep learning-kredietrisicomodel maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de fundamentele concepten van deep learning.
• Leer de toepassingen en toepassingen van deep learning in telecom.
• Gebruik Python, Keras en TensorFlow om deep learning-modellen voor telecom te maken.
• Ontwikkel hun eigen deep learning voorspellingsmodel voor klantverloop met behulp van Python.

Dit cursus is ontworpen voor managers, solutions architects, innovatieofficieren, CTO's, softwarearchitecten en iedereen die geïnteresseerd is in een overzicht van toegepaste kunstmatige intelligentie en de meest recente voorspellingen voor haar ontwikkeling.

Deze cursus omvat AI (emphasizing Machine Learning en Deep Learning) in Automotive Industrie. Het helpt om te bepalen welke technologie (potentieel) kan worden gebruikt in meerdere situaties in een auto: van eenvoudige automatisering, beeldrecognitie tot autonome besluitvorming.

Deze instructeurgeleide, live-training in Amsterdam (online of op locatie) is gericht op beginnende deelnemers die de essentiële concepten van kansrekening, statistiek, programmeren en machine learning willen leren en deze toepassen op de ontwikkeling van kunstmatige intelligentie.

Na het voltooien van deze training kunnen deelnemers:

• Basisconcepten van kansrekening en statistiek begrijpen en toepassen in real-world scenario's.
• Procedurale, functionele en object-georiënteerde programmeercode schrijven en begrijpen.
• Machine learning-technieken zoals classificatie, clustering en neurale netwerken implementeren.
• AI-oplossingen ontwikkelen met behulp van regelsmotoren en expertsystemen voor probleemoplossing.

Kunstmatig neuraal netwerk is een computationeel gegevensmodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) systemen die in staat zijn om "intelligente" taken uit te voeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.

Dit is een 4-daagse cursus waarin AI en de toepassing ervan worden geïntroduceerd. Er is een optie om na voltooiing van deze cursus een extra dag uit te trekken om een AI-project uit te voeren. 

Deze door een instructeur geleide live training op Amsterdam (online of ter plaatse) is bedoeld voor datawetenschappers en statistici op intermiddelair niveau die gegevens willen voorbereiden, modellen willen bouwen en machine learning-technieken effectief willen toepassen in hun professionele domeinen.

Na afloop van deze training kunnen de deelnemers:

• Diverse Machine Learning-algoritmen begrijpen en implementeren.
• Gegevens en modellen voorbereiden voor machine learning-toepassingen.
• Nazorganalyses uitvoeren en resultaten effectief visualiseren.
• Machine learning-technieken toepassen op praktijkgerichte, sector-specifieke scenario's.

Een artificiële neurale netwerk is een rekenmodel voor gegevens dat wordt gebruikt bij de ontwikkeling van kunstmatige intelligentiesystemen (AI) die in staat zijn om "intelligente" taken uit te voeren. Neurale netwerken worden vaak gebruikt in Machine Learning (ML)-toepassingen, die zelf weer een implementatie zijn van AI. Deep Learning is een onderdeel van ML.

Caffe is een deep learning framework ontworpen met expressiviteit, snelheid en modulariteit in gedachten.

Dit cursus verken de toepassing van Caffe als een Deep Learning framework voor beeldherkenning, waarbij MNIST als voorbeeld wordt gebruikt.

Doelgroep

Dit cursus is geschikt voor Deep Learning onderzoekers en ingenieurs die geïnteresseerd zijn in het gebruik van Caffe als framework.

Nadat de deelnemers deze cursus hebben voltooid, zullen zij in staat zijn om:

• de structuur en implementatiemechanismen van Caffe te begrijpen
• installatie-, productieomgeving- en architectuurtaakjes uit te voeren en configuraties toe te passen
• codekwaliteit te beoordelen, debuggen en bewaken uit te voeren
• geavanceerde productietaken zoals het trainen van modellen, implementatie van lagen en logboekregistratie uit te voeren

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor onderzoekers en ontwikkelaars die Chainer willen gebruiken om neurale netwerken te bouwen en te trainen in Python en tegelijkertijd de code gemakkelijk te debuggen te maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet de benodigde ontwikkelomgeving op om te beginnen met het ontwikkelen van neurale netwerkmodellen.
• Definieer en implementeer neurale netwerkmodellen met behulp van een begrijpelijke broncode.
• Voer voorbeelden uit en wijzig bestaande algoritmen om deep learning-trainingsmodellen te optimaliseren en tegelijkertijd gebruik te maken van GPUs voor hoge prestaties.

Computer Network ToolKit (CNTK) is Microsoft's Open Source, Multi-machine, Multi-GPU, Zeer efficiënte RNN-training machine learning-framework voor spraak, tekst en afbeeldingen.

Audiëntie

Deze cursus is bedoeld voor ingenieurs en architecten die CNTK in hun projecten willen gebruiken.

Deze door een instructeur geleide live training op Amsterdam (online of op locatie) biedt een introductie in het gebied van patroonherkenning en machine learning. Het raakt aan praktische toepassingen in statistiek, informatica, signaalverwerking, computervisie, datamining en bio-informatiek.

Na afloop van deze training kunnen de deelnemers:

• Kernstatistische methoden toepassen op patroonherkenning.
• Sleutelmodellen zoals neurale netwerken en kernelmethoden gebruiken voor gegevensanalyse.
• Geavanceerde technieken implementeren voor complex probleemoplossen.
• Voorspellingsnauwkeurigheid verbeteren door verschillende modellen te combineren.

Deze cursus is een algemeen overzicht voor Deep Learning zonder al te diep in te gaan op specifieke methoden. Het is geschikt voor mensen die Deep learning willen gaan gebruiken om hun nauwkeurigheid van voorspellingen te verbeteren.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor onderzoekers en ontwikkelaars die het DeepMind Lab-platform willen installeren, instellen, aanpassen en gebruiken om algemene kunstmatige intelligentie en machine learning-systemen te ontwikkelen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Pas DeepMind Lab aan om een omgeving te bouwen en uit te voeren die past bij de leer- en trainingsbehoeften.
• Gebruik de 3D-simulatieomgeving van DeepMind Lab om leeragenten te trainen in een first-person perspectief.
• Faciliteer de evaluatie van agenten om intelligentie te ontwikkelen in een 3D-game-achtige wereld.

Machine learning is een tak van kunstmatige intelligentie waarbij computers de mogelijkheid hebben om te leren zonder expliciet geprogrammeerd te zijn. Deep learning is een deelgebied van machine learning, dat gebruikmaakt van methoden die zijn gebaseerd op leren, gegevensrepresentaties en structuren zoals neurale netwerken.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is gericht op bedrijfsanalisten, datawetenschappers en ontwikkelaars die deep learning-modellen willen bouwen en implementeren om de omzetgroei te versnellen en problemen in de zakenwereld op te lossen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de kernconcepten van machine learning en deep learning.
• Krijg inzicht in de toekomst van het bedrijfsleven en de industrie met ML en DL.
• Definieer bedrijfsstrategieën en -oplossingen met deep learning.
• Leer hoe u data science en deep learning kunt toepassen bij het oplossen van zakelijke problemen.
• Bouw deep learning-modellen met behulp van Python, Pandas, TensorFlow, CNTK, Torch, Keras, enz.

Machine learning is een tak van kunstmatige intelligentie waarbij computers de mogelijkheid hebben om te leren zonder expliciet geprogrammeerd te zijn. Deep learning is een deelgebied van machine learning, dat gebruikmaakt van methoden die zijn gebaseerd op leren, gegevensrepresentaties en -structuren, zoals neurale netwerken. Python is een programmeertaal op hoog niveau die bekend staat om zijn duidelijke syntaxis en leesbaarheid van de code.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze deep learning-modellen voor bankieren kunnen implementeren met behulp van Python terwijl ze stap voor stap een deep learning-kredietrisicomodel maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de fundamentele concepten van deep learning
• Leer de toepassingen en toepassingen van deep learning in het bankwezen
• Gebruik Python, Keras en TensorFlow om deep learning-modellen voor bankieren te maken
• Ontwikkel hun eigen deep learning kredietrisicomodel met behulp van Python

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Opzet van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

In deze instructiegeleide, live training in Amsterdam, leren de deelnemers Python-bibliotheken voor NLP te gebruiken terwijl ze een applicatie ontwikkelen die een serie foto's verwerkt en bijschriften genereert.

Na afloop van deze training zullen de deelnemers in staat zijn:

• DL voor NLP te ontwerpen en programmeren met Python-bibliotheken.
• Python-code te schrijven die een groot aantal foto's leest en trefwoorden genereert.
• Python-code te schrijven die bijschriften genereert op basis van de gedetecteerde trefwoorden.

Publiek

Dit cursus is geschikt voor Deep Learning onderzoekers en ingenieurs die geïnteresseerd zijn in het gebruik van beschikbare tools (voornamelijk opensource) voor het analyseren van computers afbeeldingen.

Deze cursus biedt praktijkvoorbeelden.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor datawetenschappers die real-time machine learning-toepassingen willen versnellen en op schaal willen implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer de OpenVINO toolkit.
• Versnel een computer vision-toepassing met behulp van een FPGA.
• Voer verschillende CNN-lagen uit op de FPGA.
• Schaal de toepassing over meerdere knooppunten in een Kubernetes-cluster.

Dit instructeur-led, live training in Amsterdam (online of on-site) is gericht op data scientists die willen leren hoe ze TensorFlow kunnen gebruiken om potentiële fraudedata te analyseren.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Een fraude-detectie model te creëren met Python en TensorFlow.
• Lineaire regressies en lineaire regressiemodellen op te bouwen om fraude te voorspellen.
• Een end-to-end AI-toepassing voor het analyseren van fraudedata te ontwikkelen.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor ontwikkelaars of datawetenschappers die Horovod willen gebruiken om gedistribueerde deep learning-trainingen uit te voeren en deze op te schalen om parallel over meerdere GPUs te draaien.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet de benodigde ontwikkelomgeving op om te beginnen met het uitvoeren van deep learning-trainingen.
• Installeer en configureer Horovod om modellen te trainen met TensorFlow, Keras, PyTorch en Apache MXNet.
• Schaal deep learning-training met Horovod om op meerdere GPUs uit te voeren.

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor technische personen die het deep learning-model willen toepassen op beeldherkenningstoepassingen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer en configureer Keras.
• Maak snel prototypes van deep learning-modellen.
• Implementeer een convolutioneel netwerk.
• Implementeer een terugkerend netwerk.
• Voer een deep learning-model uit op zowel een CPU als GPU.

In deze instructeurgeleide, live training zullen de deelnemers leren hoe ze Matlab kunnen gebruiken om een convolutief neurale netwerk voor beeldherkenning te ontwerpen, opbouwen en visualiseren.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Een diep leermodel op te bouwen
• Data labeling te automatiseren
• Te werken met modellen uit Caffe en TensorFlow-Keras
• Data te trainen met meerdere GPUs, de cloud of clusters

Publiek

• Ontwikkelaars
• Ingenieurs
• Domeinexperts

Opzet van de cursus

• Theorie, discussie, oefeningen en veel praktijkwerk

Dit instructeurgeleide, live training in Amsterdam (online of op locatie) is gericht op beginners- tot middelviveau professioneel die hun begrip willen ontwikkelen van machine learning-algoritmen, deep learning-technieken en AI-gedreven besluitvorming. De cursus biedt praktijkervaring met machine learning-concepten, deep learning-modellen en praktische implementaties met R.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van machine learning en deep learning te begrijpen.
• Verschillende machine learning-algoritmen toe te passen voor regressie, classificatie, clustering en anomaliedetectie.
• Deep learning-architecturen zoals artificiële neurale netwerken (ANNs) te gebruiken.
• Ondersteunde en onondersteunde leermodellen te implementeren.
• Modelprestaties te evalueren en hyperparameters te optimaliseren.
• R voor data-analyse, visualisatie en machine learning-toepassingen te gebruiken.

De opleiding richt zich op mensen die de basisprincipes van neurale netwerken en hun toepassingen willen leren.

Deze klassikale trainingssessie bevat presentaties en computergebaseerde voorbeelden en casestudy-oefeningen om uit te voeren met relevante neurale en diepe netwerkbibliotheken

Deze live training onder leiding van een instructeur in Amsterdam (online of ter plaatse) is bedoeld voor software-engineers die willen programmeren in Python met OpenCV 4 voor deep learning.

Aan het einde van deze training zijn de deelnemers in staat om:

• Bekijk, laad en classificeer afbeeldingen en video's met behulp van OpenCV 4.
• Implementeer deep learning in OpenCV, 4, met TensorFlow en Keras.
• Voer deep learning-modellen uit en genereer impactvolle rapporten op basis van afbeeldingen en video's.

OpenFace is Python en Torch gebaseerde open-source, real-time gezichtsherkenningssoftware gebaseerd op Google's FaceNet-onderzoek.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de componenten van OpenFace kunnen gebruiken om een voorbeeldtoepassing voor gezichtsherkenning te maken en te implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Werk met de componenten van OpenFace, waaronder dlib, OpenVC, Torch en nn4 om gezichtsdetectie, uitlijning en transformatie te implementeren
• Pas OpenFace toe op real-world toepassingen zoals bewaking, identiteitsverificatie, virtual reality, gaming en het identificeren van terugkerende klanten, enz.

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

In deze door een instructeur geleide, live training leren deelnemers geavanceerde technieken voor Machine Learning met R terwijl ze stapsgewijs door de creatie van een real-world applicatie stappen.

Aan het einde van deze training kunnen deelnemers:

• Leertechnieken zonder toezicht begrijpen en implementeren
• Pas clustering en classificatie toe om voorspellingen te doen op basis van gegevens uit de echte wereld.
• Visualiseer gegevens om snel inzichten te verkrijgen, beslissingen te nemen en analyses verder te verfijnen.
• Verbeter de prestaties van een machine learning-model met behulp van afstemming van hyperparameters.
• Een model in productie nemen voor gebruik in een grotere toepassing.
• Pas geavanceerde machine learning-technieken toe om vragen over sociale netwerkgegevens, big data en meer te beantwoorden.

Dit cursus is een introductie tot het toepassen van neurale netwerken op echte problemen met behulp van de R-project software.

Deze instructeur-gelede, live training in Amsterdam (online of ter plekke) is gericht op developers en data scientists die Tensorflow 2.x willen gebruiken om predictors, classificators, generatieve modellen, neurale netwerken enzovoort te bouwen.

Na afloop van deze training zullen de deelnemers in staat zijn:

• TensorFlow 2.x te installeren en te configureren.
• Inzicht te krijgen in de voordelen van TensorFlow 2.x ten opzichte van eerdere versies.
• Deep learning modellen te bouwen.
• Een geavanceerde beeldclassificator te implementeren.
• Een deep learning model te deployen naar de cloud, mobiele apparaten en IoT-apparatuur.

Dit instructeur-led, live training in Amsterdam (online of ter plaatse) is gericht op ingenieurs die willen leren hoe ze machine learning-modellen schrijven, laden en uitvoeren op zeer kleine ingesloten apparaten.

Na afloop van deze training zullen de deelnemers in staat zijn:

• TensorFlow Lite te installeren.
• Machine learning-modellen op een ingesloten apparaat te laden om spraak herkenning, afbeeldingen classificeren, etc. mogelijk te maken.
• Kunstmatige intelligentie toe te voegen aan hardware-apparaten zonder netwerkverbinding nodig te hebben.

In deze instructeurgeleide, live training in Amsterdam (online of op locatie), zullen de deelnemers leren hoe ze TensorFlow Serving moeten configureren en gebruiken om ML-modellen te deployen en te beheren in een productieomgeving.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Verschillende TensorFlow modellen te trainen, exporteren en serveren.
• Algoritmen te testen en te deployen met behulp van een enkele architectuur en set APIs.
• TensorFlow Serving uit te breiden om andere types modellen dan TensorFlow modellen te serveren.

TensorFlow is een tweede generatie API van Google's open source softwarebibliotheek voor Deep Learning. Het systeem is ontworpen om onderzoek naar machine learning te vergemakkelijken en om snel en gemakkelijk over te schakelen van een onderzoeksprototype naar een productiesysteem.

Doelgroep

Dit cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten

Nadat de deelnemers deze cursus hebben voltooid, kunnen zij:

• de structuur en implementatiemechanismen van TensorFlow begrijpen
• installatie-, productieomgeving- en architectuksTaken uitvoeren en configuraties instellen
• kwaliteit van code beoordelen, debugging en monitoring uitvoeren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging uitvoeren

Dit cursus verkent, met specifieke voorbeelden, de toepassing van TensorFlow voor het doel van beeldherkenning

Doelpubliek

Dit cursus is bedoeld voor ingenieurs die TensorFlow willen inzetten voor de doeleinden van Beeldherkenning

Nadat u deze cursus hebt voltooid, kunt u:

• TensorFlow’s structuur en implementatiemechanismen begrijpen
• installatie-, productieomgeving- en architectuurtaken uitvoeren en configureren
• kwaliteit van code beoordelen, foutopsporing en monitoring uitvoeren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging implementeren

Dit instructeurgeleide, live-training in Amsterdam (online of ter plekke) is gericht op datawetenschappers die willen overstappen van het trainen van één ML-model naar het implementeren van veel ML-modellen in de productie.

Na afloop van deze training kunnen de deelnemers:

• TensorFlow Extended (TFX) en ondersteunende derde-partijshulpmiddelen installeren en configureren.
• TFX gebruiken om een volledige ML-productiepijplijn te maken en te beheren.
• Werken met TFX-componenten voor modellering, training, inferentiedienstverlening en beheer van implementaties.
• Machinaal lerenfuncties implementeren in webapplicaties, mobiele applicaties, IoT-apparaten en meer.

In deze door een instructeur geleide, live training in Amsterdam, leren de deelnemers hoe ze kunnen profiteren van de innovaties in TPU-processors om de prestaties van hun eigen AI-toepassingen maximaliseren.

Aan het einde van de training zullen de deelnemers in staat zijn:

• Verschillende types neurale netwerken te trainen op grote hoeveelheden data.
• TPUs te gebruiken om het inferentieproces met tot twee ordes van grootte te versnellen.
• TPUs te benutten voor intensieve toepassingen zoals afbeeldingssuche, cloud vision en fotos.

TensorFlow™ is een open source softwarebibliotheek voor numerieke berekeningen met behulp van dataflow grafieken.

SyntaxNet is een neuronale-netwerk Natural Language Processing framework voor TensorFlow.

Word2Vec wordt gebruikt om vectorrepresentaties van woorden te leren, ook wel "woordembeddings" genoemd. Word2vec is een bijzonder berekeningsmatig efficiënt voorspellend model om woordembeddings uit rauwe tekst te leren. Het komt in twee varianten voor: het Continuous Bag-of-Words model (CBOW) en het Skip-Gram model (hoofdstuk 3.1 en 3.2 bij Mikolov et al.).

Gebruikt in combinatie, SyntaxNet en Word2Vec maken het gebruikers mogelijk om Learned Embedding modellen te genereren vanuit Natural Language input.

Doelgroep

Dit cursus is bedoeld voor ontwikkelaars en ingenieurs die werken met SyntaxNet- en Word2Vec-modellen in hun TensorFlow grafieken.

Nadat de deelnemers deze cursus hebben voltooid, zullen zij:

• TensorFlow’s structuur en implementatiemechanismen begrijpen
• in staat zijn installatie-, productieomgeving-, architectuurtaken en configuratie uit te voeren
• in staat zijn codekwaliteit te beoordelen, debugging en monitoring uit te voeren
• in staat zijn geavanceerde productietaaken uit te voeren zoals het trainen van modellen, embedden van termen, bouwen van grafieken en logging

Dit cursus begint met conceptuele kennis over neurale netwerken en machine learning-algoritmen in het algemeen, diep leren (algoritmen en toepassingen).

Deel-1 (40%) van deze training richt zich voornamelijk op de grondbeginselen, maar helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Deel-2 (20%) introduceert Theano - een Python-bibliotheek die het schrijven van deep learning-modellen eenvoudig maakt.

Deel-3 (40%) van de training is uitgebreid gebaseerd op TensorFlow - API van Google's open source softwarebibliotheek voor Deep Learning. De voorbeelden en handsonpracticum worden allemaal in TensorFlow gemaakt.

Doelgroep

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten

Na het afwerken van deze cursus kunnen de cursisten:

• een goede kennis hebben van diepe neurale netwerken (DNN), CNN en RNN
• de structuur en implementatiemechanismen van TensorFlow begrijpen
• in staat zijn om installatietaken, productieomgeving, architectuurtaken en configuratie uit te voeren
• de kwaliteit van code kunnen beoordelen, debuggen en monitoren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging kunnen uitvoeren