Deep Learning Trainingen in Maastricht

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 Maastricht (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 Maastricht (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 Maastricht (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 Maastricht (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 Maastricht (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 Maastricht, leren deelnemers de meest relevante en geavanceerde machine learning-technieken in Python terwijl ze een reeks demo-applicaties bouwen met betrekking tot beeld-, muziek-, tekst- en financiële gegevens.

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

• Implementeer machine learning-algoritmen en -technieken voor het oplossen van complexe problemen.
• Pas deep learning en semi-supervised learning toe op toepassingen met beeld-, muziek-, tekst- en financiële gegevens.
• Push Python algoritmen tot hun maximale potentieel.
• Gebruik bibliotheken en pakketten zoals NumPy en Theano.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die de grondbeginselen van Deep Reinforcement Learning willen leren terwijl ze de creatie van een Deep Learning Agent doorlopen.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de belangrijkste concepten achter Deep Reinforcement Learning en kan het onderscheiden van Machine Learning.
• Pas geavanceerde Reinforcement Learning algoritmen toe om problemen uit de echte wereld op te lossen.
• Bouw een Deep Learning-agent.

In deze door een instructeur geleide, live training in Maastricht, 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.

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 Maastricht (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.

Artificial Neural Network is een computationeel datamodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) -systemen die "intelligente" taken kunnen uitvoeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) -toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.

Caffe is een diepgaand leerkader gemaakt met expressie, snelheid en modulariteit in het achterhoofd.

Deze cursus onderzoekt de toepassing van Caffe als een diepgaand leerkader voor beeldherkenning met behulp van MNIST als voorbeeld

Publiek

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

Na het voltooien van deze cursus kunnen afgevaardigden:

• inzicht in de structuur en implementatiemechanismen van Caffe
• voer installatie / productieomgeving / architectuurtaken en configuratie uit
• codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
• implementeer geavanceerde productie zoals trainingsmodellen, implementatie van lagen en logboekregistratie

Deze live training onder leiding van een instructeur in Maastricht (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 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 Maastricht (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 Maastricht (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 door een instructeur geleide, live training leren deelnemers Python bibliotheken voor NLP te gebruiken terwijl ze een applicatie maken die een reeks afbeeldingen verwerkt en bijschriften genereert.

Aan het einde van deze training kunnen deelnemers:

• Ontwerp en codeer DL voor NLP met behulp van Python-bibliotheken.
• Maak Python code die een substantieel grote verzameling afbeeldingen leest en trefwoorden genereert.
• Maak Python code aan die bijschriften genereert op basis van de gedetecteerde trefwoorden.

Publiek

Deze cursus is geschikt voor onderzoekers en ingenieurs van Deep Learning die geïnteresseerd zijn in het gebruik van beschikbare hulpmiddelen (meestal open source) voor het analyseren van computerbeelden

Deze cursus biedt werkvoorbeelden.

Deze live training onder leiding van een instructeur in Maastricht (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.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die TensorFlow willen gebruiken om potentiële fraudegegevens te analyseren.

Aan het einde van deze training kunnen deelnemers:

• Een fraudedetectiemodel creëren in Python en TensorFlow.
• Lineaire regressies en lineaire regressiemodellen bouwen om fraude te voorspellen.
• Een end-to-end AI-applicatie ontwikkelen voor het analyseren van fraudegegevens.

Deze live training onder leiding van een instructeur in Maastricht (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.

Type: Theoretische opleiding met aanvragen die vooraf met de studenten op Lasagne worden bepaald of Keras afhankelijk van de pedagogische groep

Lesmethode: presentatie, uitwisselingen en casestudy's

Kunstmatige intelligentie is, na veel wetenschappelijke gebieden te hebben verstoord, begonnen een revolutie teweeg te brengen in een groot aantal economische sectoren (industrie, geneeskunde, communicatie, enz.). Niettemin is de presentatie ervan in de reguliere media vaak een fantasie, ver verwijderd van wat de velden van Machine Learning of Deep Learning werkelijk zijn. Het doel van deze opleiding is om ingenieurs die al computerhulpmiddelen beheersen (inclusief een basissoftwareprogrammering) een inleiding te geven tot Deep Learning en tot de verschillende specialisatiegebieden en dus tot de belangrijkste netwerkarchitecturen die vandaag de dag bestaan. Als de basisprincipes van wiskunde tijdens de cursus worden herinnerd, wordt een niveau van wiskunde van het type BAC+2 aanbevolen voor meer comfort. Het is absoluut mogelijk om de wiskundige as over te slaan om alleen een "systeem"-visie te behouden, maar deze benadering zal uw begrip van het onderwerp aanzienlijk beperken.

Deze live training onder leiding van een instructeur in Maastricht (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 door een instructeur geleide live training leren deelnemers hoe ze Matlab kunnen gebruiken voor het ontwerpen, bouwen en visualiseren van een convolutioneel neuraal netwerk voor beeldherkenning.

Aan het einde van deze training kunnen deelnemers:

• Bouw een diepgaand leermodel
• Automatiseer gegevensetikettering
• Werk met modellen van Caffe en TensorFlow - Keras
• Train gegevens met behulp van meerdere GPU 's, de cloud of clusters

Publiek

• ontwikkelaars
• ingenieurs
• Domeinexperts

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Deze door een instructeur geleide, live training in Maastricht (online of onsite) is bedoeld voor professionals van beginners- tot gemiddeld niveau die hun begrip van machine learning-algoritmen, deep learning-technieken en AI-gestuurde besluitvorming willen ontwikkelen. De cursus biedt praktische ervaring met machine learning-concepten, deep learning-modellen en praktische implementaties met behulp van R.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de basisprincipes van machine learning en deep learning.
• Pas verschillende algoritmen voor machinaal leren toe voor regressie, classificatie, clustering en anomaliedetectie.
• Gebruik deep learning-architecturen zoals kunstmatige neurale netwerken (ANN's).
• Implementeer begeleide en onbegeleide leermodellen.
• Evalueer de modelprestaties en optimaliseer hyperparameters.
• Gebruik R voor data-analyse, visualisatie en machine learning-toepassingen.

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 Maastricht (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

Tijdens deze door een instructeur geleide, live training leren deelnemers hoe ze OpenNMT kunnen instellen en gebruiken om de vertaling van verschillende voorbeeld datasets uit te voeren. De cursus begint met een overzicht van neurale netwerken zoals die van toepassing zijn op machinevertaling. Deelnemers voeren live oefeningen uit tijdens de cursus om hun begrip van de geleerde concepten te demonstreren en feedback van de instructeur te krijgen.

Aan het einde van deze training beschikken de deelnemers over de kennis en praktijk die nodig zijn om een live OpenNMT oplossing te implementeren.

Bron- en doeltaalvoorbeelden worden vooraf in overeenstemming met de behoeften van het publiek geregeld.

Opbouw van de cursus

• Deel collega, deel discussie, veel handson praktijk

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 door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die Tensorflow 2.x willen gebruiken om voorspellers, classificatoren, generatieve modellen, neurale netwerken enzovoort te bouwen.

Aan het einde van deze training kunnen deelnemers:

• Installeren en configureren TensorFlow 2.x.
• Begrijp de voordelen van TensorFlow 2.x ten opzichte van eerdere versies.
• Bouw deep learning-modellen.
• Implementeer een geavanceerde afbeeldingsclassificator.
• Implementeer een deep learning-model voor de cloud, mobiele apparaten en IoT-apparaten.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ingenieurs die machine learning-modellen willen schrijven, laden en uitvoeren op zeer kleine ingebedde apparaten.

Aan het einde van deze training kunnen deelnemers:

• Installeer TensorFlow Lite.
• Laad machine learning-modellen op een ingebed apparaat zodat het spraak kan detecteren, afbeeldingen kan classificeren, enz.
• Voeg AI toe aan hardwareapparaten zonder afhankelijk te zijn van netwerkconnectiviteit.

In deze door een instructeur geleide, live training in Maastricht (op locatie of op locatie) leren deelnemers hoe ze TensorFlow Serving kunnen configureren en gebruiken om ML-modellen in een productieomgeving te implementeren en te beheren.

Aan het einde van deze training kunnen deelnemers:

• Verschillende TensorFlow modellen trainen, exporteren en hosten.
• Algoritmen testen en implementeren met één architectuur en set APIs.
• TensorFlow Serving uitbreiden om andere soorten modellen te hosten naast TensorFlow modellen.

TensorFlow is een 2e generatie API van de open source softwarebibliotheek van Go TensorFlow voor Deep Learning . Het systeem is ontworpen om onderzoek naar machine learning te vergemakkelijken en om de overgang van onderzoeksprototype naar productiesysteem snel en gemakkelijk te maken.

Publiek

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

Na het voltooien van deze cursus zullen de deelnemers:

• de structuur en implementatiemechanismen van TensorFlow begrijpen
• in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
• codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
• in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie

Deze cursus onderzoekt, met specifieke voorbeelden, de toepassing van Tensor Flow voor beeldherkenning

Publiek

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor TensorFlow

Na het voltooien van deze cursus kunnen afgevaardigden:

• de structuur en implementatiemechanismen van TensorFlow begrijpen
• voer installatie / productieomgeving / architectuurtaken en configuratie uit
• codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
• implementeer geavanceerde productie zoals trainingsmodellen, het bouwen van grafieken en logboekregistratie

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die willen overstappen van het trainen van een enkel ML-model naar het inzetten van vele ML-modellen naar productie.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer TFX en ondersteunende tools van derden.
• Gebruik TFX om een volledige ML-productiepijplijn te creëren en te beheren.
• Werk met TFX-componenten om modellering, training, gevolgtrekking en beheer van implementaties uit te voeren.
• Implementeer machine learning-functies voor webapplicaties, mobiele applicaties, IoT-apparaten en meer.

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

Aan het einde van de training kunnen deelnemers:

• Verschillende soorten neurale netwerken trainen op grote hoeveelheden data.
• TPU's gebruiken om het inferentieproces tot twee orde van grootte sneller te maken.
• TPU's gebruiken om intensieve toepassingen zoals afbeelding zoeken, cloud vision en foto's te verwerken.

TensorFlow™ is een open-source software bibliotheek voor numerieke berekeningen met behulp van data flow graphs.

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

Word2Vec wordt gebruikt voor het leren van vector representaties van woorden, genaamd "word embeddings". Word2vec is een bijzonder computationeel-efficiënt voorspellend model voor het leren van woorden ingebedingen uit grondtekst. Het komt in twee smaken, het Continuous Bag-of-Words model (CBOW) en het Skip-Gram model (Chapter 3.1 en 3.2 in Mikolov et al.)

Gebruikt in tandem, SyntaxNet en Word2Vec stelt gebruikers in staat om Learned Embedding modellen te genereren vanuit de Natural Language input.

Het publiek

Deze cursus is gericht op Ontwikkelaars en ingenieurs die willen werken met SyntaxNet en Word2Vec modellen in hun TensorFlow grafieken.

Na het voltooien van deze cursus zullen de delegaten:

• begrijpen TensorFlow’s structuur en de uitvoeringsmechanismen
• in staat zijn om installatie / productieomgeving / architectuur taken en configuratie uit te voeren
• in staat zijn om de kwaliteit van de code te beoordelen, de debugging uit te voeren, het monitoren
• in staat zijn geavanceerde productie te implementeren zoals trainingsmodellen, ingebouwde termen, bouwschema's en logging

Deze cursus begint met het geven van conceptuele kennis in neurale netwerken en in het algemeen in machine learning-algoritme, deep learning (algoritmen en applicaties).

Deel 1 (40%) van deze training is meer gericht op de basisprincipes, maar helpt u bij het kiezen van de juiste technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Deel 2 (20%) van deze training introduceert Theano - een pythonbibliotheek die het schrijven van diepgaande leermodellen eenvoudig maakt.

Deel 3 (40%) van de training zou uitgebreid gebaseerd zijn op Tensorflow - 2e generatie API van de open source softwarebibliotheek van Go ogle voor Deep Learning . De voorbeelden en handson zouden allemaal in TensorFlow worden gemaakt.

Publiek

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

Na het voltooien van deze cursus zullen de deelnemers:

• hebben een goed begrip van diepe neurale netwerken (DNN), CNN en RNN

• de structuur en implementatiemechanismen van TensorFlow begrijpen

• in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren

• codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren

• in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie