TensorFlow Training Courses

Embedding Projector is een opensource-webtoepassing voor het visualiseren van de gegevens die worden gebruikt om machine-leersystemen te trainen Het is gemaakt door Google en maakt deel uit van TensorFlow Deze instructieve, live training introduceert de concepten achter Embedding Projector en leidt deelnemers door het opzetten van een demoproject Aan het einde van deze training kunnen deelnemers: Onderzoek hoe gegevens worden geïnterpreteerd door machine learning-modellen Navigeer door 3D- en 2D-weergaven van gegevens om te begrijpen hoe een algoritme voor machine-learning het interpreteert Begrijp de concepten achter Inbedding en hun rol in het representeren van wiskundige vectoren voor afbeeldingen, woorden en cijfers Verken de eigenschappen van een specifieke insluiting om het gedrag van een model te begrijpen Pas Embedding Project toe op realworld-use cases zoals het bouwen van een songaanbevelingssysteem voor muziekliefhebbers Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. 

Deep Learning voor NLP stelt een machine in staat om eenvoudige tot complexe taalverwerking te leren Tot de taken die momenteel mogelijk zijn, behoren taalvertaling en het genereren van bijschriften voor foto's DL (Deep Learning) is een subset van ML (Machine Learning) Python is een populaire programmeertaal met bibliotheken voor deep-learning voor NLP Tijdens deze live training met instructeur leren de deelnemers Python-bibliotheken te gebruiken voor NLP (Natural Language Processing) terwijl ze een applicatie maken die een reeks foto's verwerkt en ondertiteling genereert Aan het einde van deze training kunnen deelnemers: Ontwerp en code DL voor NLP met behulp van Python-bibliotheken Maak een Python-code die een aanzienlijk grote verzameling afbeeldingen leest en trefwoorden genereert Maak een Python-code die bijschriften genereert van de gedetecteerde trefwoorden Publiek Programmeurs met interesse in taalkunde Programmeurs die een goed begrip van NLP (Natural Language Processing) zoeken Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

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.

TensorFlow is een open source machine learning bibliotheek. TensorFlow biedt gebruikers de mogelijkheid om kunstmatige intelligentie te gebruiken en te creëren om fraude te detecteren en te voorspellen. Deze instructeur geleide, live training (online of on-site) is gericht op data wetenschappers die willen gebruiken TensorFlow om potentiële fraude gegevens te analyseren. Aan het einde van deze training zullen de deelnemers in staat zijn:

Maak een fraude detectie model in Python en TensorFlow. Bouw lineaire regressieën en lineaire regressiemodellen om fraude te voorspellen. Ontwikkelen van een end-to-end AI-applicatie voor het analyseren van fraudegegevens.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

Kubeflow is een raamwerk voor het uitvoeren van Machine Learning-workloads op Kubernetes. TensorFlow is een van de populairste machine learning-bibliotheken. Kubernetes is een orkestratieplatform voor het beheren van containerapplicaties. OpenShift is een ontwikkelplatform voor cloudapplicaties dat Docker-containers gebruikt, georkestreerd en beheerd door Kubernetes, op een fundament van Red Hat Enterprise Linux.Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ingenieurs die Machine Learning-workloads willen implementeren in een OpenShift on-premise of hybride cloud.

Aan het einde van deze training kunnen deelnemers: Kubernetes en Kubeflow installeren en configureren op een OpenShift-cluster. Gebruik OpenShift om het initialiseren van een Kubernetes-cluster te vereenvoudigen. Maak en implementeer een Kubernetes-pijplijn voor het automatiseren en beheren van ML-modellen in productie. Train en implementeer TensorFlow ML-modellen over meerdere GPU's en machines die parallel draaien. Roep openbare clouddiensten (bijvoorbeeld AWS-diensten) aan vanuit OpenShift om een ML-applicatie uit te breiden.

Formaat van de cursus

Interactieve lezing en discussie. Veel oefeningen en oefeningen. Praktische implementatie in een live-labomgeving.

Opties voor cursusaanpassing

Als u een training op maat voor deze cursus wilt aanvragen, kunt u contact met ons opnemen om een afspraak te maken.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

TensorFlow is een populaire en machine learning-bibliotheek ontwikkeld door Go ogle voor diep leren, numerieke berekeningen en grootschalige machine learning. TensorFlow 2.0, uitgebracht in januari 2019, is de nieuwste versie van TensorFlow en bevat verbeteringen in enthousiaste uitvoering, compatibiliteit en API-consistentie. Deze instructeur-geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die Tensorflow 2.0 willen gebruiken om voorspellers, classificatoren, generatieve modellen, neurale netwerken, enzovoort te bouwen. Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer TensorFlow 2.0.
• Begrijp de voordelen van TensorFlow 2.0 ten opzichte van eerdere versies.
• Bouw diepe leermodellen.
• Implementeer een geavanceerde afbeeldingclassificator.
• Implementeer een diepgaand leermodel op de cloud-, mobiele en IoT-apparaten.

Indeling van de cursus

• Interactieve lezing en discussie.
• Veel oefeningen en oefenen.
• Praktische implementatie in een live-labomgeving.

Cursusaanpassingsopties

• Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.
• Ga voor meer informatie over TensorFlow naar: https://www.tensorflow.org/

TensorFlow.js is een JavaScript framework voor machine learning. TensorFlow.js stelt gebruikers in staat om machine learning modellen rechtstreeks in JavaScript op te bouwen en te trainen. Deze instructeur geleide, live training (online of onsite) is gericht op data wetenschappers die TensorFlow.js willen gebruiken om patronen te identificeren en voorspellingen te genereren door middel van machine learning modellen. Aan het einde van deze training zullen de deelnemers in staat zijn:

Gebouw en train machine learning modellen met TensorFlow.js. Run machine learning modellen in de browser of onder Node.js. Verwijder vooraf bestaande machine learning modellen met behulp van aangepaste gegevens.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

TensorFlow Serving is een systeem voor productie van machine learning (ML) -modellen In deze live training met instructeur 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: Train, exporteer en serveer verschillende TensorFlow-modellen Test en implementeer algoritmen met behulp van één architectuur en een reeks API's Verleng TensorFlow Serving voor andere typen modellen dan TensorFlow-modellen Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

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

TensorFlow Extended (TFX) is een end-to-end platform voor het implementeren van productie ML pipelines. Deze instructeur geleide, live training (online of on-site) is gericht op data wetenschappers die willen gaan van het trainen van een enkele ML-model tot het implementeren van vele ML-modellen voor productie. Aan het einde van deze training zullen de deelnemers in staat zijn:

Installeren en configureren van TFX en ondersteunen van tools van derden. Gebruik TFX om een volledige ML-productie te creëren en te beheren. Werk met TFX-componenten om modeling, training, inferentie te bedienen en ontplooiingen te beheren. Deploy machine learning functies naar webtoepassingen, mobiele toepassingen, IoT-apparaten en meer.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

De Tensor Processing Unit (TPU) is de architectuur die Google al enkele jaren intern gebruikt en die nu net beschikbaar wordt voor gebruik door het grote publiek Het bevat verschillende optimalisaties die specifiek zijn bedoeld voor gebruik in neurale netwerken, waaronder gestroomlijnde matrixvermenigvuldiging en 8-bits gehele getallen in plaats van 16-bits om de juiste nauwkeurigheidsniveaus te retourneren In deze live training met instructeur leren deelnemers hoe ze kunnen profiteren van de innovaties in TPU-processors om de prestaties van hun eigen AI-applicaties te maximaliseren Aan het einde van de training kunnen deelnemers: Train verschillende typen neurale netwerken op grote hoeveelheden gegevens Gebruik TPU's om het afleidingsproces met maximaal twee orden van grootte te versnellen Gebruik TPU's om intensieve applicaties te verwerken, zoals zoeken naar afbeeldingen, cloudvisie en foto's Publiek ontwikkelaars onderzoekers ingenieurs Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

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