OpenNMT: Setting Up a Neural Machine Translation System Schulung
In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie OpenNMT eingerichtet und verwendet OpenNMT , um die Übersetzung verschiedener Beispieldatensätze durchzuführen. Der Kurs beginnt mit einem Überblick über neuronale Netze, wie sie für die maschinelle Übersetzung gelten. Die Teilnehmer führen während des gesamten Kurses Live-Übungen durch, um ihr Verständnis der erlernten Konzepte zu demonstrieren und Feedback vom Kursleiter zu erhalten.
Am Ende dieser Schulung verfügen die Teilnehmer über das Wissen und die Praxis, um eine Live- OpenNMT Lösung zu implementieren.
Quell- und Zielsprachenbeispiele werden nach den Anforderungen des Publikums vorbestellt.
Format des Kurses
- Teilvorlesung, Teildiskussion, viel Praxis
Schulungsübersicht
Einführung
- Warum neuronale maschinelle Übersetzung?
Überblick über das Torch-Projekt
Installation und Einrichtung
Vorverarbeitung Ihrer Daten
Training des Modells
Übersetzen von
Vorgetrainierte Modelle verwenden
Arbeiten mit Lua Skripten
Verwendung von Erweiterungen
Fehlersuche
Der Gemeinschaft beitreten
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Eine gewisse Programmiererfahrung ist hilfreich.
- Erfahrung im Umgang mit der Kommandozeile.
- Grundlegendes Verständnis von Konzepten der maschinellen Übersetzung.
Publikum
- Lokalisierungsspezialisten mit technischem Hintergrund
- Globale Inhaltsmanager
- Lokalisierungsingenieure
- Softwareentwickler, die für die Implementierung globaler Inhaltslösungen zuständig sind
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.
OpenNMT: Setting Up a Neural Machine Translation System Schulung - Booking
OpenNMT: Setting Up a Neural Machine Translation System Schulung - Enquiry
OpenNMT: Setting Up a Neural Machine Translation System - Beratungsanfrage
Beratungsanfrage
Erfahrungsberichte (2)
Organisation, gemäß dem vorgeschlagenen Agenda, das umfassende Wissen des Trainers zu diesem Thema
Ali Kattan - TWPI
Kurs - Natural Language Processing with TensorFlow
Maschinelle Übersetzung
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Kurs - TensorFlow for Image Recognition
Maschinelle Übersetzung
Kommende Kurse
Kombinierte Kurse
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 StundenDiese von einem Dozenten geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-zu-Bild-Erzeugung erweitern möchten.
Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
- Fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-Bild-Erzeugung zu verstehen.
- Komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese zu implementieren.
- Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle zu optimieren.
- Abstimmung von Hyperparametern für bessere Modellleistung und Generalisierung.
- Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools
AlphaFold
7 StundenDiese von einem Ausbilder geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Biologen, die verstehen möchten, wie AlphaFold funktioniert, und die AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien verwenden möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Grundprinzipien von AlphaFold verstehen.
- Lernen, wie AlphaFold funktioniert.
- lernen, wie sie AlphaFold-Vorhersagen und -Ergebnisse interpretieren können.
Deep Learning for Vision with Caffe
21 StundenCaffe ist ein umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt.
In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert
Publikum
Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe .
Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:
- die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung
Deep Learning Neural Networks with Chainer
14 StundenDiese von einem Dozenten geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Forscher und Entwickler, die mit Chainer neuronale Netze in Python aufbauen und trainieren wollen und dabei den Code leicht debuggen können.
Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
- die notwendige Entwicklungsumgebung einzurichten, um mit der Entwicklung neuronaler Netzmodelle zu beginnen.
- Neuronale Netzmodelle unter Verwendung eines verständlichen Quellcodes zu definieren und zu implementieren.
- Beispiele auszuführen und bestehende Algorithmen zu modifizieren, um Deep-Learning-Trainingsmodelle zu optimieren und dabei GPUs für hohe Leistung zu nutzen.
Using Computer Network ToolKit (CNTK)
28 StundenComputer Network ToolKit (CNTK) ist Microsoft's Open Source, Multi-machine, Multi-GPU, Highly efficent RNN training machine learning framework for speech, text, and images.
Zielgruppe
Dieser Kurs richtet sich an Ingenieure und Architekten, die CNTK in ihren Projekten einsetzen wollen.
Deep Learning for Vision
21 StundenPublikum
Dieser Kurs ist für Deep Learning Forscher und Ingenieure geeignet, die verfügbare Tools (meist Open Source) zur Analyse von Computerbildern verwenden möchten
Dieser Kurs enthält Arbeitsbeispiele.
Edge AI with TensorFlow Lite
14 StundenDiese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Datenwissenschaftler und KI-Experten, die TensorFlow Lite für Edge-KI-Anwendungen nutzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Grundlagen von TensorFlow Lite und seine Rolle in Edge AI zu verstehen.
- KI-Modelle mit TensorFlow Lite entwickeln und optimieren.
- Einsatz von TensorFlow Lite-Modellen auf verschiedenen Edge-Geräten.
- Werkzeuge und Techniken zur Modellkonvertierung und -optimierung nutzen.
- Implementierung praktischer Edge AI-Anwendungen mit TensorFlow Lite.
Accelerating Deep Learning with FPGA and OpenVINO
35 StundenDiese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Datenwissenschaftler, die Echtzeitanwendungen für maschinelles Lernen beschleunigen und in großem Umfang einsetzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Das Toolkit OpenVINO zu installieren.
- Eine Computer-Vision-Anwendung mit einem FPGA zu beschleunigen.
- Verschiedene CNN-Schichten auf dem FPGA auszuführen.
- die Anwendung über mehrere Knoten in einem Kubernetes-Cluster zu skalieren.
Distributed Deep Learning with Horovod
7 StundenDiese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Entwickler oder Datenwissenschaftler, die Horovod verwenden möchten, um verteilte Deep-Learning-Trainings durchzuführen und sie so zu skalieren, dass sie über mehrere GPUs parallel laufen.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:
- die notwendige Entwicklungsumgebung einzurichten, um Deep-Learning-Trainings auszuführen.
- Horovod zu installieren und zu konfigurieren, um Modelle mit TensorFlow, Keras, PyTorch und Apache MXNet zu trainieren.
- Deep-Learning-Training mit Horovod zu skalieren, um es auf mehreren GPUs laufen zu lassen.
Deep Learning with Keras
21 StundenDiese von einem Ausbilder geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an technische Personen, die Deep-Learning-Modelle auf Bilderkennungsanwendungen anwenden möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:
- Installieren und konfigurieren Keras.
- Schnell Prototypen von Deep-Learning-Modellen zu erstellen.
- Ein Faltungsnetzwerk zu implementieren.
- Ein rekurrentes Netzwerk zu implementieren.
- Ein Deep-Learning-Modell sowohl auf einer CPU als auch auf GPU auszuführen.
Introduction to Stable Diffusion for Text-to-Image Generation
21 StundenDiese von einem Dozenten geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Forscher im Bereich Computer Vision, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu erzeugen.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Prinzipien von Stable Diffusion und seine Funktionsweise für die Bilderzeugung zu verstehen.
- Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben.
- Anwendung von Stable Diffusion auf verschiedene Bilderzeugungsszenarien, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
- Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.
Tensorflow Lite for Microcontrollers
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine-Learning-Modelle auf sehr kleinen eingebetteten Geräten schreiben, laden und ausführen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren TensorFlow Lite.
- Laden Sie Modelle für maschinelles Lernen auf ein eingebettetes Gerät, um es in die Lage zu versetzen, Sprache zu erkennen, Bilder zu klassifizieren usw.
- Hardwaregeräte mit KI ausstatten, ohne auf eine Netzwerkverbindung angewiesen zu sein.
Deep Learning with TensorFlow
21 StundenTensorFlow ist eine 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Das System wurde entwickelt, um die Forschung im Bereich maschinelles Lernen zu vereinfachen und den Übergang vom Forschungsprototyp zum Produktionssystem schnell und einfach zu gestalten.
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
TensorFlow for Image Recognition
28 StundenIn diesem Kurs wird anhand konkreter Beispiele die Anwendung von Tensor Flow zur Bilderkennung erläutert
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen TensorFlow
Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren
Natural Language Processing (NLP) with TensorFlow
35 StundenTensorFlow™ ist eine Open-Source-Software-Bibliothek für numerische Berechnungen mit Datenfluss-Grafen.
SyntaxNet ist ein Neural-Network Natural Language Processing Framework für TensorFlow.
Word2Vec wird verwendet, um Vektor-Repräsentationen von Wörtern zu lernen, die "Wörter-Inbeddings" genannt werden. Word2vec ist ein besonders berechnet-effizientes Vorhersage-Modell für das Lernen von Wörterinbindungen aus Rohtext. Es kommt in zwei Geschmacksmodellen, dem Kontinuous Bag-of-Words Modell (CBOW) und dem Skip-Gram Modell (Kapitel 3.1 und 3.2 in Mikolov et al.)
SyntaxNet und Word2Vec ermöglichen Benutzern die Erzeugung von Learned Embedding-Modellen aus Natural Language-Eintrag.
Publikum
Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet und Word2Vec Modellen in ihren TensorFlow Grafen arbeiten wollen.
Nach Abschluss dieses Kurses werden die Delegierten:
- Verständnis TensorFlow’s Struktur und Ausführungsmechanismen
- in der Lage, Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchzuführen
- in der Lage, die Codequalität zu bewerten, Debugging durchzuführen, Überwachung
- in der Lage, fortgeschrittene Produktion wie Trainingsmodelle, Einbruchsbedingungen, Baugraphen und Logging zu implementieren