TensorFlow Schulungen

Embedding Projector ist eine Open-Source-Webanwendung zur Visualisierung der Daten, die zum Trainieren von maschinellen Lernsystemen verwendet werden Erstellt von Google, ist es ein Teil von TensorFlow Dieses instruierte Live-Training stellt die Konzepte hinter Embedding Projector vor und führt die Teilnehmer durch die Einrichtung eines Demo-Projekts Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erfahren Sie, wie Daten von maschinellen Lernmodellen interpretiert werden Navigieren Sie durch 3D- und 2D-Ansichten von Daten, um zu verstehen, wie ein maschineller Lernalgorithmus sie interpretiert Verstehen Sie die Konzepte hinter Embedding und ihre Rolle bei der Darstellung mathematischer Vektoren für Bilder, Wörter und Zahlen Erkunden Sie die Eigenschaften einer bestimmten Einbettung, um das Verhalten eines Modells zu verstehen Wenden Sie Embedding Project auf reale Anwendungsfälle an, wie zum Beispiel das Erstellen eines Song-Empfehlungssystems für Musikliebhaber Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

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 für NLP ermöglicht es einer Maschine, einfache bis komplexe Sprachverarbeitung zu erlernen Zu den derzeit möglichen Aufgaben gehören die Übersetzung von Sprachen und die Erstellung von Bildunterschriften für Fotos DL (Deep Learning) ist eine Teilmenge von ML (Machine Learning) Python ist eine beliebte Programmiersprache, die Bibliotheken für Deep Learning für NLP enthält In diesem instruierten Live-Training lernen die Teilnehmer, Python-Bibliotheken für NLP (Natural Language Processing) zu verwenden, während sie eine Anwendung erstellen, die eine Reihe von Bildern verarbeitet und Untertitel generiert Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Entwerfen und kodieren Sie DL für NLP mit Python-Bibliotheken Erstellen Sie Python-Code, der eine im Wesentlichen große Sammlung von Bildern liest und Schlüsselwörter generiert Erstellen Sie Python-Code, der Untertitel aus den erkannten Keywords generiert Publikum Programmierer mit Interesse an Linguistik Programmierer, die ein Verständnis für NLP (Natural Language Processing) suchen Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

Publikum 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.

TensorFlow ist eine Open Source Machine Learning Bibliothek. TensorFlow bietet den Nutzern die Fähigkeit, künstliche Intelligenz zu verwenden und zu erstellen, um Betrug zu erkennen und vorhersagen. Dieser Instructor-leitet, Live-Training (online oder on-site) richtet sich an Datenwissenschaftler, die verwenden möchten TensorFlow, um potenzielle Betrugdaten zu analysieren. Am Ende dieser Ausbildung können die Teilnehmer:

Erstellt ein Betrug-Detektionsmodell in Python und TensorFlow. Erstellen Sie lineare Regressionen und lineare Regressionsmodelle, um Betrug zu vorhersagen. Entwickeln Sie eine end-to-end AI-Anwendung zur Analyse von Betrugdaten.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

Kubeflow ist ein Framework für die Ausführung von Machine Learning Workloads auf Kubernetes. Kubeflow TensorFlow ist eine der beliebtesten Bibliotheken für maschinelles Lernen. Kubernetes ist eine Orchestrierungsplattform für die Verwaltung von containerisierten Anwendungen. OpenShift ist eine Plattform für die Entwicklung von Cloud-Anwendungen, die Docker-Container verwendet, die von Kubernetes orchestriert und verwaltet werden, und die auf Red Hat Enterprise Linux basiert. Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning-Workloads in einer OpenShift On-Premise- oder Hybrid-Cloud bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein: Kubernetes und Kubeflow auf einem OpenShift-Cluster zu installieren und zu konfigurieren. OpenShift verwenden, um die Initialisierung eines Kubernetes-Clusters zu vereinfachen. Eine Kubernetes-Pipeline für die Automatisierung und Verwaltung von ML-Modellen in der Produktion zu erstellen und bereitzustellen. Trainieren und Bereitstellen TensorFlow von ML-Modellen auf mehreren parallel laufenden GPUs und Maschinen. Aufrufen öffentlicher Cloud-Dienste (z. B. AWS-Dienste) von OpenShift aus, um eine ML-Anwendung zu erweitern.

Format des Kurses

Interaktive Vorlesung und Diskussion. Viele Übungen und Praxis. Praktische Umsetzung in einer Live-Laborumgebung.

Optionen zur Kursanpassung

Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.

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 ist eine beliebte und maschinelles Lernen Bibliothek entwickelt von Go Ogle für tiefe Lernen, numerische Berechnung und Groß maschinellen Lernen. TensorFlow 2.0, veröffentlicht im Januar 2019, ist die neueste Version von TensorFlow und enthält Verbesserungen in TensorFlow auf eifrige Ausführung, Kompatibilität und API-Konsistenz. Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.0 verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netzwerke usw. zu erstellen. Am Ende dieser Schulung können die Teilnehmer:

• Installieren und konfigurieren Sie TensorFlow 2.0.
• Verstehen Sie die Vorteile von TensorFlow 2.0 gegenüber früheren Versionen.
• Bauen Sie Deep-Learning-Modelle auf.
• Implementieren Sie einen erweiterten Bildklassifikator.
• Stellen Sie ein Deep-Learning-Modell für Cloud-, Mobil- und IoT-Geräte bereit.

Format des Kurses

• Interaktiver Vortrag und Diskussion.
• Viele Übungen und Übungen.
• Praktische Implementierung in einer Live-Laborumgebung.

Anpassungsoptionen für den Kurs

• Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
• Um mehr über TensorFlow zu erfahren, besuchen Sie bitte: https://www.tensorflow.org/

TensorFlow.js ist ein JavaScript-Framework für das Maschinenlernen. TensorFlow.js ermöglicht es Benutzern, Maschinenlehrmodelle direkt in JavaScript zu erstellen und zu trainieren. Dieser Instructor-leitet, Live-Training (online oder on-site) richtet sich an Datenwissenschaftler, die TensorFlow.js verwenden möchten, um Muster zu identifizieren und Prognosen durch Maschinenlearning-Modelle zu erzeugen. Am Ende dieser Ausbildung können die Teilnehmer:

Bauen und trainieren Sie Maschinenlehrmodelle mit TensorFlow.js. Laden Sie Maschinenlernmodelle im Browser oder unter Node.js aus. Entfernen Sie bereits bestehende Machine Learning-Modelle mit benutzerdefinierten Daten.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

TensorFlow Serving ist ein System, mit dem Machine-Learning-Modelle (ML) in der Produktion eingesetzt werden können In diesem instruierten Live-Training lernen die Teilnehmer, wie sie TensorFlow Serving konfigurieren und einsetzen, um ML-Modelle in einer Produktionsumgebung bereitzustellen und zu verwalten Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren, exportieren und bedienen Sie verschiedene TensorFlow-Modelle Testen und implementieren Sie Algorithmen mithilfe einer einzigen Architektur und einer Reihe von APIs Erweitern Sie TensorFlow Serving, um andere Arten von Modellen als TensorFlow-Modelle zu bedienen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

TensorFlow 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

In 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

TensorFlow Extended (TFX) ist eine End-to-End-Plattform für die Verwendung von Produktions-ML-Pipelinen. Dieser Instructor-Leid, Live-Training (online oder on-site) richtet sich an Datenwissenschaftler, die von der Ausbildung eines einzelnen ML-Modells zu der Verwendung vieler ML-Modelle zur Produktion gehen möchten. Am Ende dieser Ausbildung können die Teilnehmer:

Installieren und konfigurieren Sie TFX und unterstützen Drittanbieter-Tools. Verwenden Sie TFX, um eine vollständige ML-Produktionsleitung zu erstellen und zu verwalten. Arbeiten Sie mit TFX-Komponenten, um Modellierung, Ausbildung, Inferenzdienstleistung und Verwalten von Entlastungen durchzuführen. Entwickeln Sie Machine Learning-Funktionen für Web-Anwendungen, mobile Anwendungen, IoT-Geräte und vieles mehr.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

Die Tensor Processing Unit (TPU) ist die Architektur, die Google seit einigen Jahren intern nutzt und nun für die breite Öffentlichkeit verfügbar ist Es enthält mehrere Optimierungen speziell für die Verwendung in neuronalen Netzen, einschließlich einer gestrafften Matrixmultiplikation und 8-Bit-Ganzzahlen anstelle von 16-Bit, um geeignete Genauigkeitsniveaus zu erhalten In diesem instruierten Live-Training lernen die Teilnehmer, wie sie die Vorteile von TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren Am Ende des Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie verschiedene Arten von neuronalen Netzwerken auf großen Datenmengen Verwenden Sie TPUs, um den Inferenzprozess um bis zu zwei Größenordnungen zu beschleunigen Verwenden Sie TPUs, um intensive Anwendungen wie Bildsuche, Cloud Vision und Fotos zu verarbeiten Publikum Entwickler Forscher Ingenieure Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

TensorFlow™ 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

Dieser Kurs beginnt mit dem Erlernen von konzeptionellen Kenntnissen in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus und Tiefenlernen (Algorithmen und Anwendungen). Teil 1 (40%) dieses Trainings konzentriert sich mehr auf Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras usw. In Teil 2 (20%) dieses Trainings wird Theano vorgestellt - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert. Part-3 (40%) die Ausbildung intensiv auf Basis von Tensorflow würde - 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Die Beispiele und Handys würden alle in TensorFlow . Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow Nach Abschluss dieses Kurses werden die Teilnehmer:

• ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN haben
• 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