Corso di formazione Matlab per Deep Learning

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist di livello intermedio e avanzato, ingegneri di machine learning, ricercatori di deep learning ed esperti di visione artificiale che desiderano ampliare le proprie conoscenze e competenze nell'apprendimento profondo per la generazione di testo in immagine.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Comprendi le architetture e le tecniche avanzate di deep learning per la generazione di testo in immagine.
• Implementa modelli complessi e ottimizzazioni per la sintesi di immagini di alta qualità.
• Ottimizza le prestazioni e la scalabilità per set di dati di grandi dimensioni e modelli complessi.
• Ottimizza gli iperparametri per migliorare le prestazioni e la generalizzazione del modello.
• Integrare Stable Diffusion con altri framework e strumenti di deep learning

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai biologi che desiderano capire come funziona AlphaFold e utilizzare i modelli AlphaFold come guide nei loro studi sperimentali.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Comprendere i principi di base di AlphaFold.
• Scopri come funziona AlphaFold.
• Scopri come interpretare AlphaFold le previsioni e i risultati.

Caffe è un framework di deep learning progettato con espressività, velocità e modularità in mente.

Questo corso esplora l'applicazione di Caffe come framework di Deep Learning per il riconoscimento delle immagini utilizzando MNIST come esempio

Pubblico

Questo corso è adatto a ricercatori e ingegneri di Deep Learning interessati all'utilizzo di Caffe come framework.

Dopo aver completato questo corso, i partecipanti saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di Caffe
• eseguire attività di installazione / ambiente di produzione / architettura e configurazione
• valutare la qualità del codice, eseguire il debug e il monitoraggio
• implementare produzioni avanzate come addestramento dei modelli, implementazione delle layer e logging

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a ricercatori e sviluppatori che desiderano utilizzare Chainer per costruire e addestrare reti neurali in Python rendendo il codice facile da debuggare.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Configura l'ambiente di sviluppo necessario per iniziare a sviluppare modelli di reti neurali.
• Definisci e implementa modelli di reti neurali utilizzando un codice sorgente comprensibile.
• Esegui esempi e modifica gli algoritmi esistenti per ottimizzare i modelli di addestramento del deep learning sfruttando GPU per ottenere prestazioni elevate.

Computer Network ToolKit (CNTK) è il framework di apprendimento automatico per l'addestramento RNN Open Source, Multi-machine, Multi-GPU di Microsoft per l'addestramento di voce, testo e immagini.

Pubblico

Questo corso è rivolto a ingegneri e architetti che mirano a utilizzare CNTK nei loro progetti.

Pubblico di riferimento

Questo corso è adatto a ricercatori e ingegneri di Deep Learning interessati all'utilizzo di strumenti disponibili (in gran parte open source) per l'analisi delle immagini dei computer.

Il corso fornisce esempi pratici.

Questo addestramento interattivo guidato dall'insegnante in Italia (online o sul posto) si rivolge ai sviluppatori di livello intermedio, ai data scientist e agli esperti di IA che desiderano sfruttare TensorFlow Lite per applicazioni Edge AI.

Al termine del corso, i partecipanti saranno in grado di:

• Comprendere le basi di TensorFlow Lite e il suo ruolo nell'Edge AI.
• Sviluppare ed ottimizzare modelli AI utilizzando TensorFlow Lite.
• Distribuire modelli TensorFlow Lite su diversi dispositivi Edge.
• Utilizzare strumenti e tecniche per la conversione e l'ottimizzazione dei modelli.
• Implementare applicazioni pratiche di Edge AI utilizzando TensorFlow Lite.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist che desiderano accelerare le applicazioni di machine learning in tempo reale e implementarle su larga scala.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Installare il toolkit OpenVINO.
• Accelera un'applicazione di visione artificiale utilizzando un FPGA.
• Esegui diversi livelli CNN sull'FPGA.
• Ridimensionare l'applicazione su più nodi in un cluster Kubernetes.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori o data scientist che desiderano utilizzare Horovod per eseguire corsi di formazione distribuiti di deep learning e scalarli per l'esecuzione su più GPU in parallelo.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Configura l'ambiente di sviluppo necessario per iniziare a eseguire corsi di formazione sul deep learning.
• Installare e configurare Horovod per addestrare i modelli con TensorFlow, Keras, PyTorch e Apache MXNet.
• Scala l'addestramento di deep learning con Horovod per l'esecuzione su più GPU.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a persone tecniche che desiderano applicare il modello di deep learning alle applicazioni di riconoscimento delle immagini.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Installare e configurare Keras.
• Prototipa rapidamente i modelli di deep learning.
• Implementare una rete convoluzionale.
• Implementare una rete ricorrente.
• Esegui un modello di deep learning sia su una CPU che su GPU.

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto a data scientist, ingegneri di machine learning e ricercatori di visione artificiale che desiderano sfruttare Stable Diffusion per generare immagini di alta qualità per una varietà di casi d'uso.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Comprendi i principi di Stable Diffusion e come funziona per la generazione di immagini.
• Compilare e addestrare Stable Diffusion modelli per le attività di generazione di immagini.
• Applicare Stable Diffusion a vari scenari di generazione di immagini, ad esempio inpainting, outpainting e conversione da immagine a immagine.
• Ottimizza le prestazioni e la stabilità dei modelli Stable Diffusion.

Questa formazione guidata da un istruttore (online o in sede) è rivolta agli ingegneri che desiderano scrivere, caricare ed eseguire modelli di machine learning su piccoli dispositivi embedded.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Installare TensorFlow Lite.
• Caricare modelli di machine learning su un dispositivo embedded per consentirgli di riconoscere la voce, classificare immagini, ecc.
• Aggiungere AI a dispositivi hardware senza dipendere dalla connettività di rete.

TensorFlow è l'API di seconda generazione della libreria software open source di Google per il Deep Learning. Il sistema è progettato per facilitare la ricerca in intelligenza artificiale e rendere rapido ed easy il passaggio da prototipo sperimentale a sistema di produzione.

Pubblico

Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i propri progetti di Deep Learning

Dopo aver completato questo corso, i partecipanti saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di TensorFlow
• svolgere attività di installazione, configurazione dell'ambiente di produzione e architettura
• valutare la qualità del codice, eseguire il debug e il monitoring
• implementare funzionalità avanzate come l'addestramento dei modelli, la costruzione di grafi e la registrazione

Questo corso esplora, con esempi specifici, l'applicazione di TensorFlow allo scopo del riconoscimento delle immagini

Pubblico di riferimento

Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per lo scopo del Riconoscimento delle Immagini

Dopo aver completato questo corso, i partecipanti saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di TensorFlow
• svolgere compiti di installazione / ambiente di produzione / architettura e configurazione
• valutare la qualità del codice, eseguire il debug e il monitoraggio
• implementare procedure avanzate come l'addestramento dei modelli, la creazione di grafi e il logging

TensorFlow™ è una libreria software open source per il calcolo numerico utilizzando grafi di flusso di dati.

SyntaxNet è un framework di Elaborazione del Linguaggio Naturale basato su reti neurali per TensorFlow.

Word2Vec viene utilizzato per apprendere rappresentazioni vettoriali delle parole, chiamate "embeddings". Word2Vec è un modello predittivo computazionalmente efficiente per l'apprendimento di embeddings da testo grezzo. Esistono due varianti: il modello Continuous Bag-of-Words (CBOW) e il modello Skip-Gram (Capitolo 3.1 e 3.2 in Mikolov et al.).

Utilizzati insieme, SyntaxNet e Word2Vec permettono agli utenti di generare modelli di Embedding appresi a partire da input di Linguaggio Naturale.

Pubblico di destinazione

Questo corso è rivolto a sviluppatori e ingegneri che intendono lavorare con i modelli SyntaxNet e Word2Vec nelle proprie grafi TensorFlow.

Dopo aver completato questo corso, i partecipanti saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di TensorFlow
• essere in grado di eseguire attività di installazione, configurazione dell'ambiente di produzione e architettura
• essere in grado di valutare la qualità del codice, eseguire il debug e il monitoraggio
• essere in grado di implementare avanzamenti nella produzione come l'addestramento dei modelli, l'inserimento di termini, la costruzione di grafi e il logging