Corso di formazione OpenNMT: Configurazione di un sistema di traduzione automatica neurale

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 una struttura di apprendimento profondo creata pensando a espressione, velocità e modularità.

Questo corso esplora l'applicazione di Caffe come framework di apprendimento profondo per il riconoscimento di immagini usando MNIST come esempio

Pubblico

Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare Caffe come framework.

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

• comprendere la struttura e i meccanismi di distribuzione di Caffe
• svolgere attività e configurazione di installazione / ambiente di produzione / architettura
• valutare la qualità del codice, eseguire il debug, il monitoraggio
• implementare la produzione avanzata come modelli di formazione, implementazione di livelli e registrazione

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

Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare gli strumenti disponibili (principalmente open source) per l'analisi delle immagini del computer

Questo corso fornisce esempi di lavoro.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello intermedio, data scientist e professionisti dell'intelligenza artificiale che desiderano sfruttare TensorFlow Lite per le applicazioni di intelligenza artificiale edge.

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

• Comprendere i fondamenti di TensorFlow Lite e il suo ruolo nell'Edge AI.
• Sviluppa e ottimizza i modelli di intelligenza artificiale utilizzando TensorFlow Lite.
• Distribuisci TensorFlow modelli Lite su vari dispositivi edge.
• Utilizza strumenti e tecniche per la conversione e l'ottimizzazione dei modelli.
• Implementa pratiche applicazioni 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.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli ingegneri che desiderano scrivere, caricare ed eseguire modelli di machine learning su dispositivi embedded di dimensioni molto ridotte.

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

• Installare TensorFlow Lite.
• Caricare modelli di machine learning su un dispositivo incorporato per consentirgli di rilevare il parlato, classificare le immagini e così via.
• Aggiungi l'intelligenza artificiale ai dispositivi hardware senza fare affidamento sulla connettività di rete.

TensorFlow è un'API di seconda generazione della libreria di software open source Go ogle per Deep Learning . Il sistema è progettato per facilitare la ricerca nell'apprendimento automatico e per rendere semplice e veloce il passaggio dal prototipo di ricerca al sistema di produzione.

Pubblico

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

Dopo aver completato questo corso, i delegati dovranno:

• comprendere la struttura e i meccanismi di implementazione di TensorFlow
• essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
• essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
• essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione

Questo corso esplora, con esempi specifici, l'applicazione del flusso tensoriale ai fini del riconoscimento delle immagini

Pubblico

Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow ai fini del riconoscimento delle immagini

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

• comprendere la struttura e i meccanismi di implementazione di TensorFlow
• svolgere attività e configurazione di installazione / ambiente di produzione / architettura
• valutare la qualità del codice, eseguire il debug, il monitoraggio
• implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione

TensorFlow™ è una biblioteca software open source per la calcolo numerico utilizzando grafici di flusso di dati.

SyntaxNet è un framework di elaborazione del linguaggio naturale per TensorFlow.

Word2Vec viene utilizzato per l'apprendimento delle rappresentazioni vectoriali delle parole, chiamate "word embeddings". Word2vec è un modello predittivo particolarmente computazionale-efficiente per l'apprendimento delle inserzioni di parole dal testo crudo. Viene in due sapori, il modello Continuous Bag-of-Words (CBOW) e il modello Skip-Gram (Capitolo 3.1 e 3.2 in Mikolov et al.)

Utilizzato in tandem, SyntaxNet e Word2Vec consentono agli utenti di generare modelli di insegnamento imparato dall'ingresso della lingua naturale.

Il pubblico

Questo corso è mirato agli sviluppatori e agli ingegneri che intendono lavorare con i modelli SyntaxNet e Word2Vec nei loro TensorFlow grafici.

Dopo aver completato questo corso, i delegati saranno:

• Comprendere TensorFlow’s struttura e meccanismi di implementazione
• essere in grado di svolgere attività di installazione / ambiente di produzione / architettura e configurazione
• essere in grado di valutare la qualità del codice, eseguire il debugging, monitorare
• essere in grado di implementare la produzione avanzata come modelli di formazione, termini di inserimento, grafici di costruzione e logging