Corso di formazione Deep Learning with TensorFlow 2.0

Questo è un corso di 4 giorni che introduce l'intelligenza artificiale e la sua applicazione. C'è la possibilità di avere un giorno in più per intraprendere un progetto di intelligenza artificiale al termine di questo corso. 

Al termine di questo training, i partecipanti saranno in grado di:

Questo corso interattivo (online o presenziale) a guida dell'insegnante è rivolto a professionisti avanzati che desiderano approfondire la conoscenza della visione artificiale e esplorare le capacità di TensorFlow per lo sviluppo di modelli di visione sofisticati utilizzando Google Colab.

• Costruire e addestrare reti neurali convolutive (CNN) utilizzando TensorFlow.
• Sfruttare Google Colab per lo sviluppo di modelli basati sul cloud in modo scalabile ed efficiente.
• Implementare tecniche di pre-elaborazione delle immagini per compiti di visione artificiale.
• Distribuire modelli di visione artificiale per applicazioni del mondo reale.
• Utilizzare l'apprendimento transfer per migliorare le prestazioni dei modelli CNN.
• Visualizzare e interpretare i risultati dei modelli di classificazione delle immagini.

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

Questo training guidato da un istruttore (online o sul posto) è rivolto a scienziati dei dati e sviluppatori di livello intermedio che desiderano comprendere ed applicare tecniche di deep learning utilizzando l'ambiente Google Colab.

• Configurare e navigare in Google Colab per progetti di deep learning.
• Comprendere i fondamenti dei reti neurali.
• Implementare modelli di deep learning utilizzando TensorFlow.
• Addestrare e valutare modelli di deep learning.
• Utilizzare funzionalità avanzate di TensorFlow per il deep learning.

In questo corso di formazione dal vivo con istruttore in Italia, i partecipanti impareranno a utilizzare Python librerie per la PNL mentre creano un'applicazione che elabora un set di immagini e genera didascalie. 

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

• Progettare e codificare DL per NLP utilizzando le librerie Python. 
• Creare Python codice che legga una raccolta sostanzialmente enorme di immagini e generi parole chiave.
• Creare Python Codice che generi didascalie dalle parole chiave rilevate.

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 ai data scientist che desiderano utilizzare TensorFlow per analizzare i dati sulle potenziali frodi.

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

• Creare un modello di rilevamento frodi in Python e TensorFlow.
• Costruire regressioni lineari e modelli di regressione lineare per prevedere le frodi.
• Sviluppare un'applicazione AI end-to-end per l'analisi dei dati sulle frodi.

In questo corso di formazione dal vivo con istruttore in Italia (online o in loco), i partecipanti impareranno come configurare e utilizzare TensorFlow Serving per distribuire e gestire i modelli di ML in un ambiente di produzione.

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

• Eseguire il training, l'esportazione e il servizio di vari modelli TensorFlow.
• Testare e distribuire algoritmi utilizzando un'unica architettura e insieme di API.
• Estendere TensorFlow Serving per servire altri tipi di modelli oltre ai modelli TensorFlow.

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

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist che desiderano passare dall'addestramento di un singolo modello di ML all'implementazione di molti modelli di ML in produzione.

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

• Installa e configura TFX e strumenti di terze parti di supporto.
• Usa TFX per creare e gestire una pipeline di produzione ML completa.
• Lavora con i componenti TFX per eseguire la modellazione, il training, l'inferenza e la gestione delle distribuzioni.
• Distribuisci funzionalità di machine learning ad applicazioni Web, applicazioni mobili, dispositivi IoT e altro ancora.

In questo corso di formazione dal vivo con istruttore in Italia, i partecipanti impareranno come sfruttare le innovazioni dei processori TPU per massimizzare le prestazioni delle proprie applicazioni di intelligenza artificiale.

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

• Addestra vari tipi di reti neurali su grandi quantità di dati.
• Usa le TPU per accelerare il processo di inferenza fino a due ordini di grandezza.
• Utilizza le TPU per elaborare applicazioni intensive come la ricerca di immagini, la visione cloud e le foto.

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

Questo corso inizia con la conoscenza concettuale delle reti neurali e generalmente dell'algoritmo di machine learning, deep learning (algoritmi e applicazioni).

La parte 1 (40%) di questa formazione è più focalizzata sui fondamenti, ma ti aiuterà a scegliere la giusta tecnologia: TensorFlow , Caffe , Theano, DeepDrive, Keras , ecc.

La parte 2 (20%) di questa formazione introduce Theano, una libreria Python che semplifica la scrittura di modelli di apprendimento profondo.

La parte 3 (40%) della formazione sarebbe ampiamente basata su Tensorflow - API di seconda generazione della libreria software open source di Go ogle per Deep Learning . Gli esempi e le istruzioni sarebbero state fatte in TensorFlow .

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:

• avere una buona conoscenza delle reti neurali profonde (DNN), CNN e RNN

• 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