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. 

Questa formazione guidata dall'instruttore (online o in presenza) è rivolta a professionisti di livello avanzato che desiderano approfondire la propria comprensione della visione artificiale ed esplorare le capacità di TensorFlow per sviluppare modelli di visione sofisticati utilizzando Google Colab.

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

• Costruire e addestrare reti neurali convoluzionali (CNN) utilizzando TensorFlow.
• Sfruttare Google Colab per lo sviluppo di modelli cloud-based scalabili ed efficienti.
• Implementare tecniche di pre-elaborazione delle immagini per compiti di visione artificiale.
• Distribuire modelli di visione artificiale per applicazioni reali.
• Utilizzare il transfer learning per migliorare le prestazioni dei modelli CNN.
• Visualizzare e interpretare i risultati dei modelli di classificazione delle immagini.

Questo corso guidato dal formatore in Italia (online o sul posto) è rivolto a scienziati dei dati e sviluppatori di livello intermedio che desiderano comprendere e applicare tecniche di deep learning utilizzando l'ambiente Google Colab.

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

• Configurare e navigare in Google Colab per progetti di deep learning.
• Comprendere le basi delle reti neurali.
• Implementare modelli di deep learning utilizzando TensorFlow.
• Addestrare e valutare modelli di deep learning.
• Utilizzare funzionalità avanzate di TensorFlow per deep learning.

In questo corso guidato dal formatore, live in Italia, i partecipanti impareranno ad utilizzare le librerie Python per NLP mentre creano un'applicazione che elabora un set di immagini e genera didascalie.

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

• Progettare e codificare DL per NLP utilizzando le librerie Python.
• Creare codice Python che legge una vasta collezione di immagini e genera parole chiave.
• Creare codice Python che genera didascalie a partire dalle parole chiave rilevate.

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 corso di formazione guidato dal docente (online o in presenza) è rivolto a data scientists che desiderano utilizzare TensorFlow per analizzare dati potenzialmente fraudolenti.

Alla fine di questo training, 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 fraudolenti.

In questa formazione guidata dal docente in Italia (online o in presenza), i partecipanti impareranno come configurare e utilizzare TensorFlow Serving per distribuire e gestire i modelli ML in un ambiente di produzione.

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

• Allenare, esportare e distribuire vari modelli TensorFlow.
• Testare e distribuire algoritmi utilizzando una singola architettura e un set di API.
• Eseguire l'estensione di TensorFlow Serving per servire altri tipi di modelli oltre quelli di TensorFlow.

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

Questa formazione guidata da un istruttore (online o sul posto) è rivolta a data scientists che desiderano passare dal training di un singolo modello ML al deploy di molti modelli in produzione.

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

• Installare e configurare TFX e gli strumenti di terze parti supportati.
• Utilizzare TFX per creare e gestire una pipeline ML completa in produzione.
• Lavorare con i componenti di TFX per svolgere il modeling, il training, il serving delle inferenze e la gestione dei deploy.
• Deployare funzionalità di machine learning a web applications, mobile applications, dispositivi IoT e altro ancora.

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

Questo corso inizia fornendo una conoscenza concettuale delle reti neurali e, più in generale, degli algoritmi di apprendimento automatico, dell'apprendimento profondo (algoritmi e applicazioni).

La Parte 1 (40%) di questo training si concentra sui fondamenti, ma aiuterà a scegliere la tecnologia giusta: TensorFlow, Caffe, Theano, DeepDrive, Keras, ecc.

La Parte 2 (20%) di questo training introduce Theano - una libreria Python che facilita la scrittura di modelli di apprendimento profondo.

La Parte 3 (40%) del training si baserà ampiamente sull'API di Google's open source software library per l'apprendimento profondo, TensorFlow. Gli esempi e le sessioni pratiche saranno tutti realizzati in TensorFlow.

Pubblico Obiettivo

Questo corso è destinato a ingegneri che desiderano utilizzare TensorFlow per i loro progetti di apprendimento profondo.

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

• avere una buona comprensione delle reti neurali profonde (DNN), CNN e RNN
• comprendere la struttura e i meccanismi di distribuzione di TensorFlow
• essere in grado di eseguire compiti relativi all'installazione, all'ambiente di produzione, alla configurazione dell'architettura
• essere in grado di valutare la qualità del codice, eseguire il debug e il monitoraggio
• essere in grado di implementare produzioni avanzate come l'addestramento dei modelli, la costruzione di grafi e il logging