Corso di formazione TensorFlow for Image Recognition

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

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

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.

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.

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.

Embedding Projector è un'applicazione web opensource per la visualizzazione dei dati utilizzati per addestrare i sistemi di machine learning Creato da Google, fa parte di TensorFlow Questo corso di formazione dal vivo con istruttore introduce i concetti alla base di Embedding Projector e accompagna i partecipanti attraverso la configurazione di un progetto dimostrativo Alla fine di questa formazione, i partecipanti saranno in grado di: Scopri come i dati vengono interpretati dai modelli di apprendimento automatico Navigare attraverso le viste 3D e 2D dei dati per comprendere come un algoritmo di apprendimento automatico lo interpreti Comprendere i concetti dietro Embeddings e il loro ruolo nella rappresentazione di vettori matematici per immagini, parole e numeri Esplora le proprietà di un incorporamento specifico per comprendere il comportamento di un modello Applicare Embedding Project ai casi d'uso del mondo reale come costruire un sistema di raccomandazione di canzoni per gli amanti della musica Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .

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:

• Addestra, esporta e servi vari modelli TensorFlow.
• Testare e distribuire algoritmi utilizzando un'unica architettura e un unico set di API.
• Estendere TensorFlow Serving per servire altri tipi di modelli oltre ai modelli TensorFlow.

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

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.

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

Questa formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a sviluppatori e data scientist che desiderano utilizzare Tensorflow 2.x per creare predittori, classificatori, modelli generativi, reti neurali e così via.

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

• Installare e configurare TensorFlow 2.x.
• Comprendere i vantaggi di TensorFlow 2.x rispetto alle versioni precedenti.
• Crea modelli di deep learning.
• Implementare un classificatore di immagini avanzato.
• Distribuisci un modello di deep learning su cloud, dispositivi mobili e IoT.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist che desiderano utilizzare TensorFlow.js per identificare modelli e generare previsioni attraverso modelli di apprendimento automatico.

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

• Crea e addestra modelli di machine learning con TensorFlow.js.
• Eseguire modelli di Machine Learning esistenti nel browser o in Node.js.
• Ripetere il training dell'apprendimento automatico preesistente usando dati personalizzati.

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 delle frodi in Python e TensorFlow.
• Crea regressioni lineari e modelli di regressione lineare per prevedere le frodi.
• Sviluppa un'applicazione di intelligenza artificiale end-to-end per l'analisi dei dati sulle frodi.

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.

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto agli ingegneri che desiderano distribuire carichi di lavoro di Machine Learning in un OpenShift cloud on-premise o ibrido.

• Al termine di questa formazione, i partecipanti saranno in grado di:
• Installa e configura Kubernetes e Kubeflow in un cluster OpenShift.
• Utilizza OpenShift per semplificare il lavoro di inizializzazione di un cluster Kubernetes.
• Crea e distribuisci una pipeline Kubernetes per l'automazione e la gestione dei modelli di ML in produzione.
• Addestra e distribuisci TensorFlow modelli ML su più GPU e computer in esecuzione in parallelo.
Chiama i servizi
• di cloud pubblico (ad esempio, i servizi AWS) dall'interno di OpenShift per estendere un'applicazione ML