Deep Learning Formazione in Torino

Questo addestramento interattivo guidato dall'insegnante in Torino (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.

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 Torino (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.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto a professionisti di livello avanzato che desiderano specializzarsi in tecniche di deep learning all'avanguardia per NLU.

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

• Comprendi le principali differenze tra i modelli NLU e NLP.
• Applica tecniche avanzate di deep learning alle attività NLU.
• Esplora architetture profonde come trasformatori e meccanismi di attenzione.
• Sfrutta le tendenze future dell'NLU per creare sofisticati sistemi di intelligenza artificiale.

Questo corso di formazione dal vivo con istruttore in Torino (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 interattivo, tenuto dal formatore in Torino (online o presenza), è rivolto a professionisti di livello avanzato che desiderano sfruttare le tecniche di intelligenza artificiale per rivoluzionare i processi di scoperta e sviluppo dei farmaci.

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

• Comprendere il ruolo dell'intelligenza artificiale nella scoperta e nel sviluppo dei farmaci.
• Applicare tecniche di apprendimento automatico per predire le proprietà molecolari ed interazioni.
• Utilizzare modelli di deep learning per lo screening virtuale e l'ottimizzazione dei lead.
• Integrare approcci guidati dall'intelligenza artificiale nel processo dei trials clinici.

Questo corso di formazione dal vivo con istruttore in Torino (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.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto a data scientist e ingegneri di machine learning di livello principiante e intermedio che desiderano migliorare le prestazioni dei loro modelli di deep learning.

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

• Comprendi i principi del deep learning distribuito.
• Installa e configura DeepSpeed.
• Ridimensiona i modelli di deep learning su hardware distribuito utilizzando DeepSpeed.
• Implementa e sperimenta le funzionalità di DeepSpeed per l'ottimizzazione e l'efficienza della memoria.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto a sviluppatori di livello principiante e intermedio che desiderano utilizzare modelli linguistici di grandi dimensioni per varie attività in linguaggio naturale.

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

• Configura un ambiente di sviluppo che includa un LLM popolare.
• Crea un LLM di base e ottimizzalo su un set di dati personalizzato.
• Utilizza gli LLM per diverse attività in linguaggio naturale come il riassunto del testo, la risposta alle domande, la generazione di testo e altro ancora.
• Esegui il debug e valuta gli LLM utilizzando strumenti come TensorBoard, PyTorch Lightning e Hugging Face Datasets.

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.

In questa formazione guidata dal docente, in Torino, i partecipanti impareranno le tecniche di machine learning più rilevanti e avanzate in Python mentre costruiscono una serie di applicazioni dimostrative che coinvolgono immagini, musica, testi e dati finanziari.

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

• Implementare algoritmi e tecniche di machine learning per risolvere problemi complessi.
• Applicare deep learning e semi-supervised learning a applicazioni che coinvolgono immagini, musica, testi e dati finanziari.
• Sfruttare al massimo le potenzialità degli algoritmi Python.
• Utilizzare librerie e pacchetti come NumPy e Theano.

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

Il Deep Reinforcement Learning (DRL) combina i principi del reinforcement learning con le architetture del deep learning per consentire agli agenti di prendere decisioni attraverso l'interazione con i loro ambienti. Sostiene molte delle attuali innovazioni dell'IA, come veicoli autonomi, controllo robotico, trading algoritmico e sistemi di raccomandazione adattivi. Il DRL consente a un agente artificiale di apprendere strategie, ottimizzare politiche e prendere decisioni autonome basate su tentativi ed errori utilizzando l'apprendimento basato sulle ricompense.

Questa formazione guidata dal docente (online o in sede) è rivolta a sviluppatori e data scientists di livello intermedio che desiderano imparare e applicare tecniche di Deep Reinforcement Learning per creare agenti intelligenti capaci di prendere decisioni autonome in ambienti complessi.

Alla fine di questa formazione, i partecipanti saranno in grado di:

• Comprendere le fondamenta teoriche e i principi matematici del Reinforcement Learning.
• Implementare algoritmi chiave di RL, inclusi Q-Learning, Policy Gradients e metodi Actor-Critic.
• Costruire e addestrare agenti di Deep Reinforcement Learning utilizzando TensorFlow o PyTorch.
• Applicare DRL a applicazioni reali come giochi, robotica e ottimizzazione decisionale.
• Risolvere problemi, visualizzare e ottimizzare le prestazioni di addestramento utilizzando strumenti moderni.

Formato del Corso

• Lezione interattiva e discussione guidata.
• Esercizi pratici e implementazioni pratiche.
• Dimostrazioni di codifica live e applicazioni basate su progetti.

Opzioni di Personalizzazione del Corso

• Per richiedere una versione personalizzata di questo corso (ad esempio, utilizzando PyTorch invece di TensorFlow), contattateci per organizzare.

In questo corso di formazione dal vivo con istruttore in Torino, i partecipanti impareranno come implementare modelli di deep learning per le telecomunicazioni utilizzando Python mentre passano attraverso la creazione di un modello di rischio di credito di deep learning.

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

• Comprendere i concetti fondamentali del deep learning.
• Scopri le applicazioni e gli usi del deep learning nelle telecomunicazioni.
• Utilizza Python, Keras e TensorFlow per creare modelli di deep learning per le telecomunicazioni.
• Costruisci il proprio modello di previsione dell'abbandono dei clienti con deep learning utilizzando Python.

Questo corso è stato creato per manager, architetti di soluzioni, responsabili dell'innovazione, CTO, architetti software e chiunque sia interessato a una panoramica dell'intelligenza artificiale applicata e alle previsioni più vicine per il suo sviluppo.

Questo corso copre l'AI (emphasizing Machine Learning e Deep Learning) in Automotive Industria. Aiuta a determinare quale tecnologia può essere (potenzialmente) utilizzata in molte situazioni in un'auto: dalla semplice automazione, dalla riconoscimento dell'immagine alla decisione autonoma.

Questo corso tenuto da un istruttore in diretta (online o sul posto) è rivolto a partecipanti di livello principiante che desiderano imparare concetti essenziali di probabilità, statistica, programmazione e machine learning e applicarli allo sviluppo dell'Intelligenza Artificiale.

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

• Capire i concetti base di probabilità e statistica ed applicarli a scenari reali.
• Scrivere e comprendere codice di programmazione procedurale, funzionale e orientato agli oggetti.
• Mettere in pratica tecniche di machine learning come la classificazione, il clustering e i neuroni artificiali.
• Sviluppare soluzioni AI utilizzando motori di regole e sistemi esperti per la risoluzione dei problemi.

La Rete Neurale Artificiale è un modello di dati computazionale utilizzato nello sviluppo di sistemi in grado di eseguire compiti "intelligenti". Neural Networks sono comunemente utilizzati nelle applicazioni Machine Learning (ML), che sono a loro volta un'implementazione dell'IA. Deep Learning è un sottoinsieme di ML.

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 dal docente in Torino (online o presenza) si rivolge a scienziati dei dati e statistici di livello intermedio che desiderano preparare i dati, creare modelli e applicare efficacemente tecniche di apprendimento automatico nei loro domini professionali.

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

• Capire e implementare vari algoritmi Machine Learning.
• Preparare dati e modelli per applicazioni di apprendimento automatico.
• Eseguire analisi post hoc e visualizzare i risultati efficacemente.
• Applicare tecniche di apprendimento automatico a scenari reali, specifici dei settori.

Rete Neurale Artificiale è un modello computazionale di dati utilizzato nello sviluppo di sistemi di Intelligenza Artificiale (IA) capaci di eseguire compiti "intelligenti". Le reti neurali vengono comunemente utilizzate nelle applicazioni di Apprendimento automatico (ML), che rappresentano a loro volta una delle implementazioni dell'IA. L'apprendimento profondo è un sottoinsieme del ML.

Caffe è un framework di deep learning concepito con espressività, velocità e modularità come principi fondamentali.

Questo corso esplora l'applicazione di Caffe come framework di deep learning per il riconoscimento delle immagini utilizzando MNIST come esempio.

Pubblico di Riferimento

Questo corso è adatto a ricercatori e ingegneri del deep learning interessati all'uso 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
• svolgere compiti di installazione, configurazione dell'ambiente di produzione e architettura
• valutare la qualità del codice, eseguire il debug e la monitorizzazione
• implementare funzionalità avanzate come l'addestramento dei modelli, l'implementazione di layer e la registrazione

Questo corso di formazione dal vivo con istruttore in Torino (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.

Questa formazione interattiva guidata dal formatore (online o in sede) fornisce una introduzione al campo della riconoscimento dei modelli e dell'apprendimento automatico. Si sofferma su applicazioni pratiche in statistica, informatica, elaborazione del segnale, visione artificiale, data mining e bioinformatica.

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

• Applicare metodi statistici fondamentali al riconoscimento dei modelli.
• Utilizzare modelli chiave come reti neurali e metodi kernel per l'analisi dei dati.
• Mettere in pratica tecniche avanzate per la risoluzione di problemi complessi.
• Migliorare l'accuratezza delle previsioni combinando diversi modelli.

Questo corso è una panoramica generale per Deep Learning senza approfondire troppo i metodi specifici. È adatto a chi vuole iniziare a utilizzare il Deep Learning per migliorare l'accuratezza delle previsioni.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto a ricercatori e sviluppatori che desiderano installare, configurare, personalizzare e utilizzare la piattaforma DeepMind Lab per sviluppare sistemi generali di intelligenza artificiale e apprendimento automatico.

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

• Personalizza DeepMind Lab per creare ed eseguire un ambiente adatto alle esigenze di apprendimento e formazione.
• Utilizza l'ambiente di simulazione 3D di DeepMind Lab per addestrare gli agenti di apprendimento in un punto di vista in prima persona.
• Facilita la valutazione degli agenti per sviluppare l'intelligenza in un mondo simile a un gioco 3D.

L'apprendimento automatico è una branca dell'intelligenza artificiale in cui i computer hanno la capacità di apprendere senza essere esplicitamente programmati. Il deep learning è un sottocampo dell'apprendimento automatico che utilizza metodi basati sull'apprendimento, rappresentazioni di dati e strutture come le reti neurali.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto ad analisti aziendali, data scientist e sviluppatori che desiderano creare e implementare modelli di deep learning per accelerare la crescita dei ricavi e risolvere i problemi nel mondo degli affari.

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

• Comprendi i concetti fondamentali del machine learning e del deep learning.
• Ottieni informazioni dettagliate sul futuro del business e dell'industria con ML e DL.
• Definisci strategie e soluzioni aziendali con il deep learning.
• Scopri come applicare la scienza dei dati e il deep learning per risolvere i problemi aziendali.
• Crea modelli di deep learning utilizzando Python, Pandas, TensorFlow, CNTK, Torch, Keras, ecc.

L'apprendimento automatico è una branca dell'intelligenza artificiale in cui i computer hanno la capacità di apprendere senza essere esplicitamente programmati. Il deep learning è un sottocampo dell'apprendimento automatico che utilizza metodi basati sull'apprendimento, rappresentazioni di dati e strutture come le reti neurali. Python è un linguaggio di programmazione di alto livello famoso per la sua sintassi chiara e la leggibilità del codice.

In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come implementare modelli di deep learning per il settore bancario utilizzando Python mentre passano attraverso la creazione di un modello di rischio di credito di deep learning.

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

• Comprendere i concetti fondamentali del deep learning
• Scopri le applicazioni e gli usi del deep learning nel settore bancario
• Utilizza Python, Keras e TensorFlow per creare modelli di deep learning per il settore bancario
• Costruire il proprio modello di rischio di credito di deep learning utilizzando Python

Pubblico

• Gli sviluppatori
• Scienziati dei dati

Formato del corso

• In parte lezione, in parte discussione, esercizi e pratica pratica pesante

In questo corso guidato dal formatore, live in Torino, 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 dal vivo con istruttore in Torino (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 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.

Questo corso di formazione dal vivo con istruttore in Torino (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 Torino (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.

In questa formazione guidata dal docente, i partecipanti impareranno come utilizzare Matlab per progettare, costruire e visualizzare una rete neurale convoluzionale per il riconoscimento di immagini.

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

• Costruire un modello di deep learning
• Automatizzare l'etichettatura dei dati
• Lavorare con modelli di Caffe e TensorFlow-Keras
• Allenare i dati utilizzando più GPU, il cloud o cluster

Pubblico target

• Sviluppatori
• Ingegneri
• Esperti del settore

Formato del corso

• Parte lezione, parte discussione, esercizi e pratica intensiva

Questo corso guidato dal docente e live (online o in loco) è rivolto a professionisti di livello principiante-intermedio che desiderano approfondire la propria comprensione degli algoritmi di machine learning, delle tecniche di deep learning e della decisione guidata dall'AI. Il corso offre un'esperienza pratica con i concetti di machine learning, i modelli di deep learning e le implementazioni pratiche utilizzando R.

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

• Comprendere i fondamenti del machine learning e del deep learning.
• Applicare vari algoritmi di machine learning per la regressione, classificazione, clustering e rilevamento delle anomalie.
• Utilizzare architetture di deep learning come reti neurali artificiali (ANNs).
• Implementare modelli di apprendimento supervisionato e non supervisionato.
• Valutare le prestazioni del modello e ottimizzare i hyperparametri.
• Utilizzare R per l'analisi dei dati, la visualizzazione e le applicazioni di machine learning.

Il training è rivolto a persone interessate ad apprendere i concetti di base sulle reti neurali e le loro applicazioni.

Questa sessione di formazione in aula conterrà presentazioni ed esempi basati su computer ed esercizi di casi di studio da intraprendere con le librerie di reti neurali e profonde pertinenti

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto agli ingegneri del software che desiderano programmare in Python con OpenCV 4 per il deep learning.

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

• Visualizzare, caricare e classificare immagini e video utilizzando OpenCV 4.
• Implementa il deep learning in OpenCV, 4 con TensorFlow e Keras.
• Esegui modelli di deep learning e genera report di grande impatto da immagini e video.

In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno tecniche avanzate per Machine Learning con R durante la creazione di un'applicazione reale.

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

• Comprendere e implementare tecniche di apprendimento non supervisionato
• Applica il clustering e la classificazione per fare previsioni basate su dati reali.
• Visualizza i dati per ottenere rapidamente informazioni, prendere decisioni e perfezionare ulteriormente l'analisi.
• Migliorare le prestazioni di un modello di Machine Learning usando l'ottimizzazione degli iperparametri.
• Mettere in produzione un modello per utilizzarlo in un'applicazione più ampia.
• Applica tecniche avanzate di machine learning per rispondere a domande che coinvolgono i dati dei social network, i big data e altro ancora.

Questo corso è una introduzione all'utilizzo delle reti neurali per risolvere problemi reali utilizzando il software R-project.

Questo training guidato dal formatore in Torino (online o in loco) è rivolto a sviluppatori e data scientists che desiderano utilizzare TensorFlow 2.x per creare predittori, classificatori, modelli generativi, reti neurali e altro ancora.

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

• Installare e configurare TensorFlow 2.x.
• Comprendere i vantaggi di TensorFlow 2.x rispetto alle versioni precedenti.
• Creare modelli di deep learning.
• Implementare un classificatore avanzato per immagini.
• Distribuire un modello di deep learning nel cloud, sui dispositivi mobili e IoT.

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.

In questa formazione guidata dal docente in Torino (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