Deep Learning for Medicine Schulung

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Computer-Vision-Forscher, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu erzeugen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Verstehen der Prinzipien von Stable Diffusion und wie es bei der Bilderzeugung funktioniert. Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben. Anwendung von Stable Diffusion auf verschiedene Szenarien der Bilderzeugung, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung. Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.

Dieses von einem Lehrer geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler mittlerer bis fortgeschrittener Ebene, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihr Wissen und ihre Fähigkeiten im Deep Learning erweitern möchten für die Text-zu-Bild-Generierung.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Verstehen Sie fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-zu-Bild-Generierung. Implementieren Sie komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese. Optimieren Sie Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle. Optimieren Sie Hyperparameter für eine bessere Modellleistung und Generalisierung. Integrieren Sie Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Biologen, die verstehen möchten, wie AlphaFold funktioniert, und die AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien verwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Verstehen Sie die Grundprinzipien von AlphaFold.
• Lernen Sie, wie AlphaFold funktioniert.
• Lernen, wie man die Vorhersagen und Ergebnisse von AlphaFold interpretiert.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite Deep-Learning-Modelle auf eingebetteten Geräten einsetzen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Tensorflow Lite auf einem eingebetteten Gerät installieren und konfigurieren.
• Verstehen der Konzepte und Komponenten, die TensorFlow Lite zugrunde liegen.
• Bestehende Modelle in das TensorFlow Lite-Format für die Ausführung auf eingebetteten Geräten konvertieren.
• Mit den Einschränkungen von kleinen Geräten und TensorFlow Lite arbeiten und gleichzeitig lernen, wie man den Umfang der ausführbaren Operationen erweitert.
• Einsatz eines Deep-Learning-Modells auf einem eingebetteten Gerät unter Linux.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite mobile Anwendungen mit Deep-Learning-Funktionen entwickeln möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren TensorFlow Lite.
• Verstehen der Prinzipien hinter TensorFlow, maschinellem Lernen und Deep Learning.
• TensorFlow-Modelle auf ein Android-Gerät laden.
• Tiefes Lernen und maschinelle Lernfunktionen wie Computer Vision und natürliche Spracherkennung in einer mobilen Anwendung aktivieren.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine-Learning-Modelle auf sehr kleinen eingebetteten Geräten schreiben, laden und ausführen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren TensorFlow Lite.
• Laden Sie Modelle für maschinelles Lernen auf ein eingebettetes Gerät, um es in die Lage zu versetzen, Sprache zu erkennen, Bilder zu klassifizieren usw.
• Hardwaregeräte mit KI ausstatten, ohne auf eine Netzwerkverbindung angewiesen zu sein.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite iOS-Mobilanwendungen mit Deep-Learning-Funktionen entwickeln möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren TensorFlow Lite.
• Die Prinzipien hinter TensorFlow und maschinellem Lernen auf mobilen Geräten verstehen.
• Laden von TensorFlow-Modellen auf ein iOS-Gerät.
• Eine iOS-Anwendung ausführen, die in der Lage ist, ein mit der Kamera des Geräts aufgenommenes Objekt zu erkennen und zu klassifizieren.

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Forscher und Entwickler, die mit Chainer neuronale Netze in Python aufbauen und trainieren wollen, wobei der Code leicht zu debuggen ist.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Einrichten der notwendigen Entwicklungsumgebung, um mit der Entwicklung von neuronalen Netzmodellen zu beginnen.
• Definieren und implementieren Sie neuronale Netzwerkmodelle mit Hilfe eines verständlichen Quellcodes.
• Beispiele ausführen und bestehende Algorithmen modifizieren, um Deep-Learning-Trainingsmodelle zu optimieren und dabei GPUs für hohe Leistung zu nutzen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler oder Datenwissenschaftler, die mit Horovod verteilte Deep-Learning-Trainings durchführen und für die parallele Ausführung auf mehreren GPUs skalieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Richten Sie die notwendige Entwicklungsumgebung ein, um Deep-Learning-Trainings durchzuführen.
• Installieren und konfigurieren Sie Horovod, um Modelle mit TensorFlow, Keras, PyTorch und Apache MXNet zu trainieren.
• Skalieren Sie das Deep Learning-Training mit Horovod, um es auf mehreren GPUs auszuführen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, die Echtzeitanwendungen für maschinelles Lernen beschleunigen und in großem Umfang einsetzen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren Sie das OpenVINO-Toolkit.
• Beschleunigen Sie eine Computer-Vision-Anwendung mit einem FPGA.
• Führen Sie verschiedene CNN-Schichten auf dem FPGA aus.
• Skalieren Sie die Anwendung über mehrere Knoten in einem Kubernetes-Cluster.

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, die mit Apache MXNet's ein Deep-Learning-Modell für die Bilderkennung erstellen und einsetzen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installation und Konfiguration von Apache MXNet und seinen Komponenten.
• MXNet's Architektur und Datenstrukturen verstehen.
• Die Low-Level- und High-Level-APIs von Apache MXNet's verwenden, um effizient neuronale Netze zu erstellen.
• Ein neuronales Faltungsnetzwerk für die Bildklassifizierung erstellen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Techniker, die Deep-Learning-Modelle auf Bilderkennungsanwendungen anwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren Keras.
• Schnell Prototypen von Deep Learning-Modellen erstellen.
• Implementieren Sie ein Faltungsnetzwerk.
• Implementieren Sie ein rekurrentes Netzwerk.
• Ein Deep-Learning-Modell sowohl auf einer CPU als auch auf einer GPU ausführen.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die ein selbstfahrendes Auto mit Hilfe von Deep-Learning-Techniken entwickeln möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Verwenden Sie Keras, um ein neuronales Faltungsnetzwerk zu erstellen und zu trainieren.
• In einem Projekt zum autonomen Fahren werden Computer-Vision-Techniken eingesetzt, um Fahrspuren zu identifizieren.
• Trainieren Sie ein Deep-Learning-Modell zur Unterscheidung von Verkehrszeichen.
• Simulieren Sie ein vollständig autonomes Auto.

Dieses von einem Trainer geleitete Live-Training (online oder vor Ort) richtet sich an Software-Ingenieure, die fortgeschrittene neuronale Netze und Modelle für Deep Learning mit Keras und Python entwickeln möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Anwendung von Deep Learning mit überwachten oder nicht überwachten Lernmethoden.
• Entwickeln, trainieren und implementieren Sie nebenläufige neuronale Netze und rekurrente neuronale Netze.
• Nutzen Sie Keras und Python, um Deep-Learning-Modelle zu erstellen, um Probleme mit Bildern, Text, Ton und mehr zu lösen.

Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others.

In this instructor-led, live training, we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned.

By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects.

Format of the Course

• Overview of Machine and Deep Learning
• In-class coding and integration exercises
• Test questions sprinkled along the way to check understanding