Erweiterte maschinelles Lernen mit Python Schulung

Diese von einem Dozenten geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-zu-Bild-Erzeugung erweitern möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-Bild-Erzeugung zu verstehen.
• Komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese zu implementieren.
• Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle zu optimieren.
• Abstimmung von Hyperparametern für bessere Modellleistung und Generalisierung.
• Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools

Diese von einem Ausbilder geleitete Live-Schulung in Deutschland (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:

• Die Grundprinzipien von AlphaFold verstehen.
• Lernen, wie AlphaFold funktioniert.
• lernen, wie sie AlphaFold-Vorhersagen und -Ergebnisse interpretieren können.

Caffe ist ein Deep-Learning-Framework, das auf Ausdrucksstärke, Geschwindigkeit und Modularität ausgelegt ist.

Dieser Kurs erforscht die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung unter Verwendung von MNIST als Beispiel.

Zielgruppe

Dieser Kurs richtet sich an Deep-Learning-Forscher und -Ingenieure, die daran interessiert sind, Caffe als Framework zu nutzen.

Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein:

• die Struktur und Bereitstellungsmechanismen von Caffe zu verstehen
• Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchzuführen
• Kodierungskualität zu bewerten, Debugging und Monitoring durchzuführen
• fortgeschrittene Produktionsschritte wie das Training von Modellen, die Implementierung von Schichten und Logging umzusetzen

Diese von einem Dozenten geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Forscher und Entwickler, die mit Chainer neuronale Netze in Python aufbauen und trainieren wollen und dabei den Code leicht debuggen können.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• die notwendige Entwicklungsumgebung einzurichten, um mit der Entwicklung neuronaler Netzmodelle zu beginnen.
• Neuronale Netzmodelle unter Verwendung eines verständlichen Quellcodes zu definieren und zu implementieren.
• Beispiele auszuführen und bestehende Algorithmen zu modifizieren, um Deep-Learning-Trainingsmodelle zu optimieren und dabei GPUs für hohe Leistung zu nutzen.

Computer Network ToolKit (CNTK) ist Microsoft's Open Source, Multi-machine, Multi-GPU, Highly efficent RNN training machine learning framework for speech, text, and images.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure und Architekten, die CNTK in ihren Projekten einsetzen wollen.

Zielgruppe

Dieses Kurs ist für Deep Learning-Forscher und -Ingenieure geeignet, die daran interessiert sind, verfügbare Tools (in der Regel Open-Source) zur Analyse von Computerbildern zu nutzen.

Der Kurs bietet praktische Beispiele.

Diese von einem Trainer durchgeführte Live-Ausbildung in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Datenwissenschaftler und AI-Praktiker, die TensorFlow Lite für Edge AI-Anwendungen nutzen möchten.

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

• Grundlagen von TensorFlow Lite und dessen Rolle im Edge AI zu verstehen.
• AI-Modelle mit TensorFlow Lite entwickeln und optimieren.
• TensorFlow Lite-Modelle auf verschiedenen Edge-Geräten bereitstellen.
• Werkzeuge und Techniken für Modellumwandlung und -optimierung einsetzen.
• Praktische Edge AI-Anwendungen mit TensorFlow Lite implementieren.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (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:

• Das Toolkit OpenVINO zu installieren.
• Eine Computer-Vision-Anwendung mit einem FPGA zu beschleunigen.
• Verschiedene CNN-Schichten auf dem FPGA auszuführen.
• die Anwendung über mehrere Knoten in einem Kubernetes-Cluster zu skalieren.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler oder Datenwissenschaftler, die Horovod verwenden möchten, um verteilte Deep-Learning-Trainings durchzuführen und sie so zu skalieren, dass sie über mehrere GPUs parallel laufen.

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

• die notwendige Entwicklungsumgebung einzurichten, um Deep-Learning-Trainings auszuführen.
• Horovod zu installieren und zu konfigurieren, um Modelle mit TensorFlow, Keras, PyTorch und Apache MXNet zu trainieren.
• Deep-Learning-Training mit Horovod zu skalieren, um es auf mehreren GPUs laufen zu lassen.

Diese von einem Ausbilder geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an technische Personen, 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 zu erstellen.
• Ein Faltungsnetzwerk zu implementieren.
• Ein rekurrentes Netzwerk zu implementieren.
• Ein Deep-Learning-Modell sowohl auf einer CPU als auch auf GPU auszuführen.

Diese von einem Dozenten geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Forscher im Bereich Computer Vision, 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:

• Die Prinzipien von Stable Diffusion und seine Funktionsweise für die Bilderzeugung zu verstehen.
• Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben.
• Anwendung von Stable Diffusion auf verschiedene Bilderzeugungsszenarien, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
• Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.

Dieses vom Trainer geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die lernen möchten, wie sie Maschinenlearning-Modelle auf sehr kleinen eingebetteten Geräten schreiben, laden und ausführen können.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• TensorFlow Lite zu installieren.
• Maschinenlearning-Modelle auf einem eingebetteten Gerät zu laden, um es zum Beispiel zur Erkennung von Sprache oder zur Klassifizierung von Bildern zu verwenden.
• Künstliche Intelligenz (AI) in Hardwaregeräte zu integrieren, ohne auf Netzwerkverbindungen angewiesen zu sein.

TensorFlow ist die 2. Generation-API von Googles Open-Source-Softwarebibliothek für Deep Learning. Das System ist darauf ausgelegt, Maschinelles Lernen zu fördern und den Übergang von Prototypen zur Produktion möglichst einfach zu gestalten.

Zielgruppe

Dieses Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep-Learning-Projekte verwenden möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein:

• TensorFlows Struktur und Bereitstellungsmechanismen zu verstehen
• Installation, Produktionsumgebung, Architekturaufgaben und Konfiguration durchzuführen
• Codequalität zu bewerten, Debugging und Monitoring durchzuführen
• Fortgeschrittene Produktionsschritte wie das Training von Modellen, das Erstellen von Graphen und das Logging umzusetzen

Dieses Kurs untersucht anhand konkreter Beispiele die Anwendung von TensorFlow für Zwecke der Bilderkennung

Zielgruppe

Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen möchten.

Nach dem Abschluss dieses Kurses werden die Teilnehmer in der Lage sein:

• TensorFlows Struktur und Bereitstellungsmechanismen zu verstehen
• Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchzuführen
• Kodierqualität zu bewerten, Debugging und Monitoring durchzuführen
• Fortschrittliche Produktionsaufgaben wie das Training von Modellen, die Erstellung von Graphen und das Logging umzusetzen

TensorFlow™ ist eine Open-Source-Softwarebibliothek für numerische Berechnungen unter Verwendung von Datenflussgraphen.

SyntaxNet ist ein neuronales Framework für die natürliche Sprachverarbeitung (NLP) in TensorFlow.

Word2Vec wird zur Lernendarstellung von Wortvektoren, auch als „Wort-Einbettungen“ bezeichnet, verwendet. Word2vec ist ein besonders rechenintensiv effizientes Vorhersagemodell zur Erstellung von Wort-Einbettungen aus rohem Text. Es gibt zwei Varianten: das Continuous Bag-of-Words-Modell (CBOW) und das Skip-Gram-Modell (Kapitel 3.1 und 3.2 in Mikolov et al.).

Wenn sie gemeinsam verwendet werden, ermöglichen SyntaxNet und Word2Vec es den Nutzern, gelernte Einbettungsmodelle aus natürlicher Sprache zu generieren.

Zielgruppe

Dieses Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet- und Word2Vec-Modellen in ihren TensorFlow-Graphen arbeiten möchten.

Nach Abschluss dieses Kurses können die Teilnehmer:

• TensorFlows Struktur und Bereitstellungsmechanismen verstehen


• Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchführen


• Codequalität bewerten, Debugging und Monitoring durchführen


• Fortschrittliche Produktionstätigkeiten wie das Trainieren von Modellen, Einbettung von Begriffen, Erstellen von Graphen und Logging implementieren