Deep Learning Schulungen in Frankfurt am Main

Diese von einem Trainer durchgeführte Live-Ausbildung in Frankfurt am Main (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 durchgeführte Live-Ausbildung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis für Computer Vision vertiefen und die Fähigkeiten von TensorFlow nutzen möchten, um mit Google Colab fortgeschrittene Sehmodelle zu entwickeln.

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

• Convolutional Neural Networks (CNNs) unter Verwendung von TensorFlow aufzubauen und zu trainieren.
• Google Colab für skalierbare und effiziente Cloud-basierte Modellentwicklung auszunutzen.
• Bildvorbereitungstechniken für Computer-Vision-Aufgaben umsetzen.
• Computer-Vision-Modelle für reale Anwendungen einsetzen.
• Transfer Learning verwenden, um die Leistung von CNN-Modellen zu verbessern.
• Ergebnisse von Bildklassifikationsmodellen visualisieren und interpretieren.

Diese von einem Trainer geleitete Live-Ausbildung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler und Entwickler, die Deep-Learning-Techniken im Umfeld von Google Colab verstehen und anwenden möchten.

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

• Google Colab für Deep-Learning-Projekte einrichten und bedienen.
• Grundlagen von neuronalen Netzen verstehen.
• Deep-Learning-Modelle mit TensorFlow implementieren.
• Deep-Learning-Modelle trainieren und bewerten.
• Erweiterte Funktionen von TensorFlow für das Deep Learning nutzen.

Diese Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die sich auf modernste Deep-Learning-Techniken für NLU spezialisieren möchten.

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

• Die Hauptunterschiede zwischen NLU- und NLP-Modellen zu verstehen.
• fortgeschrittene Deep-Learning-Techniken auf NLU-Aufgaben anzuwenden.
• Deep-Architekturen wie Transformatoren und Aufmerksamkeitsmechanismen zu erforschen.
• Zukünftige Trends in NLU für den Aufbau anspruchsvoller KI-Systeme zu nutzen.

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (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

Dieses von einem Trainer durchgeführte Live-Seminar in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die AI-Techniken einsetzen möchten, um den Prozess der Wirkstoffentdeckung und -entwicklung zu revolutionieren.

Am Ende des Seminars werden die Teilnehmer in der Lage sein:

• Die Rolle von KI in der Wirkstoffentdeckung und -entwicklung zu verstehen.
• Machine-Learning-Techniken anzuwenden, um molekulare Eigenschaften und Wechselwirkungen vorherzusagen.
• Deep-Learning-Modelle für die virtuelle Durchsicht und das Lead-Optimierung einsetzen.
• AI-gesteuerte Ansätze in den klinischen Studienprozess integrieren.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (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.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger bis fortgeschrittene Datenwissenschaftler und Ingenieure für maschinelles Lernen, die die Leistung ihrer Deep-Learning-Modelle verbessern möchten.

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

• Die Prinzipien des verteilten Deep Learning zu verstehen.
• DeepSpeed installieren und konfigurieren.
• Deep-Learning-Modelle auf verteilter Hardware mit DeepSpeed skalieren.
• DeepSpeed-Funktionen zur Optimierung und Speichereffizienz zu implementieren und damit zu experimentieren.

Diese Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die Large Language Models für verschiedene natürlichsprachliche Aufgaben einsetzen möchten.

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

• Eine Entwicklungsumgebung einzurichten, die ein gängiges LLM enthält.
• Ein grundlegendes LLM zu erstellen und es auf einem benutzerdefinierten Datensatz fein abzustimmen.
• LLMs für verschiedene natürlichsprachliche Aufgaben wie Textzusammenfassung, Beantwortung von Fragen, Textgenerierung und mehr zu verwenden.
• LLMs mit Tools wie TensorBoard, PyTorch Lightning und Hugging Face Datasets debuggen und evaluieren.

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.

In dieser Live-Schulung in Frankfurt am Main lernen die Teilnehmer die wichtigsten und modernsten Techniken des maschinellen Lernens in Python, während sie eine Reihe von Demo-Anwendungen mit Bild-, Musik-, Text- und Finanzdaten erstellen.

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

• Algorithmen und Techniken des maschinellen Lernens für die Lösung komplexer Probleme zu implementieren.
• Deep Learning und Semi-Supervised Learning auf Anwendungen für Bild-, Musik-, Text- und Finanzdaten anzuwenden.
• Algorithmen Python auf ihr maximales Potenzial zu bringen.
• Bibliotheken und Pakete wie NumPy und Theano zu verwenden.

Dieses von einem Trainer geleitete Live-Training (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die die Grundlagen von Deep Reinforcement Learning erlernen möchten, während sie Schritt für Schritt einen Deep Learning Agent erstellen.

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

• Die Schlüsselkonzepte hinter Deep Reinforcement Learning verstehen und von Machine Learning unterscheiden können.
• Ausgereifte Reinforcement Learning-Algorithmen zur Lösung realer Probleme anwenden.
• Einen Deep Learning Agent erstellen.

In dieser von einem Trainer geleiteten Live-Schulung in Frankfurt am Main lernen die Teilnehmer, wie sie Deep-Learning-Modelle für die Telekommunikation mithilfe von Python implementieren können, indem sie Schritt für Schritt ein Deep-Learning-Kreditrisikomodell erstellen.

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

• Die grundlegenden Konzepte des Deep Learning zu verstehen.
• die Anwendungen und Einsatzmöglichkeiten von Deep Learning in der Telekommunikation kennen.
• Verwendung von Python, Keras und TensorFlow zur Erstellung von Deep-Learning-Modellen für die Telekommunikation.
• Ihr eigenes Deep-Learning-Modell zur Vorhersage der Kundenabwanderung mit Python erstellen.

Dieser Kurs richtet sich an Manager, Lösungsarchitekten, Innovationsbeauftragte, CTOs, Softwarearchitekten und alle, die sich für einen Überblick über angewandte künstliche Intelligenz und die nächsten Prognosen für ihre Entwicklung interessieren.

Dieser Kurs umfasst AI (emphasizing Machine Learning und Deep Learning) in Automotive Industrie. Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomen Entscheidungsfindung.

Ein künstliches neuronales Netz ist ein Datenmodell, das bei der Entwicklung von Artificial Intelligence (AI) Systemen verwendet wird, die in der Lage sind, "intelligente" Aufgaben auszuführen. Künstliche Neuronale Netze Neural Networks werden häufig in Machine Learning (ML)-Anwendungen verwendet, die ihrerseits eine Implementierung von KI sind. Deep Learning ist eine Teilmenge von ML.

Dies ist ein 4-tägiger Kurs, der in KI und ihre Anwendung einführt. Es besteht die Möglichkeit, nach Abschluss des Kurses einen zusätzlichen Tag für die Durchführung eines KI-Projekts zu nutzen.

Dieser von einem Dozenten geleitete Live-Training (Online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler und Statistiker, die Daten effektiv vorbereiten, Modelle erstellen und maschinelles Lernen in ihren Berufsgebieten einsetzen möchten.

Am Ende des Trainings werden die Teilnehmer folgendes können:

• Verschiedene Machine Learning-Algorithmen verstehen und implementieren.
• Daten und Modelle für Anwendungen im Bereich maschinelles Lernen vorbereiten.
• Post-Hoc-Analysen durchführen und Ergebnisse effektiv visualisieren.
• Maschinelles Lernen auf realen, branchenspezifischen Szenarien anwenden.

Caffe ist ein umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt.

In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert

Publikum

Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe .

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

• die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
• Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
• Codequalität beurteilen, Debugging und Überwachung durchführen
• Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (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.

Dieser Kurs bietet einen allgemeinen Überblick über Deep Learning, ohne zu sehr in die Tiefe zu gehen, um spezifische Methoden zu verstehen. Er ist für Personen geeignet, die mit Deep Learning beginnen möchten, um ihre Vorhersagegenauigkeit zu verbessern.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Forscher und Entwickler, die die DeepMind Lab-Plattform installieren, einrichten, anpassen und nutzen möchten, um allgemeine Systeme für künstliche Intelligenz und maschinelles Lernen zu entwickeln.

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

• DeepMind Lab anzupassen, um eine Umgebung zu erstellen und zu betreiben, die den Lern- und Trainingsanforderungen entspricht.
• die 3D-Simulationsumgebung von DeepMind Lab zu nutzen, um Lernagenten in der Ich-Perspektive zu trainieren.
• Erleichterung der Agentenbewertung zur Entwicklung von Intelligenz in einer spielähnlichen 3D-Welt.

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer die Fähigkeit haben, zu lernen, ohne ausdrücklich programmiert zu werden. Deep Learning ist ein Teilbereich des maschinellen Lernens, der Methoden verwendet, die auf dem Lernen von Datendarstellungen und -strukturen wie neuronalen Netzen basieren.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Business-Analysten, Datenwissenschaftler und Entwickler, die Deep-Learning-Modelle erstellen und implementieren möchten, um das Umsatzwachstum zu beschleunigen und Probleme in der Geschäftswelt zu lösen.

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

• Die Kernkonzepte des maschinellen Lernens und des Deep Learning zu verstehen.
• Einblicke in die Zukunft der Wirtschaft und Industrie mit ML und DL erhalten.
• Geschäftsstrategien und Lösungen mit Deep Learning zu definieren.
• Lernen, wie man Data Science und Deep Learning für die Lösung von Geschäftsproblemen einsetzt.
• Erstellen von Deep-Learning-Modellen mit Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer die Fähigkeit haben, zu lernen, ohne ausdrücklich programmiert zu werden. Deep Learning ist ein Teilbereich des maschinellen Lernens, der Methoden verwendet, die auf dem Lernen von Datendarstellungen und -strukturen wie neuronalen Netzen basieren. Python ist eine Programmiersprache auf hohem Niveau, die für ihre klare Syntax und die Lesbarkeit des Codes bekannt ist.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie man Deep-Learning-Modelle für das Bankwesen mit Python implementiert, indem sie Schritt für Schritt ein Deep-Learning-Kreditrisikomodell erstellen.

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

• die grundlegenden Konzepte des Deep Learning zu verstehen
• die Anwendungen und Einsatzmöglichkeiten von Deep Learning im Bankwesen kennenlernen
• Verwendung von Python, Keras und TensorFlow zur Erstellung von Deep-Learning-Modellen für das Bankwesen
• Ihr eigenes Deep-Learning-Kreditrisikomodell unter Verwendung von Python zu erstellen

Zielgruppe

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer die Verwendung von Python Bibliotheken für NLP, während sie eine Anwendung erstellen, die eine Reihe von Bildern verarbeitet und Bildunterschriften generiert. 

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

• Entwerfen und  codieren Sie DL für NLP unter Verwendung von Python Bibliotheken.
• Erstellen von Python Code, der eine umfangreiche Sammlung von Bildern liest und Schlüsselwörter generiert.
• Erstelle PythonCode, der aus den erkannten Schlüsselwörtern Bildunterschriften generiert.

Publikum

Dieser Kurs ist für Deep Learning Forscher und Ingenieure geeignet, die verfügbare Tools (meist Open Source) zur Analyse von Computerbildern verwenden möchten

Dieser Kurs enthält Arbeitsbeispiele.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (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 (online oder vor Ort) richtet sich an Datenwissenschaftler, die TensorFlow für die Analyse potenzieller Betrugsdaten nutzen möchten.

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

• Ein Betrugserkennungsmodell in Python und TensorFlow erstellen.
• Lineare Regressionen und lineare Regressionsmodelle zur Vorhersage von Betrug erstellen.
• Eine End-to-End-KI-Anwendung zur Analyse von Betrugsdaten entwickeln.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (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.

Typ: Theoretische Ausbildung mit Anwendungen, die im Vorfeld mit den Schülern auf Lasagne oder Keras je nach pädagogischer Gruppe beschlossen wurden.

Pädagogische Methode: Präsentation, Austausch und Fallstudien.

Die künstliche Intelligenz hat nach der Umwälzung zahlreicher wissenschaftlicher Bereiche begonnen, eine große Anzahl von Wirtschaftssektoren (Industrie, Medizin, Kommunikation usw.) zu revolutionieren. Dennoch ist ihre Darstellung in den großen Medien oft ein Phantasieprodukt, das weit von dem entfernt ist, was die Bereiche Machine Learning oder Deep Learning tatsächlich sind. Ziel dieses Kurses ist es, Ingenieuren, die sich bereits mit Informatikwerkzeugen (einschließlich Softwareprogrammierung) auskennen, eine Einführung in die Deep Learning und ihre verschiedenen Fachgebiete und damit in die wichtigsten Netzwerkarchitekturen zu geben, die es heute gibt. Während die mathematischen Grundlagen während des Kurses wiederholt werden, wird für die Bequemlichkeit ein Mathematikniveau vom Typ BAC+2 empfohlen. Es ist absolut möglich, die mathematische Achse auszulassen, um nur eine "System"-Sicht zu behalten, aber dieser Ansatz wird Ihr Verständnis des Themas enorm einschränken.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (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.

In diesem von Lehrern geleiteten Live-Training lernen die Teilnehmer, wie sie Matlab zum Entwerfen, Erstellen und Visualisieren eines neuronalen Faltungsnetzwerks für die Bilderkennung verwenden.

Am Ende dieser Schulung können die Teilnehmer:

• Bauen Sie ein Deep-Learning-Modell auf
• Datenbeschriftung automatisieren
• Arbeiten Sie mit Modellen von Caffe und TensorFlow - Keras
• Trainieren Sie Daten mit mehreren GPU , der Cloud oder Clustern

Publikum

• Entwickler
• Ingenieure
• Domain-Experten

Format des Kurses

• Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger und Fortgeschrittene, die ihr Verständnis für Algorithmen des maschinellen Lernens, Deep-Learning-Techniken und KI-gesteuerte Entscheidungsfindung vertiefen möchten. Der Kurs vermittelt praktische Erfahrungen mit Konzepten des maschinellen Lernens, Deep-Learning-Modellen und praktischen Implementierungen mit R.

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

• Die Grundlagen des maschinellen Lernens und des Deep Learning zu verstehen.
• Verschiedene Algorithmen des maschinellen Lernens für Regression, Klassifizierung, Clustering und Anomalieerkennung anwenden.
• Deep-Learning-Architekturen wie künstliche neuronale Netze (ANNs) zu verwenden.
• Implementierung von überwachten und nicht überwachten Lernmodellen.
• Bewertung der Modellleistung und Optimierung von Hyperparametern.
• Verwendung von R für Datenanalyse, Visualisierung und Anwendungen des maschinellen Lernens.

Dieses Training richtet sich an Personen, die Grundlagen der neuronalen Netze und ihre Anwendungen lernen möchten.

Diese Schulung im Klassenzimmer umfasst Präsentationen und computerbasierte Beispiele sowie Fallstudienübungen, die mit relevanten Bibliotheken für neuronale und tiefe Netzwerke durchgeführt werden können

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Softwareingenieure, die in Python mit OpenCV 4 für Deep Learning programmieren möchten.

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

• Bilder und Videos mit OpenCV 4 betrachten, laden und klassifizieren.
• Deep Learning in OpenCV 4 mit TensorFlow und Keras zu implementieren.
• Deep-Learning-Modelle auszuführen und aussagekräftige Berichte aus Bildern und Videos zu erstellen.

OpenFace ist eine auf Python und Torch basierende Open-Source-Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google beruht.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie die Komponenten von OpenFace verwenden, um eine Beispielanwendung für die Gesichtserkennung zu erstellen und einzusetzen.

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

• mit den OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, zu arbeiten, um Gesichtserkennung, -ausrichtung und -transformation zu implementieren
• OpenFace auf reale Anwendungen wie Überwachung, Identitätsüberprüfung, virtuelle Realität, Spiele, Identifizierung von Stammkunden usw. anzuwenden.

Zielgruppe

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und intensive praktische Anwendung

In diesem von einem Lehrer geleiteten Live-Training lernen die Teilnehmer, wie man ein OpenNMT System einrichtet und zur Übersetzung verschiedener Beispieldatensätze verwendet. Der Kurs beginnt mit einer Übersicht über neuronale Netzwerke im Zusammenhang mit maschineller Übersetzung. Die Teilnehmer führen während des ganzen Trainings praktische Übungen durch, um ihr Verständnis der gelernten Konzepte zu demonstrieren und Rückmeldung vom Lehrer zu erhalten.

Am Ende dieses Trainings verfügen die Teilnehmer über das notwendige Wissen und die praktische Erfahrung, um eine Live-OpenNMT-Lösung umzusetzen.

Quell- und Zielsprachendateien werden gemäß den Anforderungen der Teilnehmer vorbereitet.

Format des Kurses

• Teil Vortrag, teil Diskussion, viel praktische Übung

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer fortgeschrittene Techniken für Machine Learning mit R kennen, während sie Schritt für Schritt eine reale Anwendung erstellen.

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

• Verstehen und Implementieren von Techniken des unüberwachten Lernens
• Clustering und Klassifizierung anwenden, um Vorhersagen auf der Grundlage realer Daten zu treffen.
• Daten visualisieren, um schnell Erkenntnisse zu gewinnen, Entscheidungen zu treffen und Analysen weiter zu verfeinern
• Verbessern Sie die Leistung eines Modells für maschinelles Lernen mit Hilfe von Hyper-Parameter-Tuning.
• Ein Modell zur Verwendung in einer größeren Anwendung in Betrieb nehmen.
• Fortgeschrittene Techniken des maschinellen Lernens anwenden, um Fragen zu beantworten, die soziale Netzwerkdaten, Big Data und mehr betreffen.

Dieses Kurs ist eine Einführung in die Anwendung von neuronalen Netzen bei realen Problemen mit der Software R-project.

Dieses von einem Trainer geleitete Live-Training (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.x verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netze usw. zu erstellen.

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

• Installation und Konfiguration von TensorFlow 2.x.
• Die Vorteile von TensorFlow 2.x gegenüber früheren Versionen verstehen.
• Die Erstellung von Deep Learning-Modellen.
• Implementieren Sie einen fortgeschrittenen Bildklassifikator.
• Einsatz eines Deep-Learning-Modells in der Cloud, auf mobilen und IoT-Geräten.

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.

In dieser von einem Trainer geleiteten Live-Schulung (online oder vor Ort) lernen die Teilnehmer, wie man TensorFlow Serving konfiguriert und verwendet, um ML-Modelle in einer Produktionsumgebung einzusetzen und zu verwalten.

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

• TensorFlow-Modelle zu trainieren, exportieren und bereitzustellen.
• Algorithmen mit einer einheitlichen Architektur und API-Satz zu testen und einzurichten.
• TensorFlow Serving um weitere Modelltypen hinausgehend von TensorFlow-Modellen auszudehnen.

TensorFlow ist eine 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Das System wurde entwickelt, um die Forschung im Bereich maschinelles Lernen zu vereinfachen und den Übergang vom Forschungsprototyp zum Produktionssystem schnell und einfach zu gestalten.

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow

Nach Abschluss dieses Kurses werden die Teilnehmer:

• Struktur und Einsatzmechanismen von TensorFlow verstehen
• in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
• in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
• in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren

In diesem Kurs wird anhand konkreter Beispiele die Anwendung von Tensor Flow zur Bilderkennung erläutert

Publikum

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

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

• Struktur und Einsatzmechanismen von TensorFlow verstehen
• Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
• Codequalität beurteilen, Debugging und Überwachung durchführen
• Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, die von der Schulung eines einzelnen ML-Modells zum Einsatz vieler ML-Modelle in der Produktion übergehen möchten.

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

• Installation und Konfiguration von TFX und unterstützenden Tools von Drittanbietern.
• TFX zum Erstellen und Verwalten einer vollständigen ML-Produktionspipeline verwenden.
• Mit TFX-Komponenten arbeiten, um die Modellierung, das Training, die Inferenz und die Verwaltung von Implementierungen durchzuführen.
• Bereitstellen von Funktionen für maschinelles Lernen für Webanwendungen, mobile Anwendungen, IoT-Geräte und mehr.

In diesem von einem Trainer durchgeführten Live-Seminar in Frankfurt am Main lernen die Teilnehmer, wie sie die Innovationen in TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren.

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

• verschiedene Arten von neuronalen Netzen auf großen Datenmengen zu trainieren.
• TPUs zur Beschleunigung des Inferenzprozesses um bis zu zwei Größenordnungen zu verwenden.
• TPUs zur Verarbeitung intensiver Anwendungen wie Bildsuche, Cloud-Vision und Fotos zu nutzen.

TensorFlow™ ist eine Open-Source-Software-Bibliothek für numerische Berechnungen mit Datenfluss-Grafen.

SyntaxNet ist ein Neural-Network Natural Language Processing Framework für TensorFlow.

Word2Vec wird verwendet, um Vektor-Repräsentationen von Wörtern zu lernen, die "Wörter-Inbeddings" genannt werden. Word2vec ist ein besonders berechnet-effizientes Vorhersage-Modell für das Lernen von Wörterinbindungen aus Rohtext. Es kommt in zwei Geschmacksmodellen, dem Kontinuous Bag-of-Words Modell (CBOW) und dem Skip-Gram Modell (Kapitel 3.1 und 3.2 in Mikolov et al.)

SyntaxNet und Word2Vec ermöglichen Benutzern die Erzeugung von Learned Embedding-Modellen aus Natural Language-Eintrag.

Publikum

Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet und Word2Vec Modellen in ihren TensorFlow Grafen arbeiten wollen.

Nach Abschluss dieses Kurses werden die Delegierten:

• Verständnis TensorFlow’s Struktur und Ausführungsmechanismen
• in der Lage, Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchzuführen
• in der Lage, die Codequalität zu bewerten, Debugging durchzuführen, Überwachung
• in der Lage, fortgeschrittene Produktion wie Trainingsmodelle, Einbruchsbedingungen, Baugraphen und Logging zu implementieren

Dieser Kurs beginnt mit dem Erlernen von konzeptionellen Kenntnissen in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus und Tiefenlernen (Algorithmen und Anwendungen).

Teil 1 (40%) dieses Trainings konzentriert sich mehr auf Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras usw.

In Teil 2 (20%) dieses Trainings wird Theano vorgestellt - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.

Part-3 (40%) die Ausbildung intensiv auf Basis von Tensorflow würde - 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Die Beispiele und Handys würden alle in TensorFlow .

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow

Nach Abschluss dieses Kurses werden die Teilnehmer:

• ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN haben

• Struktur und Einsatzmechanismen von TensorFlow verstehen

• in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen

• in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen

• in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren