| tf101 | Deep Learning with TensorFlow | 21 hours | TensorFlow ist eine 2nd Generation API von Googles Open Source Software Library für Deep Learning Das System wurde entwickelt, um die maschinelle Lernforschung zu erleichtern 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 möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle, Erstellung von Graphen und Protokollierung zu implementieren . |
| tfir | TensorFlow for Image Recognition | 28 hours | Dieser Kurs untersucht anhand konkreter Beispiele die Anwendung von Tensor Flow für die Zwecke der Bilderkennung Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für die Bilderkennung einsetzen möchten Nach Abschluss dieses Kurses können die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen Ausführen von Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen bewerten Sie die Codequalität, führen Sie Debugging durch, überwachen Sie implementieren fortschrittliche Produktion wie Trainingsmodelle, Erstellen von Grafiken und Protokollierung . |
| dlv | Deep Learning for Vision | 21 hours | Publikum Dieser Kurs ist geeignet für Deep Learning-Forscher und Ingenieure, die daran interessiert sind, verfügbare Tools (meist Open Source) zur Analyse von Computerbildern zu nutzen Dieser Kurs bietet Arbeitsbeispiele . |
| Neuralnettf | Neural Networks Fundamentals using TensorFlow as Example | 28 hours | Dieser Kurs vermittelt Ihnen Kenntnisse in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Dieses Training konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Teano, DeepDrive, Keras usw Die Beispiele werden in TensorFlow erstellt . |
| tsflw2v | Natural Language Processing with TensorFlow | 35 hours | TensorFlow ™ ist eine Open-Source-Softwarebibliothek für numerische Berechnungen mit Datenflussdiagrammen SyntaxNet ist ein NeuralNetwork Natural Language Processing Framework für TensorFlow Word2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die "Worteinbettungen" genannt werden Word2vec ist ein besonders recheneffizientes Vorhersagemodell für das Einlernen von Worteinbettungen aus Rohtext Es gibt zwei Varianten, das Continuous BagofWords-Modell (CBOW) und das SkipGram-Modell (Kapitel 31 und 32 in Mikolov et al) In Verbindung mit SyntaxNet und Word2Vec können Benutzer Learned Embedding-Modelle aus Natural Language-Eingaben generieren Publikum Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet- und Word2Vec-Modellen in ihren TensorFlow-Diagrammen arbeiten möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle zu implementieren, Begriffe einzubetten, Diagramme zu erstellen und zu loggen . |
| tpuprogramming | TPU Programming: Building Neural Network Applications on Tensor Processing Units | 7 hours | Die Tensor Processing Unit (TPU) ist die Architektur, die Google seit einigen Jahren intern nutzt und nun für die breite Öffentlichkeit verfügbar ist Es enthält mehrere Optimierungen speziell für die Verwendung in neuronalen Netzen, einschließlich einer gestrafften Matrixmultiplikation und 8-Bit-Ganzzahlen anstelle von 16-Bit, um geeignete Genauigkeitsniveaus zu erhalten In diesem instruierten Live-Training lernen die Teilnehmer, wie sie die Vorteile von TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren Am Ende des Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie verschiedene Arten von neuronalen Netzwerken auf großen Datenmengen Verwenden Sie TPUs, um den Inferenzprozess um bis zu zwei Größenordnungen zu beschleunigen Verwenden Sie TPUs, um intensive Anwendungen wie Bildsuche, Cloud Vision und Fotos zu verarbeiten Publikum Entwickler Forscher Ingenieure Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| embeddingprojector | Embedding Projector: Visualizing your Training Data | 14 hours | Embedding Projector ist eine Open-Source-Webanwendung zur Visualisierung der Daten, die zum Trainieren von maschinellen Lernsystemen verwendet werden Erstellt von Google, ist es ein Teil von TensorFlow Dieses instruierte Live-Training stellt die Konzepte hinter Embedding Projector vor und führt die Teilnehmer durch die Einrichtung eines Demo-Projekts Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erfahren Sie, wie Daten von maschinellen Lernmodellen interpretiert werden Navigieren Sie durch 3D- und 2D-Ansichten von Daten, um zu verstehen, wie ein maschineller Lernalgorithmus sie interpretiert Verstehen Sie die Konzepte hinter Embedding und ihre Rolle bei der Darstellung mathematischer Vektoren für Bilder, Wörter und Zahlen Erkunden Sie die Eigenschaften einer bestimmten Einbettung, um das Verhalten eines Modells zu verstehen Wenden Sie Embedding Project auf reale Anwendungsfälle an, wie zum Beispiel das Erstellen eines Song-Empfehlungssystems für Musikliebhaber Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| tensorflowserving | TensorFlow Serving | 7 hours | TensorFlow Serving ist ein System, mit dem Machine-Learning-Modelle (ML) in der Produktion eingesetzt werden können In diesem instruierten Live-Training lernen die Teilnehmer, wie sie TensorFlow Serving konfigurieren und einsetzen, um ML-Modelle in einer Produktionsumgebung bereitzustellen und zu verwalten Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren, exportieren und bedienen Sie verschiedene TensorFlow-Modelle Testen und implementieren Sie Algorithmen mithilfe einer einzigen Architektur und einer Reihe von APIs Erweitern Sie TensorFlow Serving, um andere Arten von Modellen als TensorFlow-Modelle zu bedienen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| undnn | Understanding Deep Neural Networks | 35 hours | Dieser Kurs beginnt mit konzeptuellem Wissen in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Teil 1 (40%) dieses Trainings konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras usw Teil 2 (20%) dieser Schulung stellt Theano eine Python-Bibliothek vor, die das Schreiben von Deep-Learning-Modellen erleichtert Teil 3 (40%) des Trainings würde weitgehend auf der Tensorflow 2nd Generation API der Open-Source-Software-Bibliothek von Google für Deep Learning basieren Die Beispiele und Handsons würden alle in TensorFlow gemacht werden Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning-Projekte einsetzen möchten Nach Abschluss dieses Kurses werden die Delegierten: habe ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle, Erstellung von Graphen und Protokollierung zu implementieren Aufgrund der Weite des Themas würden nicht alle Themen in einem öffentlichen Klassenzimmer mit einer Dauer von 35 Stunden behandelt Die Dauer des gesamten Kurses beträgt ca 70 Stunden und nicht 35 Stunden . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 hours | Deep Learning für NLP ermöglicht es einer Maschine, einfache bis komplexe Sprachverarbeitung zu erlernen Zu den derzeit möglichen Aufgaben gehören die Übersetzung von Sprachen und die Erstellung von Bildunterschriften für Fotos DL (Deep Learning) ist eine Teilmenge von ML (Machine Learning) Python ist eine beliebte Programmiersprache, die Bibliotheken für Deep Learning für NLP enthält In diesem instruierten Live-Training lernen die Teilnehmer, Python-Bibliotheken für NLP (Natural Language Processing) zu verwenden, während sie eine Anwendung erstellen, die eine Reihe von Bildern verarbeitet und Untertitel generiert Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Entwerfen und kodieren Sie DL für NLP mit Python-Bibliotheken Erstellen Sie Python-Code, der eine im Wesentlichen große Sammlung von Bildern liest und Schlüsselwörter generiert Erstellen Sie Python-Code, der Untertitel aus den erkannten Keywords generiert Publikum Programmierer mit Interesse an Linguistik Programmierer, die ein Verständnis für NLP (Natural Language Processing) suchen Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
.jpg)
.jpg)
.jpg)
.png)
.png)
