Online TensorFlow Schulung in Deutschland

Dieses von einem Dozenten geleitete Präsenztraining in Deutschland (online oder vor Ort) richtet sich an Profis auf fortgeschrittenem Niveau, die ihre Kenntnisse in der Computer Vision vertiefen und die Möglichkeiten von TensorFlow beim Entwickeln komplexer Bildverarbeitungsmodelle unter Nutzung von Google Colab kennenlernen möchten.

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

• Convolutional Neural Networks (CNNs) mithilfe von TensorFlow zu erstellen und zu trainieren.
• Google Colab für eine skalierbare sowie effiziente Entwicklung von Modellen in der Cloud einzusetzen.
• Bildvorverarbeitungstechniken für Aufgaben im Bereich Computer Vision zu implementieren.
• Bildverarbeitungsmodelle für reale Anwendungen bereitzustellen.
• Transfer Learning anzuwenden, um die Leistung von CNN-Modellen zu verbessern.
• Ergebnisse von Bildklassifikationsmodellen visualisieren und interpretieren können.

Dieses von einem Experten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler und Entwickler mit Grundkenntnissen, die Deep-Learning-Techniken mithilfe der Google Colab-Umgebung erlernen möchten.

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

• Google Colab für Deep-Learning-Projekte einzurichten und zu nutzen.
• Die Grundlagen von neuronalen Netzen zu verstehen.
• Deep-Learning-Modelle mithilfe von TensorFlow zu implementieren.
• Diese Modelle zu trainieren und auszuwerten.
• Fortgeschrittene Funktionen von TensorFlow im Deep Learning einzusetzen.

Dieses von einem Experten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler, die TensorFlow einsetzen möchten, um potenziell betrügerische Daten zu analysieren.

Nach Abschluss dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Ein Betrugserkennungsmodell in Python und TensorFlow zu erstellen.
• Lineare Regressionsmodelle zu entwickeln, um Betrug vorherzusagen.
• Eine vollständige KI-Anwendung zur Analyse betrügerischer Daten zu realisieren.

Dieses von Instruktoren geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die TensorFlow 2.x nutzen möchten, um Vorhersagemodelle, Klassifizierer, generative Modelle sowie neuronale Netze zu erstellen.

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

• TensorFlow 2.x zu installieren und einzurichten.
• die Vorteile von TensorFlow 2.x gegenüber früheren Versionen zu erkennen.
• Tiefen Lernmodelle zu entwickeln.
• einen fortschrittlichen Bildklassifizierer umzusetzen.
• Tiefen Lernsysteme in die Cloud, auf mobile Geräte sowie IoT-Systeme zu implementieren.

Dieser Kurs vermittelt zunächst ein konzeptionelles Fundament in den Bereichen Neuronale Netze, maschinelles Lernen sowie Deep Learning (Algorithmen und Anwendungen).

Der erste Teil (40 %) des Trainings konzentriert sich stärker auf die Grundlagen und hilft Ihnen dabei, die geeignete Technologie für Ihre Projekte auszuwählen, wie beispielsweise TensorFlow, Caffe, Theano, DeepDrive oder Keras.

Der zweite Teil (20 %) des Trainings führt in Theano ein, eine Python-Bibliothek, die das Erstellen von Deep-Learning-Modellen vereinfacht.

Der dritte Teil (40 %) des Trainings basiert umfangreich auf TensorFlow, der API von Googles Open-Source-Bibliothek für Deep Learning. Alle Beispiele und praktischen Übungen werden mit TensorFlow durchgeführt.

Zielgruppe

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

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

• ein fundiertes Verständnis für tiefe neuronale Netze (DNN), CNNs und RNNs aufbauen
• die Struktur und die Bereitstellungsmechanismen von TensorFlow verstehen
• Installationen, Aufgaben in der Produktivumgebung und Architektur sowie Konfigurationen durchführen
• die Codequalität bewerten, Debugging durchführen und Monitoring implementieren
• fortschrittliche produktionsnahe Aufgaben wie das Training von Modellen, das Erstellen von Graphen und das Protokollieren (Logging) umsetzen