Betrugsbekämpfung mit Python und TensorFlow Schulung

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.

Dieses von einem Trainer geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Datenwissenschaftler und Softwareentwickler, die Dask im Python-Ökosystem einsetzen möchten, um große Datensätze zu erstellen, zu skalieren und zu analysieren.

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

• Die Umgebung einzurichten, um mit Dask und Python Big Data-Verarbeitung aufzubauen.
• Die Funktionen, Bibliotheken, Tools und APIs kennen zu lernen, die in Dask zur Verfügung stehen.
• Zu verstehen, wie Dask paralleles Rechnen in Python beschleunigt.
• Zu lernen, wie man das Python-Ökosystem (Numpy, SciPy und Pandas) mit Dask skaliert.
• Die Dask-Umgebung zu optimieren, um eine hohe Leistung bei der Verarbeitung großer Datensätze zu gewährleisten.

Dieses von einem Dozenten geleitete Live-Seminar in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Python-Entwickler und Datenanalysten, die ihre Fähigkeiten in der Datenanalyse und -manipulation mit Pandas und NumPy verbessern möchten.

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

• Eine Entwicklungsumgebung einzurichten, die Python, Pandas und NumPy enthält.
• Eine Datenanalyse-Anwendung mit Pandas und NumPy erstellen.
• Erweiterte Datenaufbereitung, -sortierung und -filterung durchführen.
• Agregationsoperationen durchführen und Zeitreihendaten analysieren.
• Daten mit Matplotlib und anderen Visualisierungsbibliotheken visualisieren.
• Ihren Datenanalyses-Code debuggen und optimieren.

In diesem von einem Dozenten geleiteten Live-Training in Schweiz lernen die Teilnehmer, Python-Bibliotheken für NLP zu verwenden, während sie eine Anwendung erstellen, die eine Reihe von Bildern verarbeitet und dazugehörige Untertitel generiert.

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

• Deep Learning für NLP mit Python-Bibliotheken zu entwerfen und zu codieren.
• Python-Code zu erstellen, der eine große Sammlung von Bildern liest und Schlüsselwörter generiert.
• Python-Code zu erstellen, der aus den erkannten Schlüsselwörtern Untertitel generiert.

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.

Dieses von einem Dozenten geleitete, live Training (online oder vor Ort) richtet sich an Entwickler, die das FARM (FastAPI, React und MongoDB)-Stack verwenden möchten, um dynamische, leistungsstarke und skalierbare Webanwendungen zu erstellen.

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

• Die notwendige Entwicklungsumgebung einzurichten, die FastAPI, React und MongoDB integriert.
• Die Schlüsselkonzepte, Funktionen und Vorteile des FARM-Stacks zu verstehen.
• Zu lernen, wie man REST-APIs mit FastAPI baut.
• Zu lernen, wie man interaktive Anwendungen mit React gestaltet.
• Anwendungen (Frontend und Backend) unter Verwendung des FARM-Stacks zu entwickeln, zu testen und zu bereitstellen.

Dieses vom Trainer geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Entwickler, die FastAPI mit Python nutzen möchten, um RESTful APIs einfacher und schneller zu erstellen, zu testen und bereitzustellen.

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

• Die notwendige Entwicklungsumgebung zum Erstellen von APIs mit Python und FastAPI einzurichten.
• Mithilfe der FastAPI-Bibliothek APIs schneller und einfacher zu erstellen.
• Zu lernen, wie man Datenmodelle und Schemas basierend auf Pydantic und OpenAPI erstellt.
• APIs mit SQLAlchemy an eine Datenbank anzubinden.
• Mithilfe der FastAPI-Tools Sicherheit und Authentifizierung in APIs zu implementieren.
• Container-Images zu bauen und Web-APIs auf einem Cloud-Server bereitzustellen.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Datenwissenschaftler und Entwickler, die Modin verwenden möchten, um parallele Berechnungen mit Pandas für eine schnellere Datenanalyse zu erstellen und zu implementieren.

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

• die notwendige Umgebung einzurichten, um mit der Entwicklung von Pandas-Workflows in großem Maßstab mit Modin zu beginnen.
• die Funktionen, die Architektur und die Vorteile von Modin zu verstehen.
• Die Unterschiede zwischen Modin, Dask und Ray kennen.
• Schnellere Durchführung von Pandas-Vorgängen mit Modin.
• Implementierung der gesamten Pandas API und Funktionen.

Dieses von einem Dozenten angeleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Entwickler und Data Scientists, die TensorFlow 2.x verwenden möchten, um Vorhersagemodelle, Klassifikatoren, generative Modelle, neuronale Netze usw. zu erstellen.

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

• TensorFlow 2.x zu installieren und zu konfigurieren.
• Die Vorteile von TensorFlow 2.x gegenüber früheren Versionen zu verstehen.
• Tiefe Lernmodelle aufzubauen.
• Einen fortgeschrittenen Bildklassifikator umzusetzen.
• Ein tiefes Lernmodell in die Cloud, auf mobile Geräte und IoT-Geräte zu deployen.

In diesem von einem Dozenten geleiteten, live Training in Schweiz (online oder vor Ort), lernen die Teilnehmer, TensorFlow Serving zu konfigurieren und zu verwenden, um ML-Modelle in einer Produktionsumgebung bereitzustellen und zu verwalten.

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

• Verschiedene TensorFlow-Modelle zu trainieren, zu exportieren und zu servieren.
• Algorithmen mit einer einzigen Architektur und einem Satz von APIs zu testen und bereitzustellen.
• TensorFlow Serving zu erweitern, um andere Arten von Modellen außer TensorFlow-Modellen zu servieren.

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

Dieses von einem Dozenten geführte, live-Training in Schweiz (online oder vor Ort) richtet sich an Data Scientists, die von der Schulung eines einzelnen ML-Modells zu der Bereitstellung vieler ML-Modelle in der Produktion übergehen möchten.

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

• TFX und unterstützende Drittanbieter-Tools zu installieren und zu konfigurieren.
• TFX verwenden, um eine vollständige ML-Produktionspipeline zu erstellen und zu verwalten.
• Mit TFX-Komponenten arbeiten, um Modellierung, Schulung, Inferenz-Bereitstellung und Verwaltung von Bereitstellungen durchzuführen.
• Machine-Learning-Funktionen in Webanwendungen, Mobile Anwendungen, IoT-Geräte und mehr bereitzustellen.

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

Dieser Kurs beginnt mit der Vermittlung konzeptionellen Wissens über neuronale Netze und Maschinelles Lernen, einschließlich Deep Learning (Algorithmen und Anwendungen).

Teil 1 (40%) dieser Schulung fokussiert sich auf die Grundlagen, unterstützt Sie aber dabei, die richtige Technologie auszuwählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Teil 2 (20%) dieser Schulung führt in Theano ein - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.

Teil 3 (40%) der Schulung basiert weitgehend auf TensorFlow - der API von Googles Open-Source-Softwarebibliothek für Deep Learning. Die Beispiele und praktischen Übungen werden allesamt in 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:

• tiefes Verständnis von tiefen neuronalen Netzen (DNN), CNN und RNN haben
• die Struktur und Bereitstellungsmechanismen von TensorFlow verstehen
• Installation, Produktionsumgebung, Architekturaufgaben und Konfiguration durchführen können
• die Codequalität bewerten, Debugging und Monitoring durchführen können
• fortgeschrittene Produktionsaufgaben wie das Training von Modellen, die Erstellung von Graphen und das Logging implementieren können