TensorFlow Extended (TFX) 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.

Diese von einem Ausbilder geleitete, live-Schulung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis des Computer Vision vertiefen und die Fähigkeiten von TensorFlow zur Entwicklung komplexer Vision-Modelle mit Google Colab erkunden möchten.

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

• Faltungsschicht-Neuronale Netze (CNNs) mit TensorFlow zu bauen und zu trainieren.
• Google Colab für skalierbare und effiziente, cloudbasierte Modellentwicklung zu nutzen.
• Bildvorverarbeitungstechniken für Computer Vision-Aufgaben zu implementieren.
• Computer Vision-Modelle für Anwendungen in der Praxis bereitzustellen.
• Übertragungslernen (Transfer Learning) zur Leistungssteigerung von CNN-Modellen zu nutzen.
• Die Ergebnisse von Bildklassifikationsmodellen zu visualisieren und zu interpretieren.

Diese von einem Trainer geleitete Live-Ausbildung in Schweiz (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.

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 Trainer angeleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Data Scientists, die TensorFlow verwenden möchten, um potenzielle Betrugsdaten zu analysieren.

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

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

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

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