Deep Learning Schulungen in Schweiz

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

Diese Live-Schulung in Schweiz (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 Schweiz (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 Schweiz (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 Schweiz (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 Schweiz (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 Schweiz (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 diesem von einem Dozenten angeführten, lebendigen Training in Schweiz lernen die Teilnehmer die relevantesten und modernsten maschinellen Lernverfahren in Python kennen, während sie eine Reihe von Demoanwendungen mit Bildern, Musik, Texten und Finanzdaten erstellen.

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

• Maschinelles Lernen-Algorithmen und -techniken zur Lösung komplexer Probleme zu implementieren.
• Tiefes Lernen und semi-supervises Lernen auf Anwendungen mit Bildern, Musik, Texten und Finanzdaten anzuwenden.
• Python-Algorithmen bis an ihre Grenzen zu treiben.
• Bibliotheken und Pakete wie NumPy und Theano zu verwenden.

In dieser von einem Trainer geleiteten Live-Schulung in Schweiz 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.

Dieser von einem Trainer geleitete Live-Kurs in Schweiz (online oder vor Ort) richtet sich an Anfänger, die grundlegende Konzepte der Wahrscheinlichkeitstheorie, Statistik, Programmierung und maschinelles Lernen erlernen möchten und diese auf die Entwicklung von KI anwenden wollen.

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

• Grundlegendes Verständnis der Wahrscheinlichkeitstheorie und Statistik zu haben sowie diese auf reale Szenarien anzuwenden.
• Prozedurales, funktionelles und objektorientiertes Programmiercode schreiben und verstehen.
• Maschinelles Lernenstechniken wie Klassifizierung, Clustering und neuronale Netzwerke umzusetzen.
• KI-Lösungen mit Regelengines und Expertensystemen zur Problemlösung zu entwickeln.

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.

Künstliche Neuronale Netzwerke sind ein berechnungstechnisches Modell, das bei der Entwicklung von Künstlicher Intelligenz (KI) eingesetzt wird, um Systeme zu schaffen, die "intelligente" Aufgaben durchführen können. Neuronale Netze werden häufig in Machine-Learning-Anwendungen verwendet, die ihrerseits eine Implementierung von KI darstellen. Deep Learning ist ein Teilbereich des Machine Learnings.

Caffe ist ein Deep-Learning-Framework, das auf Ausdrucksstärke, Geschwindigkeit und Modularität ausgelegt ist.

Dieser Kurs erforscht die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung unter Verwendung von MNIST als Beispiel.

Zielgruppe

Dieser Kurs richtet sich an Deep-Learning-Forscher und -Ingenieure, die daran interessiert sind, Caffe als Framework zu nutzen.

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

• die Struktur und Bereitstellungsmechanismen von Caffe zu verstehen
• Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchzuführen
• Kodierungskualität zu bewerten, Debugging und Monitoring durchzuführen
• fortgeschrittene Produktionsschritte wie das Training von Modellen, die Implementierung von Schichten und Logging umzusetzen

Diese von einem Dozenten geleitete Live-Schulung in Schweiz (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 von einem Trainer geführte Live-Kurs in Schweiz (online oder vor Ort) bietet eine Einführung in das Gebiet der Mustererkennung und maschinellem Lernen. Er berührt praktische Anwendungen in Statistik, Informatik, Signalverarbeitung, Computer Vision, Datenanalyse und Bioinformatik.

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

• Kernstatistische Methoden auf Mustererkennung anzuwenden.
• Schlüsselmodelle wie neuronale Netzwerke und Kerntechniken zur Datenanalyse zu verwenden.
• Fortgeschrittene Techniken für komplexe Problemlösungen umzusetzen.
• Durch die Kombination verschiedener Modelle die Vorhersagegenauigkeit zu verbessern.

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 Schweiz (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 Schweiz (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 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.

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

Dieses von einem Dozenten angeführte 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 Betrugserkennungsmodell in Python und TensorFlow zu erstellen.
• Lineare Regressionen und lineare Regressionsmodelle zur Vorhersage von Betrug aufzubauen.
• Eine end-to-end AI-Anwendung für die Analyse von Betrugsdaten zu entwickeln.

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

Diese von einem Ausbilder geleitete Live-Schulung in Schweiz (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 einem Dozenten geleiteten Live-Training lernen die Teilnehmer, wie man Matlab verwendet, um ein konvolutorisches neuronales Netzwerk für Bilderkennung zu entwerfen, aufzubauen und zu visualisieren.

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

• Ein tiefes Lernmodell aufzubauen
• Datenbeschriftung zu automatisieren
• Mit Modellen von Caffe und TensorFlow-Keras zu arbeiten
• Daten mit mehreren GPUs, der Cloud oder Clustern zu trainieren

Zielgruppe

• Entwickler
• Ingenieure
• Bereichsexperten

Kursformat

• Teil Vorlesung, teil Diskussion, Übungen und viel praktische Arbeit

Dieses von einem Trainer durchgeführte Live-Training in Schweiz (online oder vor Ort) richtet sich an Anfänger- und Fortgeschrittenenprofis, die ihre Kenntnisse über Machine-Learning-Algorithmen, Deep-Learning-Techniken und künstliche Intelligenz getriebene Entscheidungsfindung vertiefen möchten. Der Kurs bietet praktische Erfahrungen mit Konzepten des maschinellen Lernens, tiefen neuronalen Netzwerken und praxisnahen Implementierungen unter Verwendung von R.

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

• Die Grundlagen des maschinellen Lernens und Deep Learning zu verstehen.
• Verschiedene Machine-Learning-Algorithmen für Regression, Klassifikation, Clustering und Anomalieerkennung anzuwenden.
• Tiefenlernalarchitekturen wie künstliche neuronale Netzwerke (ANNs) zu verwenden.
• Überwachte und unüberwachte Lernmodelle zu implementieren.
• Die Leistung von Modellen zu bewerten und Hyperparameter zu optimieren.
• R für Datenanalyse, Visualisierung und Machine-Learning-Anwendungen zu nutzen.

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 Schweiz (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 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 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.

Dieses vom Trainer geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Ingenieure, die lernen möchten, wie sie Maschinenlearning-Modelle auf sehr kleinen eingebetteten Geräten schreiben, laden und ausführen können.

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

• TensorFlow Lite zu installieren.
• Maschinenlearning-Modelle auf einem eingebetteten Gerät zu laden, um es zum Beispiel zur Erkennung von Sprache oder zur Klassifizierung von Bildern zu verwenden.
• Künstliche Intelligenz (AI) in Hardwaregeräte zu integrieren, ohne auf Netzwerkverbindungen angewiesen zu sein.

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.

In diesem von einem Trainer durchgeführten Live-Seminar in Schweiz 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-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

Dieses Kurs beginnt mit dem Verleihen von konzeptuellen Kenntnissen in neuronalen Netzen und allgemein in maschinellem Lernen, tiefem Lernen (Algorithmen und Anwendungen).

Der erste Teil (40%) dieser Schulung konzentriert sich stärker auf die Grundlagen, wird aber helfen, die richtige Technologie auszuwählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Der zweite Teil (20%) dieser Schulung führt in Theano ein - eine Python-Bibliothek, die das Schreiben von Modellen für tiefes Lernen erleichtert.

Der dritte Teil (40%) der Schulung wird sich intensiv mit TensorFlow beschäftigen - der zweiten Generation API von Googles Open-Source-Softwarebibliothek für Deep Learning. Alle Beispiele und praktischen Übungen werden in TensorFlow durchgeführt.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Projekte im tiefen Lernen einsetzen möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer:

• eine gute Kenntnis von tieferen neuronalen Netzen (DNN), CNN und RNN haben

• die Struktur und die Bereitstellungsmethoden von TensorFlow verstehen

• in der Lage sein, Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchzuführen

• Codequalität bewerten, Debugging und Monitoring durchführen können

• fortgeschrittene Produktionsprozesse wie das Training von Modellen, die Erstellung von Graphen und das Logging implementieren können