Deep Learning Schulungen in Zürich

Diese dozentengeleitete Live-Schulung in <Ort> (online oder vor Ort) richtet sich an Entwickler, Data Scientists und KI-Experten mit mittlerem Kenntnisstand, die TensorFlow Lite für Edge-AI-Anwendungen nutzen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Die Grundlagen von TensorFlow Lite und seine Rolle in der Edge AI zu verstehen.
• KI-Modelle mit TensorFlow Lite zu entwickeln und zu optimieren.
• TensorFlow Lite-Modelle auf verschiedenen Edge-Geräten bereitzustellen.
• Werkzeuge und Techniken für die Modellkonvertierung und Optimierung anzuwenden.
• Praktische Edge-AI-Anwendungen mit TensorFlow Lite zu implementieren.

Diese instruktionsgeleitete, live stattfindende Schulung in Zürich (online oder vor Ort) richtet sich an erfahrene Fachkräfte, die ihr Verständnis der Computer Vision vertiefen und die Möglichkeiten von TensorFlow zur Entwicklung anspruchsvoller Bildverarbeitungsmodelle mit Google Colab erkunden möchten.

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

• Convolutional neural networks (CNNs) mit TensorFlow aufzubauen und zu trainieren.
• Google Colab für skalierbare und effiziente cloud-basierte Modellentwicklungen zu nutzen.
• Bildvorverarbeitungstechniken für Computer-Vision-Aufgaben zu implementieren.
• Computer-Vision-Modelle für reale Anwendungen bereitzustellen.
• Transfer Learning einzusetzen, um die Leistung von CNN-Modellen zu verbessern.
• Die Ergebnisse von Bildklassifizierungsmodellen zu visualisieren und zu interpretieren.

Diese von Dozenten geleitete Live-Schulung in Zürich (online oder vor Ort) richtet sich an Data Scientists und Entwickler mit mittlerem Know-how, die tiefe Lernverfahren im Google Colab-Umfeld verstehen und anwenden möchten.

Am Ende dieser Schulung sind die Teilnehmer in der Lage:

• Google Colab für Deep-Learning-Projekte einzurichten und zu navigieren.
• Die Grundlagen neuronaler Netze zu verstehen.
• Deep Learning-Modelle mit TensorFlow zu implementieren.
• Deep-Learning-Modelle zu trainieren und zu evaluieren.
• Erweiterte Funktionen von TensorFlow für Deep Learning zu nutzen.

Diese instruktorengestützte, live durchgeführte Schulung in Zürich (online oder vor Ort) richtet sich an fortgeschrittene Fachkräfte, die sich in modernen Deep-Learning-Techniken für NLU spezialisieren möchten.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• Die wesentlichen Unterschiede zwischen NLU- und NLP-Modellen zu verstehen.
• Fortschrittliche Deep-Learning-Techniken auf NLU-Aufgaben anzuwenden.
• Tiefe Architekturen wie Transformer und Aufmerksamkeitsmechanismen (Attention Mechanisms) zu erkunden.
• Zukünftige Trends in der NLU zur Entwicklung komplexer KI-Systeme zu nutzen.

Diese instruktionsgeleitete Live-Schulung in Zürich (online oder vor Ort) richtet sich an Fortgeschrittene, die state-of-the-art-XAI-Techniken für Deep-Learning-Modelle erkunden möchten, mit dem Fokus auf den Aufbau interpretierbarer KI-Systeme.

Nach Abschluss dieser Schulung werden die Teilnehmenden in der Lage sein:

• Die Herausforderungen der Erklärbarkeit im Deep Learning zu verstehen.
• Fortschrittliche XAI-Techniken für neuronale Netze zu implementieren.
• Entscheidungen von Deep-Learning-Modellen zu interpretieren.
• Die Abwägung zwischen Leistung und Transparenz zu bewerten.

Diese instruktionsgeleitete Live-Schulung in Zürich (online oder vor Ort) richtet sich an Data Scientists und Machine Learning Engineers mit fortgeschrittenem bis mittlerem Kenntnisstand, Deep-Learning-Forschende sowie Expertinnen und Experten für Computer Vision, die ihre Kenntnisse und Fähigkeiten im Bereich des Deep Learnings für die Text-zu-Bild-Generierung erweitern möchten.

Abschliessend werden die Teilnehmenden in der Lage sein:

• Fortgeschrittene Architekturen und Techniken des Deep Learnings für die Text-zu-Bild-Generierung zu verstehen.
• Komplexe Modelle und Optimierungen zur Erstellung hochwertiger Bilder zu implementieren.
• Die Leistung und Skalierbarkeit für grosse Datensätze und komplexe Modelle zu optimieren.
• Hyperparameter für eine bessere Modellleistung und Generalisierung einzustellen.
• Stable Diffusion in andere Deep-Learning-Frameworks und Tools zu integrieren

Diese von einem Dozenten geleitete Live-Schulung in Zürich (online oder vor Ort) richtet sich an fortgeschrittene Fachkräfte, die KI-Techniken nutzen möchten, um den Prozess der Arzneimittelentdeckung und -entwicklung zu revolutionieren.

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

• Die Rolle der KI in der Arzneimittelentdeckung und -entwicklung zu verstehen.
• Machine-Learning-Techniken zur Vorhersage von Moleküleigenschaften und Wechselwirkungen anzuwenden.
• Deep-Learning-Modelle für das virtuelle Screening und die Optimierung von Leitstrukturen zu verwenden.
• KI-gestützte Ansätze in den Prozess klinischer Studien zu integrieren.

Diese instructor-led, live-Schulung in Zürich (online oder vor Ort) richtet sich an Biologinnen und Biologen, die verstehen möchten, wie AlphaFold funktioniert, und AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien nutzen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• die grundlegenden Prinzipien von AlphaFold zu verstehen.
• nachzuvollziehen, wie AlphaFold funktioniert.
• AlphaFold-Vorhersagen und -Ergebnisse zu interpretieren.

Diese dozentengeführte, Live-Schulung in Zürich (online oder vor Ort) richtet sich an Entwicklerinnen und Entwickler mit Kenntnissen auf Anfänger- bis Einsteigerniveau, die Large Language Models für verschiedene natursprachliche Aufgaben nutzen möchten.

Nach Abschluss dieser Schulung können die Teilnehmenden:

• eine Entwicklungsumgebung einrichten, die ein beliebtes LLM enthält.
• ein grundlegendes LLM erstellen und es auf einem eigenen Datensatz feinjustieren (fine-tunen).
• LLMs für unterschiedliche natursprachliche Aufgaben wie Textzusammenfassung, Beantwortung von Fragen, Textgenerierung und weiteres einsetzen.
• LLMs mit Werkzeugen wie TensorBoard, PyTorch Lightning und Hugging Face Datasets debuggen und evaluieren.

Dieses von Instruktoren geleitete Live-Training (online oder vor Ort) richtet sich an Data Scientists, Machine Learning Engineers und Computer-Vision-Forschende, die Stable Diffusion nutzen möchten, um hochwertige Bilder für verschiedene Anwendungsfälle zu generieren.

Nach Abschluss dieses Trainings können Teilnehmende:

• Die Prinzipien von Stable Diffusion verstehen und nachvollziehen, wie es zur Bildgenerierung funktioniert.
• Stable-Diffusion-Modelle für Aufgaben der Bildgenerierung erstellen und trainieren.
• Stable Diffusion auf verschiedene Szenarien der Bildgenerierung anwenden, wie z. B. Inpainting, Outpainting und Image-to-Image-Translation.
• Die Leistung und Stabilität von Stable-Diffusion-Modellen optimieren.

In dieser dozentengeführten Live-Schulung in Zürich lernen die Teilnehmer die aktuellsten und innovativsten Methoden des maschinellen Lernens in Python kennen, indem sie eine Reihe von Demo-Anwendungen erstellen, die Bilddaten, Musik, Texte und Finanzdaten verarbeiten.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Algorithmen und Techniken des maschinellen Lernens zur Lösung komplexer Probleme implementieren.
• Tiefes Lernen und semi-supervised Learning auf Anwendungen anwenden, die Bilddaten, Musik, Texte und Finanzdaten umfassen.
• Python-Algorithmen bis zu deren maximalem Potenzial ausreizen.
• Bibliotheken und Pakete wie NumPy und Theano verwenden.

Diese vom Dozent geleitete, live stattfindende Schulung in Zürich (online oder vor Ort) bietet eine Einführung in die Felder der Mustererkennung und des maschinellen Lernens. Dabei werden praktische Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik behandelt.

Nach Abschluss dieser Schulung werden die Teilnehmer fähig sein:

• Grundlegende statistische Methoden auf die Mustererkennung anzuwenden.
• Schlüsselmodelle wie neuronale Netze und Kernel-Methoden für die Datenanalyse zu verwenden.
• Fortschrittliche Techniken zur Lösung komplexer Probleme zu implementieren.
• Die Vorhersagegenauigkeit durch die Kombination verschiedener Modelle zu verbessern.

Diese dozentengeleitete Live-Schulung in Zürich (online oder vor Ort) richtet sich an Softwareentwickler, Datenanalysten und technische Fachkräfte, die TensorFlow 2.x und Keras nutzen möchten, um Deep-Learning-Modelle für Computervision, natürliche Sprachverarbeitung und multimodale Anwendungen zu entwickeln, zu trainieren und bereitzustellen.

Diese instructor-led-Live-Schulung in Zürich (online oder vor Ort) richtet sich an Data Scientists, die TensorFlow nutzen möchten, um potenzielle Betrugsdaten zu analysieren.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• Ein Betrugserkennungsmodell mit Python und TensorFlow zu erstellen.
• Lineare Regressionen und Modelle der linearen Regression zur Betrugsprognose aufzubauen.
• Eine durchgängige KI-Anwendung zur Analyse von Betrugsdaten zu entwickeln.

In dieser unter Anleitung durchgeführten Schulung lernen die Teilnehmer, wie man mit Matlab ein Convolutional Neural Network (CNN) für die Bilderkennung entwirft, aufbaut und visualisiert.

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

• Ein Deep-Learning-Modell zu erstellen
• Datenbeschriftigungen zu automatisieren
• Mit Modellen aus Caffe und TensorFlow-Keras zu arbeiten
• Daten mit mehreren GPUs, in der Cloud oder in Clustern zu trainieren

Zielgruppe

• Entwickler
• Ingenieure
• Bereichsexperten

Kursformat

• Teilweise Vortrag, teilweise Diskussion, Übungen und intensive praktische Arbeit

Dieses von einem Trainer gelebte Live-Training zu Zürich (online oder vor Ort) richtet sich an Entwickler und Data Scientists, die TensorFlow 2.x zur Erstellung von Predictoren, Klassifikatoren, generativen Modellen, neuronalen Netzen und mehr nutzen möchten.

Am Ende dieses Trainings sind die Teilnehmer in der Lage:

• TensorFlow 2.x zu installieren und zu konfigurieren.
• Die Vorteile von TensorFlow 2.x gegenüber früheren Versionen zu verstehen.
• Deep-Learning-Modelle zu erstellen.
• Einen erweiterten Bildklassifikator zu implementieren.
• Ein Deep-Learning-Modell für die Cloud, mobile Geräte und IoT-Geräte bereitzustellen.