Formation Deep Reinforcement Learning with Python

Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et leurs compétences en apprentissage profond pour la génération de texte à image.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les architectures et les techniques avancées d'apprentissage profond pour la génération texte-image.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes.
• Ajuster les hyperparamètres pour une meilleure performance et généralisation du modèle.
• Intégrer Stable Diffusion avec d'autres cadres et outils d'apprentissage profond.

Cette formation en direct dans France (en ligne ou sur place) s'adresse aux biologistes qui souhaitent comprendre le fonctionnement de AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de base de AlphaFold.
• Apprendre comment fonctionne AlphaFold.
• Apprendre à interpréter les prédictions et les résultats de AlphaFold.

Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité.

Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST.

Public

Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre.

Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et configuration
• évaluer la qualité du code, effectuer le débogage, la surveillance
• implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter

Cette formation en France (en ligne ou sur site) s'adresse aux chercheurs et aux développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python tout en rendant le code facile à déboguer.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et mettre en œuvre des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier des algorithmes existants pour optimiser les modèles d'apprentissage profond tout en tirant parti des GPUs pour obtenir de hautes performances.

Computer Network ToolKit (CNTK) est Microsoft un cadre d'apprentissage machine Open Source, multi-machine, multiGPU, hautement efficace pour l'apprentissage des RNN pour la parole, le texte et les images.

Audience

Ce cours s'adresse aux ingénieurs et architectes souhaitant utiliser CNTK dans leurs projets.

Public

Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques.

Ce cours fournit des exemples de travail.

Cette formation en direct dans France (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire, aux scientifiques des données et aux praticiens de l'IA qui souhaitent tirer parti de TensorFlow Lite pour les applications d'IA de pointe.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes fondamentaux de TensorFlow Lite et son rôle dans l'Edge AI.
• Développer et optimiser des modèles d'IA à l'aide de TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils périphériques.
• Utiliser des outils et des techniques pour la conversion et l'optimisation des modèles.
• Mettre en œuvre des applications pratiques d'Edge AI à l'aide de TensorFlow Lite.

Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux data scientists qui souhaitent accélérer les applications d'apprentissage automatique en temps réel et les déployer à l'échelle.

À l'issue de cette formation, les participants seront en mesure de :

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision artificielle en utilisant un FPGA.
• Exécuter différentes couches CNN sur le FPGA.
• Mettre à l'échelle l'application sur plusieurs nœuds dans un cluster Kubernetes.

Cette formation en France (en ligne ou sur site) est destinée aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des formations distribuées d'apprentissage profond et le mettre à l'échelle pour l'exécuter sur plusieurs GPU en parallèle.

À la fin de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à exécuter des formations d'apprentissage profond.
• Installer et configurer Horovod pour former des modèles avec TensorFlow, Keras, PyTorch et Apache MXNet.
• Mettre à l'échelle la formation à l'apprentissage profond avec Horovod pour l'exécuter sur plusieurs GPU.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux personnes techniques qui souhaitent appliquer un modèle d'apprentissage profond à des applications de reconnaissance d'images.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Keras.
• Prototyper rapidement des modèles d'apprentissage profond.
• Implémenter un réseau convolutif.
• Implémenter un réseau récurrent.
• Exécuter un modèle d'apprentissage profond sur un CPU et GPU.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
• Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
• Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent écrire, charger et exécuter des modèles d'apprentissage automatique sur de très petits appareils embarqués.

A l'issue de cette formation, les participants seront capables de :

• Installer TensorFlow Lite.
• Charger des modèles d'apprentissage automatique sur un appareil embarqué pour lui permettre de détecter la parole, de classer des images, etc.
• Ajouter l'IA aux appareils matériels sans dépendre de la connectivité réseau.

TensorFlow est une API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Le système est conçu pour faciliter la recherche en apprentissage automatique et faciliter la transition rapide d'un prototype de recherche à un système de production.

Public

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .

Une fois ce cours terminé, les délégués:

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
• être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
• être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation

Ce cours explore, avec des exemples spécifiques, l’application de Tensor Flow aux objectifs de la reconnaissance d’image.

Public

Ce cours est destiné aux ingénieurs qui souhaitent utiliser TensorFlow aux fins de la reconnaissance d'image.

Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer des tâches d'installation / environnement de production / architecture et configuration
• évaluer la qualité du code, effectuer le débogage, la surveillance
• implémenter une production avancée telle que des modèles de formation, la création de graphiques et l'enregistrement

TensorFlow™ est une bibliothèque de logiciels open source pour les calculs numériques en utilisant des graphiques de flux de données.

SyntaxNet est un cadre de traitement de langue naturelle pour TensorFlow.

Word2Vec est utilisé pour l'apprentissage des représentations vectorielles des mots, appelé "word embeddings". Word2vec est un modèle prédictif particulièrement computable et efficace pour l'apprentissage des entrées de mots à partir du texte. Il vient en deux goûts, le modèle Continuous Bag-of-Words (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.)

Utilisé en tandem, SyntaxNet et Word2Vec permettent aux utilisateurs de générer des modèles d'insertion appris à partir de l'entrée de langue naturelle.

Audience

Ce cours est destiné aux développeurs et aux ingénieurs qui ont l'intention de travailler avec SyntaxNet et Word2Vec modèles dans leurs TensorFlow graphiques.

Après avoir terminé ce cours, les délégués :

• Comprendre TensorFlow’s structures et mécanismes de déploiement
• être en mesure de réaliser des tâches d'installation / environnement de production / architecture et de configuration
• être en mesure d’évaluer la qualité du code, d’effectuer le débogage, de surveiller
• être en mesure de mettre en œuvre des modèles de production avancés tels que les modèles de formation, les termes d'emballage, les graphiques de construction et le logging