Formation Apprentissage automatique avancé avec 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 de deep learning conçu avec expression, rapidité et modularité à l'esprit.

Ce cours explore l'application de Caffe comme cadre de deep learning pour la reconnaissance d'images en utilisant MNIST comme exemple.

Public cible

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

À la fin de ce cours, les participants seront capables de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production telles que l'entraînement de modèles, l'implémentation de couches et la journalisation

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 cible

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

Ce cours fournit des exemples fonctionnels.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs intermédiaires, scientifiques des données et praticiens de l'IA qui souhaitent utiliser TensorFlow Lite pour les applications d'IA Edge.

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

• Comprendre les fondamentaux de TensorFlow Lite et son rôle dans l'IA Edge.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils Edge.
• Utiliser les outils et techniques pour la conversion et l'optimisation de modèles.
• Mettre en œuvre des applications d'IA Edge pratiques 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 2e génération de la bibliothèque open source de Google pour le Deep Learning. Le système est conçu pour faciliter la recherche en apprentissage automatique, et pour rendre rapide et facile la transition d'un prototype de recherche à un système de production.

Public cible

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets de Deep Learning.

À l'issue de ce cours, les participants seront capables de :

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer des tâches d'installation, de configuration de l'environnement de production et d'architecture
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production comme l'entraînement des modèles, la construction de graphes et la journalisation

Ce cours explore, avec des exemples spécifiques, l'application de Tensor Flow aux fins de la reconnaissance d'images

Public cible

Ce cours s'adresse aux ingénieurs cherchant à utiliser TensorFlow à des fins de reconnaissance d'images

Après avoir suivi ce cours, les participants seront en mesure de:

• comprendre la structure de TensorFlow et ses mécanismes de déploiement
• effectuer des tâches d'installation, d'environnement de production, d'architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production comme l'entraînement de modèles, la construction de graphiques et la journalisation

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

SyntaxNet est un cadre de traitement du langage naturel basé sur les réseaux de neurones pour TensorFlow.

Word2Vec est utilisé pour apprendre des représentations vectorielles des mots, appelées "embeddings de mots". Word2vec est un modèle prédictif particulièrement efficace en termes de calcul pour apprendre des embeddings de mots à partir de texte brut. Il existe en deux versions, le modèle Continuous Bag-of-Words (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.).

Utilisés conjointement, SyntaxNet et Word2Vec permettent aux utilisateurs de générer des modèles d'embeddings appris à partir d'entrées en langage naturel.

Public cible

Ce cours s'adresse aux développeurs et ingénieurs qui souhaitent travailler avec les modèles SyntaxNet et Word2Vec dans leurs graphes TensorFlow.

À la fin de ce cours, les participants pourront :

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer des tâches d'installation, d'environnement de production, d'architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• implémenter des tâches de production avancées comme l'entraînement des modèles, l'embedding des termes, la construction de graphes et la journalisation