Formation Machine Learning with TensorFlow.js

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

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.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à tirer parti des innovations des processeurs TPU pour maximiser les performances de leurs propres applications d'intelligence artificielle.

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

• Entraîner divers types de réseaux neuronaux sur de grandes quantités de données.

Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Dans cette formation en direct avec instructeur (en ligne ou sur site), les participants apprendront à configurer et à utiliser TensorFlow Serving pour déployer et gérer des modèles de ML dans un environnement de production.

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

• Entraîner, exporter et servir divers modèles TensorFlow.
• Tester et déployer des algorithmes à l'aide d'une architecture et d'un ensemble d'API uniques.
• Extension TensorFlow Serving pour servir d'autres types de modèles que les modèles TensorFlow.

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et plus généralement sur les algorithmes d'apprentissage automatique, d'apprentissage approfondi (algorithmes et applications).

La partie 1 (40%) de cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

La partie 2 (20%) de cette formation présente Theano, une bibliothèque python qui facilite l’écriture de modèles d’apprentissage approfondi.

La partie 3 (40%) de la formation serait largement basée sur Tensorflow - API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Les exemples et handson seraient tous fabriqués dans TensorFlow .

Public

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

Une fois ce cours terminé, les délégués:

• avoir une bonne compréhension des réseaux de neurones profonds (DNN), CNN et RNN

• 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

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à utiliser des Python bibliothèques pour le NLP en créant une application qui traite un ensemble d'images et génère des légendes.  ;

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

• Concevoir et coder DL pour le NLP en utilisant des Python bibliothèques.
• Créer Python un code qui lit une énorme collection d'images et génère des mots-clés.
• Créer Python code qui génère des légendes à partir des mots-clés détectés.

Il s'agit d'un cours de 4 jours présentant l'IA et ses applications. Il est possible de disposer d'une journée supplémentaire pour entreprendre un projet d'IA à la fin de ce cours.

Cette formation dirigée par un instructeur en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent utiliser Tensorflow 2.x pour construire des prédicteurs, des classificateurs, des modèles génératifs, des réseaux neuronaux et ainsi de suite.

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

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond dans le cloud, les appareils mobiles et IoT.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données de fraude potentielle.

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

• Créer un modèle de détection de la fraude en Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'IA de bout en bout pour analyser les données de fraude.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent passer de la formation d'un seul modèle de ML au déploiement de nombreux modèles de ML en production.

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

• Installer et configurer TFX et les outils tiers correspondants.
• Utiliser TFX pour créer et gérer un pipeline de production ML complet.
• Travailler avec les composants TFX pour effectuer la modélisation, l'entraînement, l'inférence et la gestion des déploiements.
• Déployez des fonctions d'apprentissage automatique dans des applications web, des applications mobiles, des appareils IoT et bien plus encore.

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique dans un OpenShift nuage sur site ou hybride.

• À l'issue de cette formation, les participants seront capables de :
• Installer et configurer Kubernetes et Kubeflow sur un cluster OpenShift.
• Utiliser OpenShift pour simplifier le travail d'initialisation d'un cluster Kubernetes.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Appeler des services de cloud public (par exemple, des services AWS) à partir d'OpenShift pour étendre une application ML
.