Les formations TensorFlow

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 .

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.

L'unité de traitement Tensor (TPU) est l'architecture que Google a utilisée en interne depuis plusieurs années, et est maintenant en train de devenir disponible pour une utilisation par le grand public Il inclut plusieurs optimisations spécifiquement destinées à être utilisées dans les réseaux neuronaux, y compris la multiplication simplifiée de matrices, et des entiers à 8 bits au lieu de 16 bits afin de renvoyer des niveaux de précision appropriés Dans cette formation en direct, les participants apprendront à tirer parti des innovations des processeurs TPU pour optimiser les performances de leurs propres applications IA À la fin de la formation, les participants seront en mesure de: Former différents types de réseaux de neurones sur de grandes quantités de données Utilisez des TPU pour accélérer le processus d'inférence jusqu'à deux ordres de grandeur Utiliser des TPU pour traiter des applications intensives telles que la recherche d'images, la vision nuageuse et les photos Public Développeurs Des chercheurs Ingénieurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

TensorFlow Serving est un système destiné à servir les modèles d'apprentissage automatique (ML) à la production Dans cette formation en ligne, les participants apprendront comment configurer et utiliser TensorFlow Serving pour déployer et gérer des modèles ML dans un environnement de production À la fin de cette formation, les participants seront en mesure de: Former, exporter et servir divers modèles TensorFlow Tester et déployer des algorithmes à l'aide d'une architecture unique et d'un ensemble d'API Étendre TensorFlow Serving pour servir d'autres types de modèles au-delà des modèles TensorFlow Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

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

Deep Learning for NLP permet à une machine d'apprendre un traitement de langage simple à complexe Parmi les tâches actuellement possibles figurent la traduction de la langue et la génération de légendes pour les photos DL (Deep Learning) est un sous-ensemble de ML (Machine Learning) Python est un langage de programmation populaire qui contient des bibliothèques pour Deep Learning for NLP Dans cette formation en ligne, les participants apprendront à utiliser les bibliothèques Python pour le traitement automatique du langage naturel (NLP) en créant une application qui traite un ensemble d'images et génère des légendes À la fin de cette formation, les participants seront en mesure de: Concevoir et coder DL pour NLP en utilisant des bibliothèques Python Créer un code Python qui lit une collection substantielle d'images et génère des mots-clés Créer un code Python qui génère des légendes à partir des mots clés détectés Public Programmeurs ayant un intérêt pour la linguistique Les programmeurs qui cherchent une compréhension de la PNL (traitement du langage naturel) Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. 

TensorFlow est une bibliothèque populaire et l' apprentissage automatique mis au point par Go Ogle pour l' apprentissage en profondeur, le calcul numérique, et l' apprentissage de la machine à grande échelle. TensorFlow 2.0, publié en janvier 2019, est la dernière version de TensorFlow et inclut des améliorations en termes d'exécution, de compatibilité et de cohérence des API. Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux experts en informatique qui souhaitent utiliser Tensorflow 2.0 pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc. À la fin de cette formation, les participants seront en mesure de:

• Installez et configurez TensorFlow 2.0.
• Comprenez les avantages de TensorFlow 2.0 par rapport aux versions précédentes.
• Construire des modèles d'apprentissage en profondeur.
• Implémenter un classificateur d'image avancé.
• Déployez un modèle d'apprentissage approfondi sur le cloud, les appareils mobiles et l'IoT.

Format du cours

• Conférence interactive et discussion.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
• Pour en savoir plus sur TensorFlow , visitez le site: https://www.tensorflow.org/

TensorFlow.js est un framework JavaScript pour l'apprentissage automatique. TensorFlow.js permet aux utilisateurs de construire et d’entraîner des modèles d’apprentissage automatique directement dans JavaScript. Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée à des scientifiques de données qui souhaitent utiliser TensorFlow.js pour identifier les modèles et générer des prévisions à travers les modèles d'apprentissage en machine. À la fin de cette formation, les participants seront en mesure de :

Construire et former des modèles d'apprentissage automatique avec TensorFlow.js. Exécuter les modèles d'apprentissage automatique dans le navigateur ou sous Node.js. Retirez les modèles d’apprentissage automatique préexistants en utilisant des données personnalisées.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

TensorFlow est une bibliothèque d’apprentissage automatique open source. TensorFlow permet aux utilisateurs d’utiliser et de créer l’intelligence artificielle pour détecter et prédire la fraude. Cette formation guidée par des instructeurs, en direct (online ou sur site) est destinée à des scientifiques de données qui souhaitent utiliser TensorFlow pour analyser les données potentielles de fraude. À la fin de cette formation, les participants seront en mesure de :

Créez un modèle de détection de fraude dans Python et TensorFlow. Construire des regressions linéaires et des modèles de regressions linéaires pour prédire la fraude. Développer une application AI end-to-end pour analyser les données frauduleuses.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

TensorFlow Extended (TFX) est une plate-forme end-to-end pour le déploiement de pipelines de production ML. Cette formation guidée par des instructeurs, en direct (online ou sur site) est destinée à des scientifiques de données qui souhaitent aller de la formation d'un seul modèle ML à la mise en œuvre de nombreux modèles ML à la production. À la fin de cette formation, les participants seront en mesure de :

Installation et configuration de TFX et support des outils tiers. Utilisez TFX pour créer et gérer un pipeline de production ML complet. Travailler avec les composants TFX pour effectuer la modélisation, la formation, la fourniture d'inférences et la gestion des déploiements. Déployer les fonctionnalités d'apprentissage automatique sur les applications Web, les applications mobiles, les appareils IoT et plus encore.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Kubeflow Il s'agit d'un cadre pour le fonctionnement Machine Learning des charges de travail sur Kubernetes. TensorFlow est l'une des bibliothèques les plus populaires d'apprentissage automatique. Kubernetes est une plate-forme d’orchestration pour la gestion des applications conteneuses. OpenShift est une plate-forme de développement d'applications en nuage qui utilise Docker conteneurs, orchestrés et gérés par Kubernetes, sur une base de Red Hat Enterprise Linux. Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent déployer Machine Learning les charges de travail dans un OpenShift sur-premise ou hybride nuage.

À la fin de cette formation, les participants seront en mesure de : Il s’agit d’un Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’ Utilisez OpenShift pour simplifier le travail d’initialiser un Kubernetes cluster. Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production. Trainer et déployer TensorFlow les modèles ML sur plusieurs GPUs et les machines qui fonctionnent en parallèle. Appelez les services public en nuage (par exemple, les services AWS) de l'intérieur OpenShift pour étendre une application ML.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.