Formation Applied AI from Scratch

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Ce cours a été conçu pour les managers, les architectes de solutions, les responsables de l'innovation, les directeurs techniques, les architectes logiciels et toute personne intéressée par une vue d'ensemble de l'intelligence artificielle appliquée et par les prévisions les plus proches concernant son développement.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow à développer des modèles de vision sophistiqués à l'aide de Google Colab.

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

• Construire et entraîner des réseaux neuronaux convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour un développement de modèle évolutif et efficace basé sur le cloud.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux data scientists et aux développeurs de niveau intermédiaire qui souhaitent comprendre et appliquer les techniques d'apprentissage profond en utilisant l'environnement Google Colab.

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

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les principes fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond en utilisant TensorFlow.
• Former et évaluer les modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

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.&nbsp ;

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.

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 <loc&gt ; (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 fraude dans 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 l'analyse des données de fraude.

Cette formation dirigée par un instructeur en <loc&gt ; (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.

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.

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

Cette formation en direct avec instructeur en <loc&gt ; (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.

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.

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

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