Szkolenie: Uczenie maszynowe z TensorFlow
Szkolenie z TensorFlow dostarcza niezbędnej wiedzy do rozpoczęcia pracy z rozwiązaniami opartymi o uczenie głębokie (deep learning) w bibliotece TensorFlow.
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:2 dni (16h)
Kod kursu:DL/TF
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
2350 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
2350 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
2350 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
2350 PLN nettoLokalizacja:
ZdalneUczenie maszynowe z TensorFlow
Cele szkolenia
Opanowanie najbardziej przydatnych funkcjonalności biblioteki TensorFlow 2
Zapoznanie z mechanizmami budowania profesjonalnych rozwiązań opartych o uczenie głębokie w TensorFlow, dotyczących analizy obrazów, przetwarzania języka naturalnego, predykcji szeregów czasowych
Zdobycie praktycznych umiejętności implementacji własnych architektur sieci neuronowych wykorzystując dostępne w bibliotece komponenty
Poznanie metodologii pracy z sieciami neuronowymi w bibliotece TensorFlow
Dla kogo?
Osoby, które chcą rozpocząć pracę z wykorzystaniem sieci neuronowych przy użyciu najnowszej wersji biblioteki TensorFlow
Programiści, statystycy, data scientist'ci z podstawową wiedzą o głębokim uczeniu maszynowych
Osoby, które chcą przygotować się do certyfikatu Google TensorFlow Developer
Zalety
Poznanie najczęściej wykorzystywanej biblioteki do rozwoju i deploymentu algorytmów uczenia głębokiego
Przedstawienie najpopularniejszych scenariuszy wykorzystywania biblioteki (analiza obrazów, przetwarzanie języka naturalnego, predykcje szeregów czasowych)
Przedstawienie złożonych funkcjonalności biblioteki w przystępny sposób
Praktyczne wskazówki i dobre praktyki podczas budowy rozwiązań opartych o uczenie głębokie
Duża dawka wiedzy i umiejętności, pozwalających na rozpoczęcie pracy z biblioteką TensorFlow 2 w produkcyjnych projektach
Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań
Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką
Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how
Wymagania
Podstawowa znajomość języka Python
Znajomość podstawowych technik uczenia maszynowego, w tym najczęściej stosowanych architektur sieci neuronowych, takich jak sieć konwolucyjna czy sieć rekurencyjna
Podstawowa wiedza matematyczna: algebra liniowa (działania na macierzach), analiza (pochodne funkcji)
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Wprowadzenie
Wysokopoziomowy opis biblioteki
Graf obliczeń
Proces uczenia sieci neuronowej w TensorFlow
Budowa i trenowanie sieci
Budowa modelu za pomocą API sekwencyjnego
Budowa modelu za pomocą API funkcyjnego
Trenowanie sieci neuronowej
Wstrzykiwanie dodatkowych funkcjonalności podczas treningu (early stopping, manipulacja wielkością współczynnika uczenia, metryki, serializacja modelu)
Zapis i wczytywanie modelu z pliku
Interaktywna analiza przebiegu procesu uczenia sieci w narzędziu Tensorboard
Tuning modeli i strojenie procesu uczenia
Inicjalizacja wag sieci
Regularyzacja klasyczna: l1, l2
Regularyzacja dropout
Przycinanie gradientu (gradient clipping)
Normalizacja wsadowa (batch normalization)
Przetwarzanie obrazów - klasyfikacja
Przygotowanie danych do treningu
Budowa architektury opartej o warstwy konwolucujne
Ładowanie obrazów z katalogów podczas treningu (generatory danych)
Trenowanie i ocena jakości klasyfikacji
Implementacja własnego generatora danych
Transfer learning
Dostępne pretrenowane modele w TensorFlow
Modyfikacja architektury wykorzystywanego modelu
Augmentacja danych do treningu (klasyfikacja obrazów)
Dobre praktyki dotyczące transfer learningu
Przetwarzanie języka naturalnego (analiza wydźwięku)
Wektorowe reprezentacje dokumentów
Narzędzia w TensorFlow do pracy z tekstem
Budowa architektury opartej o warstwy rekurencyjne (RNN, LSTM, Bidirectional)
Uczenie sieci i ocena jakości predykcji
Predykcja szeregów czasowych
Przygotowanie danych do problemu predykcji
Uczenie sieci i ocena jakości predykcji
Budowa architektury opartej o warstwy rekurencyjne (RNN, LSTM, Bidirectional)
Podsumowanie
Przegląd wybranych zaawansowanych technik budowy modeli w TensorFlow 2
Autorem szkolenia jest Waldemar Kołodziejczyk
Profesjonalnie i akademicko związany z branżą inżynierską, tworzy rozwiązania oparte o wizję komputerową, szeregi czasowe i uczenie ze wzmocnieniem. Zajmuje się pełnym cyklem zagadnień, od dekompozycji problemu biznesowego, poprzez analizy i research aż po trenowanie i deployment modeli na produkcję. Jako trener prowadzi kursy z obszaru Data Science i Machine Learning w Sages. Wykładowca przedmiotu "Uczenie Maszynowe w rozwiązaniach Big Data" na studiach podyplomowych "Big Data" na Politechnice…
