+48 22 203 56 00 biuro@sages.pl
Szkolenie dostępne na zamówienie

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.

2350 PLN+23% VAT (2890 PLN brutto / 1 os.)

Czas trwania szkolenia:2 dni (16h)

Poziom zaawansowania:

Kod kursu:DL/TF

cnnrnnneural-networks

Dostępne terminy szkolenia

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

26 listopada
Trwają zapisy na szkolenie

Trener:

Norbert Ryciak

Cena:

2350 PLN netto
Ikona podpowiedziDowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT
Zapisz się

Lokalizacja:

Zdalne
Zdalne
Ikona podpowiedziZapytaj o inne lokalizacje - w tym celu skorzystaj z chatu

Forma szkolenia

Interesuje Cię szkolenie stacjonarne?

Zapytaj o szkolenie

Powiadom o kolejnych terminach

Interesuje Cię szkolenie w innym terminie?

Uczenie 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

Pobierz program w PDF

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…

Podobne szkolenia

Deep learning

Liczba dni: 4
4125 PLN

Szkolenie pokrywa powszechnie stosowane w praktyce metody głębokiego uczenia i dostarcza kompetencji pozwalających na efektywne wykorzystanie sieci neuronowych w codziennej pracy.

rnngrucnnlstm

Nienadzorowana reprezentacja, autoenkodery i modele generatywne

Liczba dni: 3
2950 PLN

Jednym z ważniejszych zadań Deep Learningu jest budowa reprezentacji danych. Ponieważ często mamy do dyspozycji dużą liczbę niepoetykietowanych danych (wysokie koszty), w ostatnim czasie widzimy coraz większe zainteresowanie konstrukcją nienadzorowanych reprezentacji za pomocą metod kontrastywnych (contrastive learning). Drugim istotnym narzędziem do konstrukcji reprezentacji są modele bazujące na strukturze AutoEnkodera. Pozwalają one w szczególności uzupełniać brakujące części zdjęć (missing imputation), kompresować dane, usuwać szum (denoising AutoEncoder) lub też wyszukiwać odstające obserwacje (outliers). Rozszerzenie AutoEnkodera do modeli generatywnych jak VAE (variational AutoEncoder) pozwala nam na generowanie danych, interpolację między danymi czy ich manipulację. Inne ważne modele generatywne to GANy, które pozwalają na generowanie fotorealistycznych zdjęć czy ich modyfikowanie (text-to-speech, image impainting, etc) czy modele pozwalające na estymację gęstości (modele flowowe). W ramach szkolenia omówiona zostanie tematyka budowy nienadzorowanych reprezentacji danych oraz modele generatywne, przechodząc od tych posiadających strukturę AutoEnkodera, po GANy oraz modele gęstościowe.

neural-networks

Interpretowalne uczenie maszynowe

Liczba dni: 2
2585 PLN

Współczesne metody uczenia maszynowego stają się kluczowymi elementami wielu aplikacji, na przykład w przemyśle, medycynie czy sektorze finansowym. Niestety, metody te działają zazwyczaj na zasadzie czarnych skrzynek, które zwracają predykcje bez wyjaśnienia podejmowanych decyzji. Jest to problematyczne, bo uczenie maszynowe coraz częściej wkracza w różne aspekty życia społecznego. Dlatego organy regulacyjne coraz częściej wymagają tłumaczenia procesów decyzyjnych w celu zapewnienia zaufania i przejrzystości. W ramach szkolenia przedstawimy podstawowe metody wyjaśniania decyzji modeli uczenia maszynowego oraz ich praktyczne zastosowania.

neural-networks