Python用于高级机器学习 培训

这种由讲师指导的 中国 现场培训（在线或现场）面向希望扩展深度学习以生成文本到图像的知识和技能的中高级数据科学家、机器学习工程师、深度学习研究人员和计算机视觉专家。

在本次培训结束时，参与者将能够：

• 了解用于文字到图像生成的高级深度学习架构和技术。
• 实施复杂模型和优化，以实现高品质的图像合成。
• 优化大型数据集和复杂模型的性能和可扩充性。
• 优化超参数以获得更好的模型性能和泛化。
• 与其他深度学习框架和工具整合 Stable Diffusion

这种由 中国 的讲师指导的现场培训（在线或现场） 面向希望了解 AlphaFold 工作原理并在实验研究中使用 AlphaFold 模型作为指导的生物学家。

在本次培训结束时，参与者将能够：

• 理解 AlphaFold 的基本原理。
• 了解 AlphaFold 的工作原理。
• 了解如何解释 AlphaFold 预测和结果。

这是一个为期 4 天的课程，介绍人工智能及其应用。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

Caffe是一个深刻的学习框架，以表达，速度和模块化为基础。

本课程以MNIST为例，探讨了Caffe作为图像识别的深度学习框架的应用

听众

本课程适合有兴趣使用Caffe作为框架的Deep Learning研究人员和工程师。

完成本课程后，代表们将能够：

• 了解Caffe的结构和部署机制
• 执行安装/生产环境/架构任务和配置
• 评估代码质量，执行调试，监控
• 实施高级生产，如培训模型，实施图层和日志记录

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

Computer Network ToolKit （CNTK） 是 Microsoft 的开源、多机器、多 GPU、高效的 RNN 训练机器学习框架，用于语音、文本和图像。

观众

本课程针对旨在在其专案中使用 CNTK 的工程师和架构师。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望加深对计算机视觉的理解并探索 TensorFlow 使用 Google Colab 开发复杂视觉模型的能力的高级专业人士。

在本次培训结束时，参与者将能够：

• 使用 TensorFlow 构建和训练卷积神经网路 （CNN）。
• 利用 Google Colab 进行可扩展且高效的基于云的模型开发。
• 为电脑视觉任务实施图像预处理技术。
• 为实际应用程式部署电脑视觉模型。
• 使用迁移学习来增强CNN模型的性能。
• 可视化和解释图像分类模型的结果。

这种以讲师为主导的中国现场培训（现场或远程）面向希望使用[0 * ogle Colab环境理解和应用深度学习技术的中级数据科学家和开发人员。

在培训结束时，参与者将能够：

• 设置和导航 Google Colab 以进行深度学习项目。
• 了解神经网络的基础知识。
• 使用 TensorFlow 实现深度学习模型。
• 训练和评估深度学习模型。
• 利用 TensorFlow 的高级功能进行深度学习。

在这个由讲师指导的中国现场培训中，参与者将学习使用Python 库进行NLP，因为他们创建了一个处理 一组图片并生成标题的应用程序。 

在培训结束时，参与者将能够：

•  使用 Python 库为 NLP 设计和编写 DL。
• 创建 Python 代码，读取大量图片并生成关键字。
• 创建 Python 代码，用于 从检测到的关键字生成标题。

这种由讲师指导的 中国（在线或现场）实时培训面向希望利用 TensorFlow Lite 进行边缘 AI 应用程序的中级开发人员、数据科学家和 AI 从业者。

在培训结束时，参与者将能够：

• 了解 TensorFlow Lite 的基础知识及其在边缘 AI 中的作用。
• 使用 TensorFlow Lite 开发和优化 AI 模型。
• 在各种边缘设备上部署 TensorFlow Lite 模型。
• 利用工具和技术进行模型转换和优化。
• 使用 TensorFlow Lite 实现实用的边缘 AI 应用程序。

这种由讲师指导的 中国 现场实时培训（在线或现场）面向希望加速即时机器学习应用程式并大规模部署它们的数据科学家。

在本次培训结束时，参与者将能够：

• 安装 OpenVINO 工具包。
• 使用 FPGA 加速电脑视觉应用程式。
• 在 FPGA 上执行不同的 CNN 层。
• 在 Kubernetes 群集中的多个节点之间扩展应用程式。

这种由 讲师指导的 中国 现场实时培训（在线或现场）面向希望使用 Horovod 运行分散式深度学习训练并将其扩展为在多个 GPU 之间并行运行的开发人员或数据科学家。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始运行深度学习训练。
• 安装并配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 训练模型。
• 使用 Horovod 扩展深度学习训练以在多个 GPU 上运行。

这种由讲师指导的现场培训在 中国（在线或现场）进行，面向希望将深度学习模型应用于图像识别应用的技术人员。

在本次培训结束时，参与者将能够：

• 安装和配置 Keras。
• 快速构建深度学习模型的原型。
• 实现卷积网路。
• 实现循环网路。
• 在 CPU 和 GPU 上执行深度学习模型。

这种讲师指导的现场培训（在线或现场）面向希望 利用 Stable Diffusion 为各种使用案例生成高品质图像的数据科学家、机器学习工程师和计算机视觉研究人员。

在本次培训结束时，参与者将能够：

• 了解 Stable Diffusion 的原理以及它如何用于图像生成。
• 为图像生成任务构建和训练 Stable Diffusion 模型。
• 将 Stable Diffusion 应用于各种图像生成方案，例如修复、出海和图像到图像的转换。
• 优化 Stable Diffusion 模型的性能和稳定性。

这种以讲师为主导的中国现场培训（现场或远程）面向希望在非常小的嵌入式设备上编写，加载和运行机器学习模型的工程师。

在培训结束时，参与者将能够：

• 安装 TensorFlow Lite。
• 将机器学习模型加载到嵌入式设备上，使其能够检测语音、对图像进行分类等。
• 将 AI 添加到硬件设备，而无需依赖网络连接。