Gelişmiş Derin Öğrenme Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), metinden görüntüye oluşturma konusunda derin öğrenme alanındaki bilgilerini ve becerilerini genişletmek isteyen orta ve ileri seviyedeki veri bilimcileri, makine öğrenimi mühendisleri, derin öğrenme araştırmacıları ve bilgisayar görüşü uzmanlarına yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Metinden görüntüye oluşturma için gelişmiş derin öğrenme mimarilerini ve tekniklerini anlayabilecektir.
• Yüksek kaliteli görüntü sentezi için karmaşık modelleri ve optimizasyonları uygulayabilecektir.
• Büyük veri kümeleri ve karmaşık modeller için performansı ve ölçeklenebilirliği optimize edebilecektir.
• Daha iyi model performansı ve genelleme için hiperparametreleri ayarlayabilecektir.
• Stable Diffusion'ü diğer derin öğrenme çerçeveleri ve araçlarıyla entegre edebilecektir.

Türkiyetaki eğitmen yönetilen canlı eğitim (çevrimiçi veya yerel) biyologlara yönelik olup, AlphaFold'in nasıl çalıştığını anlamayı ve AlphaFold modellerini deneylerinde rehber olarak kullanmayı amaçlamaktadır.

Eğitim sonunda katılımcılar şunları yapabilecek hale gelecektir:

• AlphaFold'in temel ilkelerini anlamak.
• AlphaFold nasıl çalıştığını öğrenmek.
• AlphaFold tahminlerini ve sonuçlarını yorumlama becerisini kazanmak.

Caffe, ifade, hız ve modülerlik göz önünde bulundurularak oluşturulmuş derin öğrenme çerçevesidir.

Bu kurs, Caffe'ün görüntü tanıma için derin öğrenme çerçevesi olarak MNIST örneği kullanılarak uygulanmasını araştırmaktadır.

Hedef Kitle

Bu kurs, Caffe'ü bir çerçeve olarak kullanmakla ilgilenen Deep Learning araştırmacıları ve mühendisler için uygundur.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• Caffe'ün yapısını ve dağıtım mekanizmalarını anlayabilecektir
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir
• Modelleri eğitme, katmanları uygulama ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Chainer kullanarak Python içinde sinir ağları oluşturmak ve eğitmek isteyen araştırmacılara ve geliştiricilere yöneliktir; böylece kodun hata ayıklanması kolaylaşır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sinir ağı modelleri geliştirmeye başlamak için gerekli geliştirme ortamını kurmak.
• Anlaşılır kaynak kodu kullanarak sinir ağı modellerini tanımlamak ve uygulamak.
• Yüksek performans için GPUlerden yararlanarak derin öğrenme eğitim modellerini optimize etmek için örnekleri yürütmek ve mevcut algoritmaları değiştirmek.

Computer Network ToolKit (CNTK), konuşma, metin ve görüntüler için Açık Kaynaklı, Çoklu Makine, Çoklu-GPU, Yüksek Verimli RNN eğitimine yönelik Microsoft'in makine öğrenimi çerçevesidir.

Hedef Kitle

Bu kurs, projelerinde CNTK'i kullanmayı amaçlayan mühendisler ve mimarlar için hazırlanmıştır.

Hedef Kitle

Bu kurs, bilgisayar görüntülerini analiz etmek için mevcut araçları (çoğunlukla açık kaynaklı) kullanmakla ilgilenen Deep Learning araştırmacılar ve mühendisler için uygundur.

Bu kurs, çalışan örnekler sunmaktadır.

Bu eğitmen öncülkü, canlı eğitim (online veya on-site) Türkiye konumunda, Tensorflow Lite'i Kıyasın_AI uygulamalarında kullanmak isteyen orta seviye geliştiriciler, veri bilimciler ve yapay zeka uzmanları için tasarlanmıştır.

Bu eğitim sonunda katılımcılar şu becerileri kazanacaklardır:

• Tensorflow Lite'in temel kavramlarını ve Kıyasın_AI'daki rolünü anlamak.
• Tensorflow Lite kullanarak yapay zeka modellerini geliştirme ve optimizasyonu.
• Farklı kıyas cihazlarına Tensorflow Lite modellerini dağıtımını gerçekleştirmek.
• Model dönüştürme ve optimizasyonu için araçlar ve teknikleri kullanmak.
• Pratik Kıyasın_AI uygulamalarını Tensorflow Lite ile uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek zamanlı makine öğrenimi uygulamalarını hızlandırmak ve bunları ölçekte dağıtmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenVINO araç setini kurmak.
• Bir FPGA kullanarak bir bilgisayarlı görü uygulaması hızlandırmak.
• Farklı CNN katmanlarını FPGA üzerinde çalıştırmak.
• Kubernetes kümesindeki birden fazla düğümde uygulamayı ölçeklendirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), dağıtılmış derin öğrenme eğitimlerini çalıştırmak ve bunları birden çok GPU üzerinde paralel olarak ölçeklendirmek isteyen geliştiriciler veya veri bilimcileri hedeflenmektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenme eğitimlerini çalıştırmaya başlamak için gerekli geliştirme ortamını kurmak.
• Horovod'i TensorFlow, Keras, PyTorch ve Apache MXNet ile modeller eğitmek için kurmak ve yapılandırmak.
• Horovod ile derin öğrenme eğitimini birden çok GPU üzerinde ölçeklendirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), görüntü tanıma uygulamalarına derin öğrenme modeli uygulamak isteyen teknik personele yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Keras'ü kurmak ve yapılandırmak.
• Derin öğrenme modellerini hızlı bir şekilde prototiplemek.
• Evrişimli bir ağ uygulamak.
• Tekrarlayan bir ağ uygulamak.
• Derin öğrenme modelini hem CPU üzerinde hem de GPU üzerinde çalıştırmak.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), çeşitli kullanım durumları için yüksek kaliteli görüntüler oluşturmak amacıyla Stable Diffusion'yi kullanmak isteyen veri bilimcileri, makine öğrenimi mühendislerini ve bilgisayar görüşü araştırmacılarını hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Stable Diffusion'nin prensiplerini ve görüntü oluşturma için nasıl çalıştığını anlayabilecektir.
• Görüntü oluşturma görevleri için Stable Diffusion modelleri oluşturup eğitebilecektir.
• Stable Diffusion'yi, görüntü tamamlama, dışa aktarma ve görüntüden görüntüye çevirme gibi çeşitli görüntü oluşturma senaryolarına uygulayabilecektir.
• Stable Diffusion modellerinin performansını ve kararlılığını optimize edebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çok küçük gömülü cihazlarda makine öğrenimi modelleri yazmak, yüklemek ve çalıştırmak isteyen mühendiflere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TensorFlow Lite'i kurmak.
• Konuşmayı algılamak, görüntüleri sınıflandırmak vb. için bir makine öğrenimi modelini gömülü bir cihaza yüklemek.
• Ağ bağlantısına bağlı kalmadan donanım cihazlarına yapay zeka eklemek.

TensorFlow, Google'nin Deep Learning için geliştirdiği açık kaynaklı yazılım kütüphanesinin 2. Nesil API'sidir. Sistem, makine öğrenimi araştırmalarını kolaylaştırmak ve araştırma prototipinden üretim sistemine geçişi hızlı ve kolay hale getirmek için tasarlanmıştır.

Hedef Kitle

Bu kurs, TensorFlow'yı Deep Learning projelerinde kullanmak isteyen mühendisler için hazırlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• TensorFlow'nın yapısını ve dağıtım mekanizmalarını anlayacaklar
• kurulum, üretim ortamı ve mimari görevlerini ve yapılandırmasını gerçekleştirebilecekler
• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler
• model eğitimi, grafik oluşturma ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler

Bu kurs, Tensor Flow'un görüntü tanıma amaçları için uygulanmasını, belirli örneklerle birlikte incelemektedir.

Hedef Kitle

Bu kurs, TensorFlow'yı görüntü tanıma amaçları için kullanmak isteyen mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• TensorFlow'nın yapısını ve dağıtım mekanizmalarını anlayabilecektir.
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir.
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir.
• Modelleri eğitme, grafikler oluşturma ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir.

TensorFlow™, sayısal hesaplama için veri akışı grafikleri kullanan açık kaynaklı bir yazılım kütüphanesidir.

SyntaxNet, TensorFlow için sinir ağı tabanlı Doğal Dil İşleme (NLP) çerçevesidir.

Word2Vec, kelimelerin vektör temsillerini öğrenmek için kullanılır; bu temsiller "kelime gömme" olarak adlandırılır. Word2vec, ham metinden kelime gömmeleri öğrenmek için özellikle hesaplama açısından verimli bir tahmini modeldir. Mikolov ve diğerlerinin 3.1 ve 3.2. bölümlerinde açıklanan Sürekli Torba-Wordler modeli (CBoW) ve Atla-Gram modeli olmak üzere iki çeşidi bulunur.

Birlikte kullanıldığında, SyntaxNet ve Word2Vec, kullanıcıların Doğal Dil girdisinden Öğrenilmiş Gömme modelleri oluşturmasına olanak tanır.

Hedef Kitle

Bu kurs, SyntaxNet ve Word2Vec modellerini TensorFlow grafiklerinde kullanmak isteyen geliştiriciler ve mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• TensorFlow'in yapısını ve dağıtım mekanizmalarını anlayacaklar
• kurulum / üretim ortamı / mimari görevlerini ve yapılandırmayı gerçekleştirebilecekler
• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler
• modeller eğitmek, terimleri gömmek, grafikler oluşturmak ve günlük kaydı oluşturmak gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler