Deep Learning cho NLU: Vượt Ra Ngoài Các Mô Hình NLP Training Course

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu, kỹ sư học máy, nhà nghiên cứu học sâu và chuyên gia thị giác máy tính trình độ trung cấp đến nâng cao, những người muốn mở rộng kiến thức và kỹ năng của họ về học sâu để tạo ảnh từ văn bản.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các kiến trúc và kỹ thuật học sâu nâng cao để tạo ảnh từ văn bản.
• Triển khai các mô hình và tối ưu hóa phức tạp để tổng hợp hình ảnh chất lượng cao.
• Tối ưu hóa hiệu suất và khả năng mở rộng cho các tập dữ liệu lớn và các mô hình phức tạp.
• Điều chỉnh các siêu tham số để cải thiện hiệu suất và khả năng khái quát hóa của mô hình.
• Tích hợp Stable Diffusion với các khung và công cụ học sâu khác.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà sinh học muốn hiểu cách AlphaFold hoạt động và sử dụng các mô hình AlphaFold làm hướng dẫn trong các nghiên cứu thực nghiệm của họ.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc cơ bản của AlphaFold.
• Tìm hiểu cách AlphaFold hoạt động.
• Tìm hiểu cách diễn giải các dự đoán và kết quả của AlphaFold.

Caffe là một framework học sâu được xây dựng với mục tiêu biểu đạt, tốc độ và tính mô-đun.

Khóa học này khám phá ứng dụng của Caffe như một framework học sâu để nhận dạng hình ảnh, sử dụng MNIST làm ví dụ.

Đối tượng

Khóa học này phù hợp cho các nhà nghiên cứu và kỹ sư Deep Learning quan tâm đến việc sử dụng Caffe như một framework.

Sau khi hoàn thành khóa học này, người tham gia sẽ có thể:

• hiểu cấu trúc và cơ chế triển khai của Caffe
• thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• triển khai các tính năng nâng cao trong sản xuất như huấn luyện mô hình, triển khai các lớp và ghi nhật ký

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà nghiên cứu và phát triển muốn sử dụng Chainer để xây dựng và huấn luyện mạng nơ-ron trong Python đồng thời giúp mã dễ dàng gỡ lỗi.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển cần thiết để bắt đầu phát triển các mô hình mạng nơ-ron.
• Định nghĩa và triển khai các mô hình mạng nơ-ron bằng mã nguồn dễ hiểu.
• Thực thi các ví dụ và sửa đổi các thuật toán hiện có để tối ưu hóa các mô hình huấn luyện học sâu trong khi tận dụng GPU để đạt hiệu suất cao.

Bộ công cụ Mạng Máy tính (CNTK) là khung học máy huấn luyện RNN đa máy, đa GPU, hiệu quả cao, mã nguồn mở của Microsoft cho giọng nói, văn bản và hình ảnh.

Đối tượng

Khóa học này dành cho các kỹ sư và kiến trúc sư hướng tới việc sử dụng CNTK trong các dự án của họ.

Đối tượng

Khóa học này phù hợp với các nhà nghiên cứu và kỹ sư quan tâm đến việc sử dụng các công cụ hiện có (chủ yếu là mã nguồn mở) để phân tích hình ảnh máy tính.

Khóa học này cung cấp các ví dụ thực tế.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển, nhà khoa học dữ liệu và chuyên gia AI ở trình độ trung cấp, những người muốn tận dụng TensorFlow Lite cho các ứng dụng Edge AI.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc cơ bản của TensorFlow Lite và vai trò của nó trong Edge AI.
• Phát triển và tối ưu hóa các mô hình AI bằng TensorFlow Lite.
• Triển khai các mô hình TensorFlow Lite trên nhiều thiết bị biên khác nhau.
• Sử dụng các công cụ và kỹ thuật để chuyển đổi và tối ưu hóa mô hình.
• Triển khai các ứng dụng Edge AI thực tế bằng TensorFlow Lite.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu mong muốn tăng tốc các ứng dụng học máy thời gian thực và triển khai chúng ở quy mô lớn.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Cài đặt bộ công cụ OpenVINO.
• Tăng tốc ứng dụng thị giác máy tính bằng FPGA.
• Thực thi các lớp CNN khác nhau trên FPGA.
• Mở rộng ứng dụng trên nhiều nút trong một cụm Kubernetes.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển hoặc nhà khoa học dữ liệu muốn sử dụng Horovod để chạy các buổi huấn luyện học sâu phân tán và mở rộng quy mô để chạy song song trên nhiều GPU.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển cần thiết để bắt đầu chạy các buổi huấn luyện học sâu.
• Cài đặt và cấu hình Horovod để huấn luyện mô hình với TensorFlow, Keras, PyTorch và Apache MXNet.
• Mở rộng quy mô huấn luyện học sâu với Horovod để chạy trên nhiều GPU.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho những người có chuyên môn kỹ thuật muốn áp dụng mô hình học sâu vào các ứng dụng nhận dạng hình ảnh.

Khi kết thúc khóa đào tạo, người tham gia sẽ có thể:

• Cài đặt và cấu hình Keras.
• Nhanh chóng tạo mẫu các mô hình học sâu.
• Triển khai mạng tích chập.
• Triển khai mạng hồi quy.
• Thực thi mô hình học sâu trên cả CPU và GPU.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các nhà khoa học dữ liệu, kỹ sư học máy và nhà nghiên cứu thị giác máy tính, những người muốn tận dụng Stable Diffusion để tạo ra hình ảnh chất lượng cao cho nhiều mục đích sử dụng khác nhau.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc của Stable Diffusion và cách thức hoạt động của nó trong việc tạo hình ảnh.
• Xây dựng và huấn luyện các mô hình Stable Diffusion cho các tác vụ tạo hình ảnh.
• Áp dụng Stable Diffusion vào các tình huống tạo hình ảnh khác nhau, chẳng hạn như nội suy ảnh, mở rộng ảnh và dịch ảnh.
• Tối ưu hóa hiệu suất và độ ổn định của các mô hình Stable Diffusion.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các kỹ sư muốn viết, tải và chạy các mô hình học máy trên các thiết bị nhúng rất nhỏ.

Khi kết thúc khóa đào tạo, người tham gia sẽ có thể:

• Cài đặt TensorFlow Lite.
• Tải các mô hình học máy lên thiết bị nhúng để cho phép nó phát hiện giọng nói, phân loại hình ảnh, v.v.
• Thêm AI vào các thiết bị phần cứng mà không cần dựa vào kết nối mạng.

TensorFlow là API thế hệ thứ 2 của thư viện phần mềm nguồn mở Google cho Deep Learning. Hệ thống được thiết kế để tạo điều kiện cho nghiên cứu trong lĩnh vực học máy, đồng thời giúp việc chuyển đổi từ nguyên mẫu nghiên cứu sang hệ thống sản xuất trở nên nhanh chóng và dễ dàng.

Đối tượng

Khóa học này dành cho các kỹ sư muốn sử dụng TensorFlow cho các dự án Deep Learning của họ.

Sau khi hoàn thành khóa học này, học viên sẽ:

• hiểu rõ cấu trúc và cơ chế triển khai của TensorFlow
• có thể thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• có thể đánh giá chất lượng mã, thực hiện gỡ lỗi và giám sát
• có thể triển khai các tính năng sản xuất nâng cao như huấn luyện mô hình, xây dựng đồ thị và ghi nhật ký

Khóa học này khám phá, thông qua các ví dụ cụ thể, ứng dụng của Tensor Flow cho mục đích nhận dạng hình ảnh.

Đối tượng

Khóa học này dành cho các kỹ sư muốn sử dụng TensorFlow cho mục đích Nhận dạng Hình ảnh.

Sau khi hoàn thành khóa học này, học viên sẽ có thể:

• hiểu rõ cấu trúc và cơ chế triển khai của TensorFlow
• thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• triển khai các tính năng nâng cao trong sản xuất như huấn luyện mô hình, xây dựng đồ thị và ghi nhật ký

TensorFlow™ là một thư viện phần mềm mã nguồn mở để tính toán số bằng cách sử dụng đồ thị luồng dữ liệu.

SyntaxNet là một khung xử lý ngôn ngữ tự nhiên dựa trên mạng nơ-ron dành cho TensorFlow.

Word2Vec được sử dụng để học các biểu diễn vector của từ, được gọi là "word embeddings". Word2vec là một mô hình dự đoán đặc biệt hiệu quả về mặt tính toán để học word embeddings từ văn bản thô. Nó có hai dạng, mô hình Continuous Bag-of-Words (CBOW) và mô hình Skip-Gram (Chương 3.1 và 3.2 trong Mikolov et al.).

Khi được sử dụng kết hợp, SyntaxNet và Word2Vec cho phép người dùng tạo các mô hình Embedding được học từ dữ liệu đầu vào ngôn ngữ tự nhiên.

Đối tượng

Khóa học này dành cho các Nhà phát triển và kỹ sư có ý định làm việc với các mô hình SyntaxNet và Word2Vec trong các đồ thị TensorFlow của họ.

Sau khi hoàn thành khóa học này, người tham gia sẽ:

• hiểu được cấu trúc và cơ chế triển khai của TensorFlow
• có thể thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• có thể đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• có thể triển khai các tính năng sản xuất nâng cao như đào tạo mô hình, nhúng thuật ngữ, xây dựng đồ thị và ghi nhật ký