TensorFlow Đào tạo tại Hanoi

Khóa học này do giảng viên hướng dẫn, được tổ chức trực tuyến hoặc tại chỗ, dành cho những chuyên gia cấp cao muốn sâu hơn vào thị giác máy tính và khám phá khả năng của TensorFlow trong việc phát triển các mô hình thị giác phức tạp bằng Google Colab.

Đến cuối khóa học, người tham gia sẽ có thể:

• Xây dựng và huấn luyện mạng nơron tích chập (CNN) bằng TensorFlow.
• Tận dụng Google Colab để phát triển mô hình dựa trên đám mây một cách mở rộng và hiệu quả.
• Thực hiện các kỹ thuật tiền xử lý ảnh cho các nhiệm vụ thị giác máy tính.
• Triển khai các mô hình thị giác cho các ứng dụng thực tế.
• Sử dụng chuyển giao học để nâng cao hiệu suất của mô hình CNN.
• Trực quan hóa và giải thích kết quả của các mô hình phân loại ảnh.

Khóa học trực tuyến hoặc tại chỗ này dưới sự hướng dẫn của giảng viên (tại Hanoi) dành cho các nhà khoa học dữ liệu và nhà phát triển có trình độ trung cấp muốn hiểu và áp dụng kỹ thuật học sâu bằng môi trường Google Colab.

Đến cuối khóa học, người tham gia sẽ có thể:

• Thiết lập và điều hướng Google Colab cho các dự án học sâu.
• Hiểu rõ cơ bản về mạng thần kinh.
• Triển khai mô hình học sâu bằng TensorFlow.
• Huấn luyện và đánh giá mô hình học sâu.
• Tận dụng các tính năng nâng cao của TensorFlow cho học sâu.

Đây là khóa học kéo dài 4 ngày giới thiệu về AI và ứng dụng của nó. Có tùy chọn tham gia thêm một ngày để thực hiện một dự án AI sau khi hoàn thành khóa học này.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi, người tham gia sẽ học cách sử dụng các thư viện Python cho NLP khi họ tạo một ứng dụng xử lý một tập hợp hình ảnh và tạo chú thích.

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

• Thiết kế và viết mã DL cho NLP bằng cách sử dụng các thư viện Python.
• Tạo mã Python đọc một bộ sưu tập hình ảnh khổng lồ và tạo từ khóa.
• Tạo mã Python tạo chú thích từ các từ khóa được phát hiện.

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 tại Hanoi (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu muốn sử dụng TensorFlow để phân tích dữ liệu gian lận tiềm ẩn.

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

• Tạo một mô hình phát hiện gian lận trong Python và TensorFlow.
• Xây dựng các hồi quy tuyến tính và mô hình hồi quy tuyến tính để dự đoán gian lận.
• Phát triển một ứng dụng AI hoàn chỉnh để phân tích dữ liệu gian lận.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển và nhà khoa học dữ liệu muốn sử dụng Tensorflow 2.x để xây dựng các công cụ dự đoán, phân loại, mô hình sinh, mạng nơ-ron, v.v.

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

• Cài đặt và cấu hình TensorFlow 2.x.
• Hiểu được lợi ích của TensorFlow 2.x so với các phiên bản trước.
• Xây dựng các mô hình học sâu.
• Triển khai một bộ phân loại hình ảnh nâng cao.
• Triển khai một mô hình học sâu lên đám mây, thiết bị di động và IoT.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ), người tham gia sẽ học cách cấu hình và sử dụng TensorFlow Serving để triển khai và quản lý các mô hình ML trong môi trường sản xuất.

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

• Huấn luyện, xuất bản và cung cấp dịch vụ cho nhiều mô hình TensorFlow.
• Test và triển khai thuật toán sử dụng một kiến trúc và bộ API duy nhất.
• Mở rộng TensorFlow Serving để phục vụ các loại mô hình khác ngoài các mô hình TensorFlow.

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

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu muốn chuyển từ việc huấn luyện một mô hình ML duy nhất sang triển khai nhiều mô hình ML vào sản xuất.

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

• Cài đặt và cấu hình TFX và các công cụ hỗ trợ của bên thứ ba.
• Sử dụng TFX để tạo và quản lý một quy trình sản xuất ML hoàn chỉnh.
• Làm việc với các thành phần TFX để thực hiện mô hình hóa, huấn luyện, phục vụ suy luận và quản lý triển khai.
• Triển khai các tính năng học máy cho các ứng dụng web, ứng dụng di động, thiết bị IoT và hơn thế nữa.

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

Khóa học này bắt đầu bằng việc cung cấp cho bạn kiến thức khái niệm về mạng neuron và nói chung là thuật toán học máy, học sâu (thuật toán và ứng dụng).

Phần 1 (40%) của khóa huấn luyện tập trung vào cơ bản, nhưng sẽ giúp bạn chọn công nghệ phù hợp: TensorFlow, Caffe, Theano, DeepDrive, Keras, v.v.

Phần 2 (20%) của khóa huấn luyện giới thiệu Theano - một thư viện Python giúp viết mô hình học sâu dễ dàng hơn.

Phần 3 (40%) của khóa huấn luyện sẽ tập trung vào TensorFlow - API của thư viện phần mềm nguồn mở do Google phát triển cho Học Sâu. Các ví dụ và bài thực hành đều được thực hiện bằng TensorFlow.

Đối tượng học viên

Khóa học này dành cho các kỹ sư muốn sử dụng TensorFlow trong dự án Học Sâu của họ.

Sau khi hoàn thành khóa học, học viên sẽ:

• có hiểu biết tốt về mạng neuron sâu (DNN), CNN và RNN
• hiểu cấu trúc và cơ chế triển khai của TensorFlow
• có khả năng thực hiện các tác vụ cài đặt / môi trường sản xuất / kiến trúc và cấu hình
• có thể đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• có thể triển khai các tác vụ nâng cao như huấn luyện mô hình, xây dựng đồ thị và ghi log