Neural computing – Data science培訓

這種由講師指導的 台灣 現場培訓（在線或現場）面向希望擴展深度學習以生成文本到圖像的知識和技能的中高級數據科學家、機器學習工程師、深度學習研究人員和計算機視覺專家。

在本次培訓結束時，參與者將能夠：

• 了解用於文字到圖像生成的高級深度學習架構和技術。
• 實施複雜模型和優化，以實現高品質的圖像合成。
• 優化大型數據集和複雜模型的性能和可擴充性。
• 優化超參數以獲得更好的模型性能和泛化。
• 與其他深度學習框架和工具整合 Stable Diffusion

這種由 台灣 的講師指導的現場培訓（在線或現場） 面向希望瞭解 AlphaFold 工作原理並在實驗研究中使用 AlphaFold 模型作為指導的生物學家。

在本次培訓結束時，參與者將能夠：

• 理解 AlphaFold 的基本原理。
• 瞭解 AlphaFold 的工作原理。
• 瞭解如何解釋 AlphaFold 預測和結果。

Caffe 是一個以表達性、速度和模塊化爲核心的深度學習框架。

本課程以 MNIST 爲例，探討 Caffe 作爲深度學習框架在圖像識別中的應用。

受衆

本課程適合對使用 Caffe 作爲框架感興趣的深度學習研究人員和工程師。

完成本課程後，學員將能夠：

• 理解 Caffe 的結構和部署機制
• 執行安裝、生產環境、架構任務和配置
• 評估代碼質量，進行調試和監控
• 實現高級生產任務，如訓練模型、實現層和日誌記錄

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望使用 Chainer 在 Python 中構建和訓練神經網路，同時使代碼易於調試的研究人員和開發人員。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始開發神經網路模型。
• 使用易於理解的原始程式碼定義和實現神經網路模型。
• 執行範例並修改現有演算法以優化深度學習訓練模型，同時利用 GPU 實現高性能。

Computer Network ToolKit （CNTK） 是 Microsoft 的開源、多機器、多 GPU、高效的 RNN 訓練機器學習框架，用於語音、文本和圖像。

觀眾

本課程針對旨在在其專案中使用 CNTK 的工程師和架構師。

受衆

本課程適合對利用現有工具（主要爲開源工具）進行計算機圖像分析的深度學習研究人員和工程師。

本課程提供實際案例。

本課程爲講師指導的線下或線上培訓，面向中級開發者、數據科學家和AI從業者，旨在幫助他們利用TensorFlow Lite開發Edge AI應用。

通過本培訓，學員將能夠：

• 理解TensorFlow Lite的基礎知識及其在Edge AI中的作用。
• 使用TensorFlow Lite開發和優化AI模型。
• 在各種邊緣設備上部署TensorFlow Lite模型。
• 掌握模型轉換和優化的工具與技術。
• 使用TensorFlow Lite實現實際的Edge AI應用。

這種由講師指導的 台灣 現場實時培訓（在線或現場）面向希望加速即時機器學習應用程式並大規模部署它們的數據科學家。

在本次培訓結束時，參與者將能夠：

• 安裝 OpenVINO 工具包。
• 使用 FPGA 加速電腦視覺應用程式。
• 在 FPGA 上執行不同的 CNN 層。
• 在 Kubernetes 群集中的多個節點之間擴展應用程式。

這種由 講師指導的 台灣 現場實時培訓（在線或現場）面向希望使用 Horovod 運行分散式深度學習訓練並將其擴展為在多個 GPU 之間並行運行的開發人員或數據科學家。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始運行深度學習訓練。
• 安裝並配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 訓練模型。
• 使用 Horovod 擴展深度學習訓練以在多個 GPU 上運行。

這種由講師指導的現場培訓在 台灣（在線或現場）進行，面向希望將深度學習模型應用於圖像識別應用的技術人員。

在本次培訓結束時，參與者將能夠：

• 安裝和配置 Keras。
• 快速構建深度學習模型的原型。
• 實現卷積網路。
• 實現循環網路。
• 在 CPU 和 GPU 上執行深度學習模型。

這種講師指導的現場培訓（在線或現場）面向希望 利用 Stable Diffusion 為各種使用案例生成高品質圖像的數據科學家、機器學習工程師和計算機視覺研究人員。

在本次培訓結束時，參與者將能夠：

• 瞭解 Stable Diffusion 的原理以及它如何用於圖像生成。
• 為圖像生成任務構建和訓練 Stable Diffusion 模型。
• 將 Stable Diffusion 應用於各種圖像生成方案，例如修復、出海和圖像到圖像的轉換。
• 優化 Stable Diffusion 模型的性能和穩定性。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望在非常小的嵌入式設備上編寫，載入和運行機器學習模型的工程師。

在培訓結束時，參與者將能夠：

• 安裝 TensorFlow Lite。
• 將機器學習模型載入式設備上，使其能夠檢測語音、對圖像進行分類等。
• 將 AI 添加到硬體設備，而無需依賴網路連接。

TensorFlow 是 Google 開源的深度學習軟件庫的第二代 API。該系統旨在促進機器學習研究，並快速輕鬆地將研究原型過渡到生產系統。

受衆

本課程面向希望在深度學習項目中使用 TensorFlow 的工程師。

完成本課程後，學員將能夠：

• 理解 TensorFlow 的結構和部署機制
• 執行安裝、生產環境、架構任務和配置
• 評估代碼質量，進行調試和監控
• 實現高級生產任務，如訓練模型、構建圖和日誌記錄

本課程通過具體示例，探討了TensorFlow在圖像識別中的應用。

受衆

本課程面向希望利用TensorFlow進行圖像識別的工程師。

完成本課程後，學員將能夠：

• 理解TensorFlow的結構和部署機制
• 執行安裝、生產環境、架構任務和配置
• 評估代碼質量，進行調試和監控
• 實現高級生產任務，如訓練模型、構建圖和日誌記錄

TensorFlow™ 是一個開源的軟件庫，用於使用數據流圖進行數值計算。

SyntaxNet 是一個基於神經網絡的自然語言處理框架，專爲 TensorFlow 設計。

Word2Vec 用於學習詞的向量表示，稱爲“詞嵌入”。Word2Vec 是一種計算效率特別高的預測模型，用於從原始文本中學習詞嵌入。它有兩種模式：連續詞袋模型（CBOW）和 Skip-Gram 模型（Mikolov 等人的第 3.1 和 3.2 章）。

SyntaxNet 和 Word2Vec 結合使用，用戶可以從自然語言輸入中生成學習到的嵌入模型。

受衆

本課程面向希望在 TensorFlow 圖中使用 SyntaxNet 和 Word2Vec 模型的開發人員和工程師。

完成本課程後，學員將能夠：

• 理解 TensorFlow 的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試和監控
• 能夠實現高級生產任務，如訓練模型、嵌入術語、構建圖和日誌記錄