Deep Learning with TensorFlow培訓

本課程通過具體的例子探討了Tensor Flow在圖像識別方面的應用

聽眾

本課程適用於尋求將TensorFlow用於圖像識別的工程師

完成本課程後，代表們將能夠：

• 了解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，執行調試，監控
• 實施先進的生產，如培訓模型，建立圖表和記錄

TensorFlow ™是一個使用數據流圖進行數值計算的開源軟件庫。

SyntaxNet是TensorFlow的神經網絡自然語言處理框架。

Word 2Vec用於學習單詞的矢量表示，稱為“單詞嵌入”。 Word 2vec是一種特別計算有效的預測模型，用於學習原始文本中的單詞嵌入。它有兩種形式，連續Bag-of- Word模型（CBOW）和Skip-Gram模型（Mikolov等人的第3.1和3.2章）。

使用串聯，SyntaxNet和Word 2Vec允許用戶從自然語言輸入生成學習嵌入模型。

聽眾

本課程面向打算在TensorFlow圖中使用SyntaxNet和Word 2Vec模型的開發人員和工程師。

完成本課程後，代表們將：

• 了解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，執行調試，監控
• 能夠實現高級生產，如培訓模型，嵌入術語，構建圖形和記錄

聽眾

本課程適合有興趣利用可用工具（主要是開源）分析計算機圖像的Deep Learning研究人員和工程師

本課程提供了工作實例。

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

在這個由講師指導的台灣現場培訓中，參與者將學習如何利用TPU處理器的創新來最大限度地提高他們自己的AI應用程式的性能。

在培訓結束時，參與者將能夠：

• 在大量數據上訓練各種類型的神經網路。
• 使用 TPU 可將推理過程速度提高多達兩個數量級。
• 利用 TPU 處理圖像搜索、雲視覺和照片等密集型應用程式。

在這個由講師指導的台灣現場（現場或遠端）的現場培訓中，參與者將學習如何配置和使用TensorFlow Serving在生產環境中部署和管理ML模型。

在培訓結束時，參與者將能夠：

• 訓練、導出和提供各種 TensorFlow 模型。
• 使用單個體系結構和一組 API 測試和部署演算法。
• 擴展 TensorFlow Serving 以服務於 TensorFlow 模型以外的其他類型的模型。

本課程首先介紹神經網絡的概念知識，通常還包括機器學習算法，深度學習（算法和應用程序）。

本次培訓的一部分-1（40％）更注重基本面，但會幫助你選擇合適的技術： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培訓的第2部分（20％）介紹了Theano--一個python庫，可以輕鬆編寫深度學習模型。

第3部分（40％）的培訓將廣泛基於Tensorflow - Go ogle的Deep Learning開源軟件庫的第二代API。示例和動手都將在TensorFlow 。

聽眾

本課程面向希望將TensorFlow用於Deep Learning項目的工程師

完成本課程後，代表們將：

• 對深度神經網絡（DNN），CNN和RNN有很好的理解

• 了解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，執行調試，監控

• 能夠實現高級生產，如培訓模型，構建圖形和記錄

在這個由講師指導的台灣現場培訓中，參與者將學習使用Python 庫進行NLP，因為他們創建了一個處理 一組圖片並生成標題的應用程式。 

在培訓結束時，參與者將能夠：

•  使用 Python 庫為 NLP 設計和編寫 DL。
• 創建 Python 代碼，讀取大量圖片並生成關鍵字。
• 創建 Python 代碼，用於 從檢測到的關鍵字生成標題。

这是一个为期4天的课程，介绍AI及其应用。在完成本课程后，可以选择额外一天进行AI项目。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望使用Tensorflow 2.x 構建預測器，分類器，生成模型，神經網路等的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 安裝並配置 TensorFlow 2.x。
• 瞭解 TensorFlow 2.x 相對於以前版本的優勢。
• 構建深度學習模型。
• 實現高級圖像分類器。
• 將深度學習模型部署到雲、移動和IoT設備。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望使用TensorFlow.js通過機器學習模型識別模式並生成預測的數據科學家。

在培訓結束時，參與者將能夠：

• 使用 TensorFlow.js 構建和訓練機器學習模型。
• 在瀏覽器中或在 Node.js 下運行現有機器學習模型。
• 使用自定義數據重新訓練預先存在的機器學習。

這種以講師為主導的台灣現場現場培訓針對的是希望使用TensorFlow分析潛在欺詐數據的數據科學家。

在培訓結束時，參與者將能夠：

• 在 Python 和 TensorFlow 中創建欺詐檢測模型。
構建線性回歸
• 和線性回歸模型來預測欺詐行為。
• 開發用於分析欺詐數據的端到端 AI 應用程式。

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望從訓練單個ML模型到將多個ML模型部署到生產的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 TFX 和支援的第三方工具。
• 使用 TFX 建立和管理完整的 ML 生產管道。
• 使用 TFX 元件執行建模、訓練、提供推理和管理部署。
• 將機器學習功能部署到 Web 應用程式、行動應用程式、IoT 設備等。

這種以講師為主導的現場培訓（現場或遠端）面向希望將機器學習工作負載部署到 OpenShift 本地或混合雲的工程師。

• 在培訓結束時，參與者將能夠：
• 在 OpenShift 集群上安裝和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 簡化初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 從 OpenShift 中調用公有雲端服務（例如 AWS 服務）以擴展 ML 應用程式