台灣現場Deep Learning培訓

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。

本次由讲师指导的台灣（线上或线下）培训，面向希望深入了解计算机视觉并探索TensorFlow在开发复杂视觉模型方面能力的进阶专业人士。

培训结束后，参与者将能够：

• 使用TensorFlow构建和训练卷积神经网络（CNNs）。
• 利用Google Colab进行可扩展且高效的基于云的模型开发。
• 实施图像预处理技术以完成计算机视觉任务。
• 部署计算机视觉模型以用于实际应用。
• 使用迁移学习提升CNN模型的性能。
• 可视化并解释图像分类模型的结果。

本課程為講師指導的台灣（線上或線下）培訓，旨在幫助中級數據科學家和開發人員理解並應用深度學習技術，使用Google Colab環境。

培訓結束後，參與者將能夠：

• 設置並導航Google Colab，用於深度學習項目。
• 理解神經網絡的基本原理。
• 使用TensorFlow實現深度學習模型。
• 訓練和評估深度學習模型。
• 利用TensorFlow的高級功能進行深度學習。

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望專注於 NLU 尖端深度學習技術的高級專業人士。

在本次培訓結束時，參與者將能夠：

• 瞭解 NLU 和 NLP 模型之間的主要區別。
• 將高級深度學習技術應用於 NLU 任務。
• 探索 Transformer 和 Attention 機制等深層架構。
• 利用 NLU 的未來趨勢來構建複雜的 AI 系統。

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

本次由講師指導的台灣（線上或線下）培訓面向高級專業人員，旨在利用AI技術革新藥物發現和開發流程。

培訓結束後，參與者將能夠：

• 瞭解AI在藥物發現和開發中的作用。
• 應用機器學習技術預測分子性質和相互作用。
• 使用深度學習模型進行虛擬篩選和先導化合物優化。
• 將AI驅動的方法整合到臨牀試驗流程中。

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。

這種由講師指導的 台灣 現場培訓（在線或現場）面向希望提高深度學習模型性能的初級到中級數據科學家和機器學習工程師。

在本次培訓結束時，參與者將能夠：

• 了解分散式深度學習的原理。
• 安裝和配置 DeepSpeed。
• 使用 DeepSpeed 在分散式硬體上擴展深度學習模型。
• 實施和試驗 DeepSpeed 功能以實現優化和記憶體效率。

這種由講師指導的 台灣 現場培訓（在線或現場）面向希望使用大型語言模型完成各種自然語言任務的初級到中級開發人員。

在本次培訓結束時，參與者將能夠：

• 設置包含常用 LLM 的開發環境。
• 創建基本 LLM 並在自訂數據集上對其進行微調。
• 將 LLM 用於不同的自然語言任務，例如文本摘要、問答、文字生成等。
• 使用 TensorBoard、PyTorch Lightning 和 Hugging Face Datasets 等工具調試和評估 LLM。

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。

在這個由 台灣 講師指導的現場培訓中，參與者將學習 Python 中最相關和最前沿的機器學習技術，同時構建一系列涉及圖像、音樂、文本和財務數據的演示應用程式。

在本次培訓結束時，參與者將能夠：

• 實施機器學習演算法和技術來解決複雜問題。
• 將深度學習和半監督學習應用於涉及圖像、音樂、文本和財務數據的應用程式。
• 將 Python 演算法推向最大潛力。
• 使用 NumPy 和 Theano 等庫和包。

This instructor-led, live training in 台灣 (online or onsite) is aimed at developers and data scientists who wish to learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent.

By the end of this training, participants will be able to:

• Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning.
• Apply advanced Reinforcement Learning algorithms to solve real-world problems.
• Build a Deep Learning Agent.

在這個以講師為主導的 台灣 現場培訓中，參與者將學習如何使用 Python 實施電信深度學習模型，同時逐步創建深度學習信用風險模型。

在培訓結束時，參與者將能夠：

• 瞭解深度學習的基本概念。
• 瞭解深度學習在電信中的應用和用途。
• 使用 Python、Keras 和 TensorFlow 創建電信深度學習模型。
• 使用 Python 構建自己的深度學習客戶流失預測模型。

本課程是為經理、解決方案架構師、創新官、首席技術官、軟體架構師以及任何對應用人工智慧概述及其發展的最新預測感興趣的人創建的。

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

這是一個為期 4 天的課程，介紹人工智慧及其應用。完成本課程后，可以選擇額外有一天的時間來開展 AI 專案。 

這門由講師指導的台灣（線上或線下）培訓課程，針對中級數據科學家和統計學家，旨在幫助他們準備數據、建立模型，並在其專業領域中有效應用機器學習技術。

培訓結束後，參與者將能夠：

• 理解並實現各種Machine Learning算法。
• 為機器學習應用準備數據和模型。
• 進行事後分析並有效可視化結果。
• 將機器學習技術應用於現實世界中的特定行業場景。

人工神經網絡是一種計算數據模型，用於開發能夠執行“智能”任務的Artificial Intelligence (AI)系統。 Neural Networks通常用於Machine Learning （ML）應用程序，它們本身就是AI的一種實現。 Deep Learning是ML的一個子集。

Caffe是一個深刻的學習框架，以表達，速度和模塊化為基礎。

本課程以MNIST為例，探討了Caffe作為圖像識別的深度學習框架的應用

聽眾

本課程適合有興趣使用Caffe作為框架的Deep Learning研究人員和工程師。

完成本課程後，代表們將能夠：

• 了解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，執行調試，監控
• 實施高級生產，如培訓模型，實施圖層和日誌記錄

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。

本課程是 Deep Learning 的一般概述，沒有深入探討任何具體方法。它適合想要開始使用深度學習來提高預測準確性的人。

這種以講師為主導的台灣現場培訓（現場或遠端）針對希望安裝，設置，定製和使用DeepMind Lab平台開發通用人工智慧和機器學習系統的研究人員和開發人員。

在培訓結束時，參與者將能夠：

• 自訂 DeepMind Lab 以構建和運行適合學習和培訓需求的環境。
• 使用 DeepMind Lab 的 3D 模擬環境以第一人稱視角訓練學習代理。
• 促進代理評估，以在類似 3D 遊戲的世界中開發智慧。

機器學習是人工智慧的一個分支，其中計算機無需明確程式設計即可學習。深度學習是機器學習的一個子領域，它使用基於學習數據表示和結構（如神經網路）的方法。

這種由講師指導的 台灣 現場培訓（在線或現場）面向希望構建和實施深度學習模型以加速收入增長和解決商業世界中問題的業務分析師、數據科學家和開發人員。

在本次培訓結束時，參與者將能夠：

• 了解機器學習和深度學習的核心概念。
• 通過 ML 和 DL 深入瞭解商業和行業的未來。
• 通過深度學習定義業務戰略 和解決方案。
• 瞭解如何應用數據科學和深度學習來解決業務問題。
• 使用 Python、Pandas、TensorFlow、CNTK、Torch、Keras 等構建深度學習模型。

機器學習是人工智慧的一個分支，其中計算機具有無需明確程式設計即可學習的能力。深度學習是機器學習的一個子領域，它使用基於學習數據表示和結構（如神經網路）的方法。Python 是一種高級程式設計語言，以其清晰的語法和代碼可讀性而聞名。

在這個以講師為主導的現場培訓中，參與者將學習如何使用Python實施銀行業的深度學習模型，同時逐步創建深度學習信用風險模型。

在培訓結束時，參與者將能夠：

• 瞭解深度學習的基本概念
• 瞭解深度學習在銀行業中的應用和用途
• 使用 Python、Keras 和 TensorFlow 創建銀行業深度學習模型
• 使用 Python 構建自己的深度學習信用風險模型

觀眾

• 開發人員
• 數據科學家

課程形式

• 部分講座，部分討論，練習和大量的實踐練習

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。

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。

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。
• 建立線性回歸和線性回歸模型來預測欺詐。
• 開發一個端到端的人工智慧應用程序來分析欺詐數據。

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。

類型：理論培訓，應用事先由學生決定，在烤寬麵條或Keras上，取決於教學組

教學方法：演講、交流和案例研究

人工智慧在顛覆了許多科學領域之後，已經開始徹底改變許多經濟部門（工業、醫學、通信等）。然而，它在主流媒體上的呈現往往是一種幻想，與Machine Learning或Deep Learning領域的真實情況相去甚遠。本培訓的目的是為已經掌握計算機工具（包括基本軟體程式設計）的工程師介紹 Deep Learning 及其不同的專業領域，從而介紹當今存在的主要網路架構。如果在課程中回憶起數學的基礎知識，建議學習 BAC+2 類型的數學水準，以獲得更舒適的體驗。跳過數學軸，只保持“系統”的視野是絕對可能的，但這種方法會極大地限制你對主題的理解。

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。

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.

By the end of this training, participants will be able to:

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

這門由教師主導的現場培訓課程（在線或現場）旨在讓初學者和中級專業人員加深對機器學習算法、深度學習技術和人工智慧驅動的決策制定的理解。該課程提供了有關機器學習概念、深度學習模型和使用 R 的實際實現的實踐經驗。

通過這次訓練，參與者將能夠：

• 了解機器學習和深度學習的基本原理。
• 應用各種機器學習算法進行回歸、分類、聚類和異常檢測。
• 使用人工神經網絡（ANN）等深度學習架構。
• 實現有監督和無監督學習模型。
• 評估模型性能並優化超參數。
• 使用 R 進行數據分析、可視化和機器學習應用。

该培训面向希望学习神经网络基础知识及其应用的人员。

这个基于课堂的培训课程将包含演示和基于计算机的示例和案例研究练习，以与相关的神经和深层网络库进行

這種以講師為主導的台灣現場培訓（現場或遠端）針對希望在Python與OpenCV 4中程式設計以進行深度學習的軟體工程師。

在培訓結束時，參與者將能夠：

• 使用 OpenCV 查看、載入和分類圖像和視頻 4.
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 實現深度學習。
• 運行深度學習模型，並從圖像和視頻中生成有影響力的報告。

OpenFace 是基於 Python 和 Torch 的開源即時面部識別軟體，基於 Google 的 FaceNet 研究。

在這個由講師指導的現場培訓中，參與者將學習如何使用 OpenFace 的元件來創建和部署範例面部識別應用程式。

在本次培訓結束時，參與者將能夠：

• 使用 OpenFace 的元件（包括 dlib、OpenVC、Torch 和 nn4）實現人臉檢測、對齊和轉換
• 將OpenFace應用於實際應用，例如監控、身份驗證、虛擬實境、遊戲和識別回頭客等。

觀眾

• 開發人員
• 數據科學家

課程形式

• 部分講座、部分討論、練習和大量動手實踐

在這場由講師指導的線下培訓中，學員將學習如何設置和使用OpenNMT來執行各種樣本數據集的翻譯。課程首先概述了神經網絡在機器翻譯中的應用。學員將在課程中進行實時練習，以展示他們對所學概念的理解，並獲得講師的反饋。

在培訓結束時，學員將具備實施OpenNMT解決方案所需的知識和實踐經驗。

源語言和目標語言的樣本將根據學員的需求預先安排。

課程形式

• 部分講座、部分討論、大量實踐操作

在這個以講師為主導的現場培訓中，參與者將學習 Machine Learning 和 R 的高級技術，因為他們逐步創建了實際應用程式。

在培訓結束時，參與者將能夠：

• 瞭解並實施無監督學習技術
• 應用聚類和分類，根據真實世界的數據進行預測。
• 可視化數據，以巧妙地獲得見解、做出決策並進一步優化分析。
• 使用超參數優化提高機器學習模型的性能。
• 將模型投入生產，以便在更大的應用程式中使用。
• 應用先進的機器學習技術來回答涉及社交網路數據、大數據等的問題。

本課程介紹如何使用 R-project 軟件將神經網絡應用於現實世界中的問題。

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。

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。

TensorFlow是Go ogle Deep Learning開源軟件庫的第二代API。該系統旨在促進機器學習的研究，並使其從研究原型到生產系統的快速和輕鬆過渡。

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：

• 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

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

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。

在這個講師指導的台灣線下培訓中，參與者將學習如何利用TPU處理器的創新技術，最大限度地提升其AI應用的性能。

在培訓結束時，參與者將能夠：

• 在大數據上訓練各種類型的神經網絡。
• 使用TPU將推理過程的速度提升至多兩個數量級。
• 利用TPU處理密集型應用，如圖像搜索、雲視覺和照片處理。

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

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