DeepSpeed for Deep Learning 교육 과정

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 텍스트-이미지 생성을 위한 딥 러닝에 대한 지식과 기술을 확장하고자 하는 중급에서 고급 수준의 데이터 과학자, 머신 러닝 엔지니어, 딥 러닝 연구자 및 컴퓨터 비전 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 텍스트-이미지 생성을 위한 고급 딥 러닝 아키텍처와 기술을 이해합니다.
• 고품질 이미지 합성을 위해 복잡한 모델과 최적화를 구현합니다.
• 대규모 데이터 세트와 복잡한 모델에 대한 성능과 확장성을 최적화합니다.
• 더 나은 모델 성능과 일반화를 위해 하이퍼파라미터를 조정합니다.
• Stable Diffusion을 다른 딥러닝 프레임워크 및 도구와 통합

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 AlphaFold의 작동 방식을 이해하고 실험 연구의 가이드로 AlphaFold 모델을 사용하려는 생물학자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• AlphaFold의 기본 원리를 이해하세요.
• AlphaFold의 작동 방식을 알아보세요.
• AlphaFold 예측 및 결과를 해석하는 방법을 알아보세요.

AI와 그 응용을 소개하는 4일간의 강좌입니다. 이 과정을 마친 후 AI 프로젝트를 수행할 수 있는 하루를 추가로 가질 수 있는 옵션이 있습니다.

Caffe 는 표현, 속도 및 모듈성을 염두에 둔 심층적 인 학습 프레임 워크입니다.

본 과목은 MNIST를 이용한 이미지 인식을위한 CEPE의 심도있는 학습 틀로서의 Caffe 의 응용을 탐구한다.

청중

이 과정은 Caffe 를 프레임 워크로 사용하는 데 관심이있는 Deep Learning 연구원 및 엔지니어에게 적합합니다.

이 과정을 마치면 대표단은 다음을 수행 할 수 있습니다.

• Caffe 의 구조와 전개 메커니즘 이해
• 설치 / 생산 환경 / 아키텍처 작업 및 구성 수행
• 코드 품질 평가, 디버깅 수행, 모니터링
• 교육 모델, 레이어 및 로깅 구현과 같은 고급 제작 구현

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 Chainer을 사용하여 Python에서 신경망을 구축하고 교육하고 동시에 코드를 쉽게 디버깅하려는 연구원 및 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 신경망 모델 개발을 시작하는 데 필요한 개발 환경을 설정합니다.
• 이해하기 쉬운 소스 코드를 사용하여 신경망 모델을 정의하고 구현합니다.
• 고성능을 위해 GPU을 활용하면서 딥 러닝 학습 모델을 최적화하기 위해 예제를 실행하고 기존 알고리즘을 수정합니다.

Computer Network ToolKit (CNTK)은 Microsoft의 오픈 소스, 다중 머신, 다중GPU, 음성, 텍스트 및 이미지를 위한 고효율 RNN 학습 머신 러닝 프레임워크입니다.

청중

본 과정은 프로젝트에서 CNTK을 활용하고자 하는 엔지니어와 건축가를 대상으로 합니다.

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 컴퓨터 비전에 대한 이해를 심화하고 Google Colab을 사용하여 정교한 비전 모델을 개발하기 위한 TensorFlow의 역량을 알아보고자 하는 고급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• TensorFlow를 사용하여 합성곱 신경망(CNN)을 구축하고 학습합니다.
• 확장 가능하고 효율적인 클라우드 기반 모델 개발을 위해 Google Colab을 활용하세요.
• 컴퓨터 비전 작업을 위한 이미지 전처리 기술을 구현합니다.
• 실제 응용 프로그램을 위한 컴퓨터 비전 모델을 배포합니다.
• CNN 모델의 성능을 향상하기 위해 전이 학습을 사용합니다.
• 이미지 분류 모델의 결과를 시각화하고 해석합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Google Colab 환경을 사용하여 딥 러닝 기술을 이해하고 적용하려는 중급 수준의 데이터 과학자 및 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 딥 러닝 프로젝트를 위한 Google Colab을 설정하고 탐색해 보세요.
• 신경망의 기본을 이해합니다.
• TensorFlow를 사용하여 딥러닝 모델을 구현합니다.
• 딥 러닝 모델을 훈련하고 평가합니다.
• 딥러닝을 위해 TensorFlow의 고급 기능을 활용하세요.

강사가 진행하는 이 대한민국 실시간 교육에서 참가자는 일련의 사진을 처리하고 캡션을 생성하는 애플리케이션을 만들면서 NLP용 Python 라이브러리를 사용하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Python 라이브러리를 사용하여 NLP용 DL을 설계하고 코딩합니다.
• 상당히 많은 양의 사진 모음을 읽고 키워드를 생성하는 Python 코드를 만듭니다.
• 감지된 키워드에서 캡션을 생성하는 Python 코드를 만듭니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 TensorFlow Lite for Edge AI 애플리케이션을 활용하려는 중급 개발자, 데이터 과학자 및 AI 실무자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• TensorFlow Lite의 기본 사항과 Edge AI에서의 역할을 이해합니다.
• TensorFlow Lite를 사용하여 AI 모델을 개발하고 최적화합니다.
• 다양한 에지 장치에 TensorFlow Lite 모델을 배포합니다.
• 모델 변환 및 최적화를 위한 도구와 기술을 활용합니다.
• TensorFlow Lite를 사용하여 실용적인 Edge AI 애플리케이션을 구현합니다.

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 실시간 머신 러닝 애플리케이션을 가속화하고 대규모로 배포하려는 데이터 과학자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• OpenVINO 툴킷을 설치하세요.
• FPGA를 사용하여 컴퓨터 비전 애플리케이션을 가속화합니다.
• FPGA에서 다양한 CNN 레이어를 실행합니다.
• Kubernetes 클러스터의 여러 노드에 걸쳐 애플리케이션을 확장합니다.

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 Horovod를 사용하여 분산 딥 러닝 교육을 실행하고 이를 여러 GPU에 걸쳐 병렬로 실행하도록 확장하려는 개발자 또는 데이터 과학자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 딥 러닝 훈련을 시작하기 위해 필요한 개발 환경을 설정합니다.
• TensorFlow, Keras, PyTorch 및 Apache MXNet을 사용하여 모델을 학습하기 위해 Horovod를 설치하고 구성합니다.
• Horovod를 사용하여 여러 GPU에서 실행되도록 딥 러닝 학습 훈련을 확장합니다.

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 이미지 인식 응용 프로그램에 딥 러닝 모델을 적용하려는 기술자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• Keras을 설치하고 구성합니다.
• 딥 러닝 모델을 빠르게 프로토타입으로 제작합니다.
• 합성 신경망을 구현합니다.
• 반복적인 네트워크를 구현합니다.
• CPU와 GPU 모두에서 딥러닝 모델을 실행합니다.

이 강사 주도의 실시간 교육(온라인 또는 현장)은 다양한 사용 사례에 대해 고품질 이미지를 생성하기 위해 Stable Diffusion을 활용하고자 하는 데이터 과학자, 머신 러닝 엔지니어 및 컴퓨터 비전 연구자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• Stable Diffusion의 원리와 이미지 생성에 있어서 이것이 어떻게 작동하는지 이해하세요.
• Stable Diffusion개의 이미지 생성 작업을 위한 모델을 구축하고 학습합니다.
• Stable Diffusion을 인페인팅, 아웃페인팅, 이미지 간 변환과 같은 다양한 이미지 생성 시나리오에 적용합니다.
• Stable Diffusion 모델의 성능과 안정성을 최적화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 매우 작은 임베디드 장치에서 기계 학습 모델을 작성, 로드 및 실행하려는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• TensorFlow Lite을 설치합니다.
• 기계 학습 모델을 임베디드 장치에 로드하여 음성 감지, 이미지 분류 등을 수행할 수 있습니다.
• 네트워크 연결에 의존하지 않고 하드웨어 장치에 AI를 추가합니다.