TensorFlow for Image Recognition 교육 과정

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

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.

청중

이 과정은 컴퓨터 이미지 분석을 위해 사용 가능한 도구 (주로 오픈 소스)를 사용하는 데 관심이있는 Deep Learning 연구원 및 엔지니어에게 적합합니다.

이 과정은 실습 예제를 제공합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 TensorFlow을 사용하여 잠재적인 사기 데이터를 분석하려는 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Python 및 TensorFlow에서 사기 탐지 모델을 생성합니다.
• 사기를 예측하기 위해 선형 회귀 및 선형 회귀 모델을 구축합니다.
• 사기 데이터 분석을 위한 엔드투엔드 AI 애플리케이션을 개발합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Tensorflow 2.x를 사용하여 예측기, 분류기, 생성 모델, 신경망 등을 구축하려는 개발자와 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• TensorFlow 2.x를 설치하고 구성합니다.
• 이전 버전에 비해 TensorFlow 2.x의 이점을 이해합니다.
• 딥러닝 모델을 구축하세요.
• 고급 이미지 분류기를 구현합니다.
• 클라우드, 모바일 및 IoT 장치에 딥 러닝 모델을 배포합니다.

이 강사가 진행하는 실시간 교육(온라인 또는 현장)에서 참가자는 TensorFlow Serving을 구성하고 사용하여 프로덕션 환경에서 ML 모델을 배포하고 관리하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 다양한 TensorFlow 모델을 학습시키고 내보내고 제공합니다.
• 단일한 아키텍처와 API 세트를 사용하여 알고리즘을 테스트하고 배포합니다.
• TensorFlow 모델을 넘어 다른 유형의 모델을 제공하기 위해 TensorFlow Serving을 확장합니다.

TensorFlow 는 Go Deep Learning 위한 Go ogle의 오픈 소스 소프트웨어 라이브러리의 2 세대 API입니다. 이 시스템은 기계 학습에 대한 연구를 용이하게하고 연구 프로토 타입에서 생산 시스템으로 신속하고 쉽게 전환 할 수 있도록 설계되었습니다.

청중

이 코스는 TensorFlow 를 Deep Learning 프로젝트에 사용하려는 엔지니어를 대상으로합니다.

이 코스를 마친 후, 대표자들은 :

• TensorFlow 의 구조와 배포 메커니즘 이해
• 설치 / 생산 환경 / 아키텍처 작업 및 구성을 수행 할 수 있어야합니다.
• 코드 품질 평가, 디버깅 수행, 모니터링
• 교육 모델, 그래프 작성 및 로깅과 같은 고급 생산을 구현할 수 있어야합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 단일 ML 모델 교육에서 여러 ML 모델 배포를 프로덕션으로 진행하려는 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• TFX를 설치 및 구성하고 타사 도구를 지원합니다.
• TFX를 사용하여 완전한 ML 프로덕션 파이프라인을 만들고 관리하세요.
• TFX 구성요소를 사용하여 모델링, 학습, 추론 제공, 배포 관리를 수행합니다.
• 웹 애플리케이션, 모바일 애플리케이션, IoT 장치 등에 기계 학습 기능을 배포합니다.

대한민국의 강사가 진행하는 실시간 교육에서 참가자는 TPU 프로세서의 혁신을 활용하여 자체 AI 애플리케이션의 성능을 극대화하는 방법을 배우게 됩니다.

교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 대량의 데이터에 대해 다양한 유형의 신경망을 훈련합니다.
• TPU를 사용하면 추론 프로세스 속도를 최대 2배까지 높일 수 있습니다.
• TPU를 활용하여 이미지 검색, 클라우드 비전, 사진 등 집약적인 애플리케이션을 처리합니다.

TensorFlow™는 데이터 흐름 그래픽을 사용하여 숫자 계산을 위한 오픈소스 소프트웨어 라이브러리입니다.

SyntaxNet은 신경 네트워크 자연 언어 처리 프레임 워크입니다 TensorFlow.

Word2Vec는 "word embeddings"라고 불리는 단어의 학습 벡터 표현에 사용됩니다. Word2vec는 원료 텍스트에서 단어 삽입을 배울 수있는 특히 컴퓨팅 효율적인 예측 모델입니다. 그것은 두 개의 맛, 지속적인 가방-Word의 모델 (CBOW)과 Skip-Gram 모델 (Mikolov et al.의 3.1 및 3.2 장)에서 제공됩니다.)

동일하게 사용되는 SyntaxNet 및 Word2Vec는 사용자가 자연 언어 입력에서 배운 삽입 모델을 생성할 수 있습니다.

관객

이 과정은 SyntaxNet 및 Word2Vec 모델과 함께 일하려는 개발자와 엔지니어를 대상으로합니다.

이 과정이 완료되면, 대표는 다음과 같이 할 것입니다 :

• 이해 TensorFlow’의 구조 및 배치 메커니즘
• 설치 / 생산 환경 / 건축 작업 및 구성을 수행 할 수 있습니다.
• 코드 품질을 평가할 수 있고, 데뷔, 모니터링을 수행할 수 있습니다.
• 훈련 모델, 통합 용어, 건설 차트 및 로그링과 같은 고급 생산을 구현할 수 있습니다.

이 과정은 신경망 및 일반적으로 기계 학습 알고리즘, 딥 러닝 (알고리즘 및 응용 프로그램)에 대한 개념 지식을 제공하는 것으로 시작합니다.

파트 1 (40 %)이 훈련은 기본에 더 초점이다, 그러나 당신이 올바른 기술을 선택하는 데 도움이됩니다 TensorFlow , Caffe , Theano, DeepDrive, Keras 등

이 교육의 2 부 (20 %)는 딥 러닝 모델을 쉽게 작성할 수있는 Python 라이브러리 인 Theano를 소개합니다.

교육의 3 부 (40 %)는 Go ogle의 Deep Learning 용 오픈 소스 소프트웨어 라이브러리 인 Tensorflow-2 Generation API를 기반으로합니다. 예제와 핸드 손은 모두 TensorFlow 에서 만들어 질 것입니다.

청중

이 과정은 Deep Learning 프로젝트에 TensorFlow 를 사용하려는 엔지니어를 대상으로합니다.

이 과정을 마친 대표는 다음을 수행합니다.

• 심층 신경망 (DNN), CNN 및 RNN에 대해 잘 이해해야합니다.

• TensorFlow 의 구조 및 배포 메커니즘 이해

• 설치 / 제작 환경 / 아키텍처 작업 및 구성 수행 가능

• 코드 품질 평가, 디버깅, 모니터링 수행

• 교육 모델, 그래프 작성 및 로깅과 같은 고급 프로덕션을 구현할 수 있습니다.