TensorFlow Extended (TFX) 교육 과정

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

이 강사는 온라인 또는 오프사이트에서 제공되는 이 수업은 컴퓨터 비전을 심화하여 이해하고 TensorFlow의 Google Colab을 활용한 고급 비전 모델 개발을 탐구하고자 하는 고급 수준의 전문가를 대상으로 합니다.

이 교육을 통해 참가자는 다음을 할 수 있습니다:

• TensorFlow을 사용하여 컨볼루션 신경망(CNNs)을 구축하고 학습합니다.
• Google Colab을 사용하여 확장 가능한 효율적인 클라우드 기반 모델 개발을 활용합니다.
• 컴퓨터 비전 작업에 대한 이미지 사전 처리 기법을 구현합니다.
• 컴퓨터 비전 모델을 실세계 응용 프로그램에 배포합니다.
• 전이 학습을 사용하여 CNN 모델의 성능을 향상시킵니다.
• 이미지 분류 모델 결과의 시각화 및 해석을 수행합니다.

이 강사는 온라인 또는 현장에서 중급 수준의 데이터 과학자 및 개발자를 대상으로 Google Colab 환경에서 심층 학습 기술을 이해하고 적용하는 방법을 배우는 훈련입니다.

이 교육을 마치면 참가자는 다음을 할 수 있습니다:

• 심층 학습 프로젝트를 위해 Google Colab을 설정하고 탐색합니다.
• 신경망의 기본 원리를 이해합니다.
• TensorFlow를 사용하여 심층 학습 모델을 구현합니다.
• 심층 학습 모델을 훈련하고 평가합니다.
• 심층 학습을 위한 TensorFlow의 고급 기능을 활용합니다.

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.

대상

이 과정은 이미지 분석을 위해 다양한 도구(대부분 오픈 소스)를 활용하고자 하는 딥러닝 연구자 및 엔지니어를 대상으로 합니다.

이 과정은 실제 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.

TensorFlow는 구글의 오픈 소스 소프트웨어 라이브러리인 딥러닝의 2세대 API입니다. 이 시스템은 머신러닝 연구를 촉진하고 연구 프로토타입에서 생산 시스템으로 빠르게 전환할 수 있도록 설계되었습니다.

대상

이 과정은 TensorFlow를 딥러닝 프로젝트에 사용하려는 엔지니어를 대상으로 합니다.

이 과정을 완료한 후, 참가자들은 다음을 할 수 있습니다:

• TensorFlow의 구조와 배포 메커니즘을 이해합니다
• 설치/프로덕션 환경/아키텍처 작업 및 설정 수행이 가능합니다
• 코드 품질 평가, 디버깅, 모니터링이 가능합니다
• 모델 훈련, 그래프 구축 및 로깅과 같은 고급 프로덕션 구현이 가능합니다

이 강의는 이미지 인식의 목적을 위해 Tensor Flow를 적용하는 방법을 구체적인 예시와 함께 탐구합니다.

대상

이 강의는 이미지 인식을 위해 TensorFlow를 활용하고자 하는 엔지니어를 대상으로 합니다.

강의를 마치면 수강생은 다음을 할 수 있습니다:

• TensorFlow의 구조와 배포 메커니즘을 이해합니다.
• 설치/생산 환경/아키텍처 작업을 수행하고 구성합니다.
• 코드 품질을 평가하고, 디버깅, 모니터링을 수행합니다.
• 고급 생산을 구현합니다(모델 학습, 그래프 구축, 로깅).

이 인스트럭터 주도형 실습 교육에서는 참가자들이 TPU 프로세서의 혁신을 활용하여 AI 애플리케이션의 성능을 극대화하는 방법을 배웁니다.

이 교육을 마친 후 참가자들은 다음을 수행할 수 있게 됩니다:

• 대규모 데이터에 여러 유형의 신경망을 학습시킵니다.
• TPU를 사용하여 추론 과정을 두 자리 수 단위로 가속화합니다.
• 이미지 검색, 클라우드 비전 및 사진과 같은 집약적인 애플리케이션을 처리하기 위해 TPU를 활용합니다.

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 강좌는 신경망과 일반적으로 기계 학습 알고리즘, 딥러닝(알고리즘 및 응용)에 대한 개념적인 지식을 제공합니다.

이 교육의 1부(40%)는 기본 개념에 중점을 둡니다. 하지만 TensorFlow, Caffe, Theano, DeepDrive, Keras 등을 포함한 적절한 기술을 선택하는 데 도움이 됩니다.

이 교육의 2부(20%)는 파이썬 라이브러리 Theano를 소개합니다. 이를 통해 딥러닝 모델 작성이 용이해집니다.

이 교육의 3부(40%)는 구글의 오픈 소스 소프트웨어 라이브러리 TensorFlow 2세대 API를 중심으로 합니다. 예시와 실습은 모두 TensorFlow로 진행됩니다.

대상자

이 강좌는 딥러닝 프로젝트에 TensorFlow를 활용하고자 하는 엔지니어를 대상으로 합니다.

이 강좌를 완료한 후 참석자들은 다음을 할 수 있습니다:

• 심층 신경망(DNN), CNN 및 RNN에 대한 깊은 이해를 얻게 됩니다.

• TensorFlow의 구조와 배포 메커니즘을 이해합니다.

• 설치/생산 환경/아키텍처 작업을 수행하고 구성할 수 있습니다.

• 코드 품질을 평가하고, 디버깅, 모니터링을 수행할 수 있습니다.

• 고급 생산을 구현할 수 있습니다. 예를 들어, 모델 학습, 그래프 구축 및 로깅입니다.