심층 학습 Training in 서울

서울에서 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.

이 교육을 마친 후, 참가자들은 다음과 같은 능력을 갖출 것입니다:

이 인스트럭터-리드 라이브 트레이닝 (온라인 또는 오프라인)은 컴퓨터 비전을 심화적으로 이해하고자 하는 고급 전문가들을 대상으로 하며, Google Colab을 활용하여 TensorFlow의 능력으로 복잡한 비전 모델을 개발하는 방법을 탐구합니다.

• TensorFlow을 사용하여 합성곱 신경망(CNNs)을 구축하고 학습합니다.
• Google Colab을 활용하여 확장 가능하고 효율적인 클라우드 기반 모델 개발을 수행합니다.
• 컴퓨터 비전 작업을 위한 이미지 전처리 기술을 구현합니다.
• 실제 응용 프로그램에 컴퓨터 비전 모델을 배포합니다.
• 전이 학습을 사용하여 CNN 모델의 성능을 향상시킵니다.
• 이미지 분류 모델의 결과를 시각화하고 해석합니다.

이 훈련을 마치면 참가자들은 다음과 같은 능력을 갖출 것입니다:

이 인스트럭터-리드 라이브 트레이닝 (온라인 또는 오프라인) 은 Google Colab 환경에서 딥러닝 기법을 이해하고 적용하고자 하는 중급 데이터 과학자 및 개발자를 대상으로 합니다.

• Google Colab을 딥러닝 프로젝트를 위해 설정하고 탐색합니다.
• 신경망의 기본 개념을 이해합니다.
• TensorFlow을 사용하여 딥러닝 모델을 구현합니다.
• 딥러닝 모델을 학습하고 평가합니다.
• TensorFlow의 고급 기능을 딥러닝에 활용합니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 NLU를 위한 최첨단 딥 러닝 기술을 전문으로 다루고자 하는 고급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• NLU와 NLP 모델의 주요 차이점을 이해합니다.
• NLU 작업에 고급 딥러닝 기술을 적용합니다.
• 변압기와 어텐션 메커니즘과 같은 심층적인 아키텍처를 탐구해 보세요.
• NLU의 미래 트렌드를 활용해 정교한 AI 시스템을 구축하세요.

서울에서 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

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 AI 기술을 활용하여 약물 발견 및 개발 프로세스를 혁신하고자 하는 고급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 약물 발견 및 개발에 있어서 AI의 역할을 알아보세요.
• 머신 러닝 기술을 적용하여 분자의 특성과 상호작용을 예측합니다.
• 가상 스크리닝 및 리드 최적화를 위해 딥 러닝 모델을 활용하세요.
• 임상 시험 과정에 AI 기반 접근 방식을 통합합니다.

서울에서 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.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 딥 러닝 모델의 성능을 개선하고자 하는 초보에서 중급 수준의 데이터 과학자와 머신 러닝 엔지니어를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 분산형 딥러닝의 원리를 이해합니다.
• DeepSpeed를 설치하고 구성합니다.
• DeepSpeed를 사용하여 분산 하드웨어에서 딥 러닝 모델을 확장하세요.
• 최적화 및 메모리 효율성을 위해 DeepSpeed 기능을 구현하고 실험해 보세요.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 다양한 자연어 작업에 대규모 언어 모델을 사용하려는 초급에서 중급 수준의 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 인기 있는 LLM을 포함하는 개발 환경을 설정합니다.
• 기본 LLM을 만들고 사용자 정의 데이터 세트에 맞춰 미세 조정합니다.
• 텍스트 요약, 질의응답, 텍스트 생성 등 다양한 자연어 작업에 LLM을 활용하세요.
• TensorBoard, PyTorch Lightning, Hugging Face Datasets와 같은 도구를 사용하여 LLM을 디버그하고 평가합니다.

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.

서울에서 강사가 진행하는 이 실시간 교육에서 참가자는 이미지, 음악, 텍스트 및 재무 데이터를 포함하는 일련의 데모 애플리케이션을 구축하면서 Python에서 가장 관련성 있고 최첨단의 머신 러닝 기술을 배우게 됩니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 복잡한 문제를 해결하기 위해 머신 러닝 알고리즘과 기술을 구현합니다.
• 이미지, 음악, 텍스트, 금융 데이터와 관련된 애플리케이션에 딥러닝과 반지도 학습을 적용합니다.
• Python 알고리즘을 최대 잠재력으로 활용하세요.
• NumPy, Theano와 같은 라이브러리와 패키지를 사용하세요.

서울에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Deep Learning Agent 생성을 단계별로 진행하면서 Deep Reinforcement Learning의 기본 사항을 배우고자 하는 개발자와 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• DeepReinforcement Learning의 핵심 개념을 이해하고 Machine Learning과 구별할 수 있습니다.
• 실제 문제를 해결하기 위해 고급 Reinforcement Learning 알고리즘을 적용합니다.
• 딥러닝 에이전트를 구축하세요.

강사가 진행하는 이 서울 실시간 교육에서 참가자는 딥 러닝 신용 위험 모델 생성을 단계별로 진행하면서 Python을 사용하여 통신용 딥 러닝 모델을 구현하는 방법을 배우게 됩니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 딥러닝의 기본 개념을 이해합니다.
• 통신 분야에서 딥 러닝을 적용하고 활용하는 방법을 알아보세요.
• Python, Keras, TensorFlow를 사용하여 통신용 딥 러닝 모델을 만듭니다.
• Python을 사용하여 자체 딥 러닝 고객 이탈 예측 모델을 구축합니다.

이 과정은 관리자, 솔루션 설계자, 혁신 책임자, CTO, 소프트웨어 설계자 및 응용 인공 지능의 개요와 개발에 대한 가장 가까운 예측에 관심이 있는 모든 사람을 위해 만들어졌습니다.

이 과정은 AI (emphasizing Machine Learning 및 Deep Learning)에서 Automotive 산업을 다루고 있습니다. 그것은 자동차의 여러 상황에서 어떤 기술이 (잠재적으로) 사용될 수 있는지 결정하는 데 도움이됩니다 : 간단한 자동화, 이미지 인식에서 독립적 인 의사 결정에 이르기까지.

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

이 인스트럭터-리드 라이브 트레이닝은 온라인 또는 오프사이트에서 진행되며, 데이터 과학자와 통계학자가 직업 분야에서 데이터를 준비하고 모델을 구성하며 머신러닝 기법을 효과적으로 적용할 수 있도록 설계되었습니다.

이 트레이닝을 통해 참가자는 다음을 할 수 있게 됩니다:

• 다양한 Machine Learning 알고리즘을 이해하고 구현합니다.
• 머신러닝 응용 프로그램을 위한 데이터를 준비하고 모델을 구성합니다.
• 사후 분석을 수행하고 결과를 효과적으로 시각화합니다.
• 실제 세계의 특정 산업 시나리오에 머신러닝 기법을 적용합니다.

인공 신경망은 Artificial Intelligence (AI) 시스템의 개발에 사용되는 계산 데이터 모델로 "지능적인"작업을 수행 할 수 있습니다. Neural Networks 는 일반적으로 인공 지능의 한 구현 인 Machine Learning (ML) 애플리케이션에 사용됩니다. Deep Learning 은 ML의 하위 집합입니다.

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

서울에서 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.

이 과정은 특정 방법을 너무 깊이 파고들지 않고 Deep Learning에 대한 일반적인 개요입니다. 예측 정확도를 높이기 위해 딥 러닝을 사용하려는 사람들에게 적합합니다.

서울에서 진행되는 이 실시간 교육(온라인 또는 현장)은 DeepMind Lab 플랫폼을 설치, 설정, 사용자 정의 및 사용하여 일반적인 인공 지능 및 기계 학습 시스템을 개발하려는 연구원 및 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 학습 및 훈련 요구 사항에 적합한 환경을 구축하고 실행하려면 DeepMind Lab을 사용자 정의하세요.
• DeepMind Lab의 3D 시뮬레이션 환경을 사용하여 1인칭 관점에서 학습 에이전트를 훈련하세요.
• 3D 게임과 같은 세계에서 인텔리전스를 개발하기 위해 에이전트 평가를 촉진합니다.

머신 러닝은 컴퓨터가 명시적으로 프로그래밍되지 않고도 학습할 수 있는 능력을 갖춘 인공 지능의 한 분야입니다. 딥 러닝은 신경망과 같은 데이터 표현과 구조를 학습하는 방법을 사용하는 머신 러닝의 하위 분야입니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 매출 성장을 가속화하고 비즈니스 세계에서 문제를 해결하기 위해 딥 러닝 모델을 구축하고 구현하려는 비즈니스 분석가, 데이터 과학자 및 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 머신 러닝과 딥 러닝의 핵심 개념을 이해합니다.
• ML과 DL을 통해 비즈니스와 산업의 미래에 대한 통찰력을 얻으세요.
• 딥러닝을 통해 비즈니스 전략과 솔루션을 정의하세요.
• 비즈니스 문제를 해결하는 데 데이터 과학과 딥러닝을 적용하는 방법을 알아보세요.
• Python, Pandas, TensorFlow, CNTK, Torch, Keras 등을 이용하여 딥러닝 모델을 구축합니다.

머신러닝은 컴퓨터가 명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 갖춘 인공 지능의 한 분야입니다. 딥 러닝은 신경망과 같은 구조 및 데이터 표현 학습을 기반으로 하는 방법을 사용하는 기계 학습의 하위 분야입니다. Python은 명확한 구문과 코드 가독성으로 유명한 고급 프로그래밍 언어입니다.

강사가 진행하는 이 실시간 교육에서 참가자는 딥 러닝 신용 위험 모델 생성을 단계별로 진행하면서 Python을 사용하여 뱅킹용 딥 러닝 모델을 구현하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 딥러닝의 기본 개념을 이해합니다.
• 은행업에서 딥 러닝의 응용 및 사용 방법을 알아보세요.
• Python, Keras, TensorFlow를 사용하여 은행용 딥 러닝 모델을 만듭니다.
• Python을 사용하여 자체 딥 러닝 신용 위험 모델 구축

청중

• 개발자
• 데이터 과학자

코스의 형식

• 파트 강의, 파트 토론, 연습 및 고강도 실습

강사가 진행하는 이 서울 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.

서울에서 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.

서울에서 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.

서울에서 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.

유형 : 라자냐에 대한 학생들과 사전에 결정된 적용을 통한 이론 교육 또는 교육 그룹에 따라 Keras

수업방식 : 발표, 토론, 사례연구

인공지능은 많은 과학 분야를 파괴한 후 수많은 경제 분야(산업, 의학, 통신 등)에 혁명을 일으키기 시작했습니다. 그러나 주류 미디어에서의 표현은 환상인 경우가 많으며 Machine Learning 또는 Deep Learning의 영역이 실제로 존재하는 것과는 매우 거리가 멀습니다. 이 교육의 목적은 이미 IT 도구(기본 소프트웨어 프로그래밍 기반 포함)를 숙지한 엔지니어에게 Deep Learning과 다양한 전문 분야 및 현재 존재하는 주요 네트워크 아키텍처에 대한 소개를 제공하는 것입니다. . 과정 중에 수학 기초를 다뤘다면 좀 더 편안하게 수학을 배울 수 있도록 BAC+2 수준이 권장됩니다. 수학적 축을 무시하고 "시스템" 비전만 유지하는 것은 절대적으로 가능하지만 이러한 접근 방식은 주제에 대한 이해를 엄청나게 제한합니다.

서울에서 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 주도형 라이브 교육에서 참가자는 Matlab을 사용하여 이미지 인식을위한 컨벌루션 신경망을 설계, 구축 및 시각화하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행 할 수 있습니다.

• 딥 러닝 모델 구축
• 데이터 라벨링 자동화
• Caffe 및 TensorFlow 모델 작업 Keras
• 여러 GPU , 클라우드 또는 클러스터를 사용하여 데이터 훈련

청중

• 개발자
• 엔지니어
• 도메인 전문가

과정의 형식

• 강의, 강의, 연습 및 실습

서울에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 머신 러닝 알고리즘, 딥 러닝 기술, AI 기반 의사 결정에 대한 이해를 개발하고자 하는 초급에서 중급 수준의 전문가를 대상으로 합니다. 이 과정은 R을 사용한 머신 러닝 개념, 딥 러닝 모델, 실제 구현에 대한 실무 경험을 제공합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 머신 러닝과 딥 러닝의 기본을 이해합니다.
• 회귀, 분류, 클러스터링, 이상 탐지에 다양한 머신 러닝 알고리즘을 적용합니다.
• 인공 신경망(ANN)과 같은 딥 러닝 아키텍처를 사용합니다.
• 지도 학습 및 비지도 학습 모델을 구현합니다.
• 모델 성능을 평가하고 하이퍼파라미터를 최적화합니다.
• 데이터 분석, 시각화, 머신 러닝 애플리케이션에 R을 사용합니다.

이 훈련은 신경망과 그 응용의 기본을 배우고 자하는 사람들을 대상으로합니다.

이 강의실 기반 교육 세션에는 관련 신경망 및 심층 네트워크 라이브러리를 사용하여 수행할 수 있는 프레젠테이션, 컴퓨터 기반 예제 및 사례 연구 연습이 포함됩니다.

서울에서 진행되는 이 실시간 교육(온라인 또는 현장)은 딥 러닝을 위해 Python 및 OpenCV 4를 프로그래밍하려는 소프트웨어 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• OpenCV을 사용하여 이미지와 비디오를 보고 로드하고 분류합니다. 4.
• TensorFlow과 Keras을 사용하여 OpenCV 4의 딥 러닝을 구현합니다.
• 딥 러닝 모델을 실행하고 이미지와 비디오에서 영향력 있는 보고서를 생성하세요.

OpenFace는 Google의 FaceNet 연구를 기반으로 하는 Python 및 Torch 기반 오픈 소스 실시간 얼굴 인식 소프트웨어입니다.

강사가 진행하는 이 실시간 교육에서 참가자는 OpenFace의 구성 요소를 사용하여 샘플 얼굴 인식 애플리케이션을 만들고 배포하는 방법을 배웁니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• dlib, OpenVC, Torch 및 nn4를 포함한 OpenFace의 구성 요소와 함께 작업하여 얼굴 감지, 정렬 및 변환을 구현합니다.
• 감시, 신원 확인, 가상 현실, 게임, 재방문 고객 식별 등 실제 응용 분야에 OpenFace를 적용합니다.

청중

• 개발자
• 데이터 과학자

과정 형식

• 일부 강의, 일부 토론, 연습 및 집중적인 실습

강사가 진행하는이 실습에서는 OpenNMT 를 설정하고 사용하여 다양한 샘플 데이터 세트의 번역을 수행하는 방법을 배우게됩니다. 이 과정은 기계 번역에 적용 할 때 신경망에 대한 개요부터 시작합니다. 참가자는 과정 전반에 걸쳐 실제 연습을 수행하여 학습 한 개념을 이해하고 강사로부터 피드백을 얻을 수 있습니다.

이 교육이 끝날 때까지 참가자는 생생한 OpenNMT 솔루션을 구현하는 데 필요한 지식과 실습을 OpenNMT 됩니다.

소스 및 대상 언어 샘플은 잠재 고객의 요구 사항에 따라 사전 정렬됩니다.

코스 형식

• 파트 강연, 파트 토론, 무거운 실무 연습

강사가 진행하는 이 실시간 교육에서 참가자는 실제 애플리케이션 생성을 단계별로 진행하면서 R을 사용하여 Machine Learning에 대한 고급 기술을 배우게 됩니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 비지도 학습 기술 이해 및 구현
• 클러스터링과 분류를 적용하여 실제 데이터를 기반으로 예측합니다.
• 데이터를 시각화하여 신속하게 통찰력을 얻고, 결정을 내리고, 분석을 더욱 구체화합니다.
• 하이퍼 매개변수 튜닝을 사용하여 기계 학습 모델의 성능을 향상합니다.
• 더 큰 규모의 애플리케이션에서 사용할 수 있도록 모델을 프로덕션에 적용합니다.
• 고급 기계 학습 기술을 적용하여 소셜 네트워크 데이터, 빅 데이터 등과 관련된 질문에 답하세요.

이 과정은 R 프로젝트 소프트웨어를 사용하여 실제 문제에서 신경망을 적용하는 방법을 소개합니다.

서울에서 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.

서울에서 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.

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.

이 과정에서는 특정 예제를 사용하여 이미지 인식을 목적으로 Tensor Flow를 적용하는 방법에 대해 알아 봅니다.

청중

이 과정은 이미지 인식을 위해 TensorFlow 를 활용하려는 엔지니어를 대상으로합니다.

이 과정을 마치면 대표단은 다음을 수행 할 수 있습니다.

• TensorFlow 의 구조와 배포 메커니즘 이해
• 설치 / 생산 환경 / 아키텍처 작업 및 구성 수행
• 코드 품질 평가, 디버깅 수행, 모니터링
• 교육 모델, 그래프 작성 및 로깅과 같은 고급 제품 구현

서울에서 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.

서울의 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.