DeepMind Lab Training Course

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data tingkat menengah hingga mahir, insinyur pembelajaran mesin, peneliti pembelajaran mendalam, dan pakar visi komputer yang ingin memperluas pengetahuan dan keterampilan mereka dalam pembelajaran mendalam untuk pembuatan teks menjadi gambar.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami arsitektur dan teknik pembelajaran mendalam tingkat lanjut untuk pembuatan teks menjadi gambar.
• Terapkan model dan pengoptimalan yang kompleks untuk sintesis gambar berkualitas tinggi.
• Mengoptimalkan kinerja dan skalabilitas untuk kumpulan data besar dan model yang kompleks.
• Sesuaikan hiperparameter untuk kinerja dan generalisasi model yang lebih baik.
• Integrasikan Stable Diffusion dengan kerangka kerja dan alat pembelajaran mendalam lainnya

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk para ahli biologi yang ingin memahami cara kerja AlphaFold dan menggunakan model AlphaFold sebagai panduan dalam studi eksperimental mereka.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami prinsip dasar AlphaFold.
• Pelajari cara kerja AlphaFold.
• Pelajari cara menafsirkan prediksi dan hasil AlphaFold.

Caffe is a deep learning framework made with expression, speed, and modularity in mind.

This course explores the application of Caffe as a Deep learning framework for image recognition using MNIST as an example

Audience

This course is suitable for Deep Learning researchers and engineers interested in utilizing Caffe as a framework.

After completing this course, delegates will be able to:

• understand Caffe’s structure and deployment mechanisms
• carry out installation / production environment / architecture tasks and configuration
• assess code quality, perform debugging, monitoring
• implement advanced production like training models, implementing layers and logging

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk peneliti dan pengembang yang ingin menggunakan Chainer untuk membangun dan melatih jaringan saraf di Python sambil membuat kode mudah di-debug.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai mengembangkan model jaringan saraf.
• Menentukan dan menerapkan model jaringan saraf menggunakan kode sumber yang mudah dipahami.
• Jalankan contoh dan modifikasi algoritma yang ada untuk mengoptimalkan model pelatihan pembelajaran mendalam sambil memanfaatkan GPU untuk kinerja tinggi.

Computer Network ToolKit (CNTK) adalah Microsoft's Open Source, Multi-mesin, Multi-GPU, Kerangka kerja pembelajaran mesin pelatihan RNN yang sangat efisien untuk ucapan, teks, dan gambar.

Hadirin

Kursus ini ditujukan untuk para insinyur dan arsitek yang ingin memanfaatkan CNTK dalam proyek mereka.

Audience

This course is suitable for Deep Learning researchers and engineers interested in utilizing available tools (mostly open source) for analyzing computer images

This course provide working examples.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang tingkat menengah, ilmuwan data, dan praktisi AI yang ingin memanfaatkan TensorFlow Lite untuk aplikasi Edge AI.

Pada akhir pelatihan ini, peserta akan mampu:

• Pahami dasar-dasar TensorFlow Lite dan perannya dalam Edge AI.
• Kembangkan dan optimalkan model AI menggunakan TensorFlow Lite.
• Terapkan TensorFlow model Lite di berbagai perangkat edge.
• Memanfaatkan alat dan teknik untuk konversi dan pengoptimalan model.
• Implementasikan aplikasi Edge AI praktis menggunakan TensorFlow Lite.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data yang ingin mempercepat aplikasi pembelajaran mesin waktu nyata dan menerapkannya dalam skala besar.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal toolkit OpenVINO.
• Mempercepat aplikasi visi komputer menggunakan FPGA.
• Jalankan berbagai lapisan CNN pada FPGA.
• Skalakan aplikasi di beberapa node dalam kluster Kubernetes.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk pengembang atau ilmuwan data yang ingin menggunakan Horovod untuk menjalankan pelatihan pembelajaran mendalam yang terdistribusi dan meningkatkannya untuk dijalankan di beberapa GPU secara paralel.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai menjalankan pelatihan pembelajaran mendalam.
• Instal dan konfigurasikan Horovod untuk melatih model dengan TensorFlow, Keras, PyTorch, dan Apache MXNet.
• Skala pelatihan pembelajaran mendalam dengan Horovod untuk dijalankan pada beberapa GPU.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk orang-orang teknis yang ingin menerapkan model pembelajaran mendalam pada aplikasi pengenalan gambar.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Keras.
• Buat prototipe model pembelajaran mendalam dengan cepat.
• Menerapkan jaringan konvolusional.
• Terapkan jaringan berulang.
• Jalankan model pembelajaran mendalam pada CPU dan GPU.

Pelatihan langsung yang dipandu instruktur ini (online atau di tempat) ditujukan untuk ilmuwan data, insinyur pembelajaran mesin, dan peneliti visi komputer yang ingin memanfaatkan Stable Diffusion untuk menghasilkan gambar berkualitas tinggi untuk berbagai kasus penggunaan.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami prinsip Stable Diffusion dan cara kerjanya untuk pembuatan gambar.
• Membangun dan melatih model Stable Diffusion untuk tugas pembuatan gambar.
• Terapkan Stable Diffusion ke berbagai skenario pembuatan gambar, seperti inpainting, outpainting, dan penerjemahan gambar ke gambar.
• Optimalkan kinerja dan stabilitas model Stable Diffusion.

This instructor-led, live training in Indonesia (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.

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

• Install TensorFlow Lite.
• Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
• Add AI to hardware devices without relying on network connectivity.

TensorFlow is a 2nd Generation API of Google's open source software library for Deep Learning. The system is designed to facilitate research in machine learning, and to make it quick and easy to transition from research prototype to production system.

Audience

This course is intended for engineers seeking to use TensorFlow for their Deep Learning projects

After completing this course, delegates will:

• understand TensorFlow’s structure and deployment mechanisms
• be able to carry out installation / production environment / architecture tasks and configuration
• be able to assess code quality, perform debugging, monitoring
• be able to implement advanced production like training models, building graphs and logging

This course explores, with specific examples, the application of Tensor Flow to the purposes of image recognition

Audience

This course is intended for engineers seeking to utilize TensorFlow for the purposes of Image Recognition

After completing this course, delegates will be able to:

• understand TensorFlow’s structure and deployment mechanisms
• carry out installation / production environment / architecture tasks and configuration
• assess code quality, perform debugging, monitoring
• implement advanced production like training models, building graphs and logging

TensorFlow™ is an open source software library for numerical computation using data flow graphs.

SyntaxNet is a neural-network Natural Language Processing framework for TensorFlow.

Word2Vec is used for learning vector representations of words, called "word embeddings". Word2vec is a particularly computationally-efficient predictive model for learning word embeddings from raw text. It comes in two flavors, the Continuous Bag-of-Words model (CBOW) and the Skip-Gram model (Chapter 3.1 and 3.2 in Mikolov et al.).

Used in tandem, SyntaxNet and Word2Vec allows users to generate Learned Embedding models from Natural Language input.

Audience

This course is targeted at Developers and engineers who intend to work with SyntaxNet and Word2Vec models in their TensorFlow graphs.

After completing this course, delegates will:

• understand TensorFlow’s structure and deployment mechanisms
• be able to carry out installation / production environment / architecture tasks and configuration
• be able to assess code quality, perform debugging, monitoring
• be able to implement advanced production like training models, embedding terms, building graphs and logging