Kursus Pelatihan Deep Learning untuk NLU: Lebih Jauh dari Model NLP

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 adalah kerangka kerja pembelajaran mendalam yang dibuat dengan ekspresi, kecepatan, dan modularitas di dalam pikiran.

Kursus ini mengkaji penerapan Caffe sebagai kerangka kerja Deep learning untuk pengenalan gambar menggunakan MNIST sebagai contoh

Penonton

Kursus ini cocok untuk peneliti dan insinyur Deep Learning yang tertarik menggunakan Caffe sebagai kerangka kerja.

Setelah menyelesaikan kursus ini, peserta akan mampu:

• mengerti struktur dan mekanisme penyebaran Caffe
• melakukan tugas instalasi/lingkungan produksi/arsitektur dan konfigurasi
• menilai kualitas kode, melakukan debugging, dan pemantauan
• mengimplementasikan produksi tingkat lanjut seperti pelatihan model, menerapkan layer dan log

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

Kursus ini cocok untuk peneliti dan insinyur Deep Learning yang tertarik menggunakan alat-alat (sebagian besar open source) untuk menganalisis gambar komputer

Kursus ini menyediakan contoh-contoh kerja.

Pelatihan ini yang dibimbing oleh instruktur secara langsung (online atau tatap muka) ditujukan untuk pengembang, ilmuwan data, dan praktisi AI tingkat menengah yang ingin memanfaatkan TensorFlow Lite untuk aplikasi Edge AI.

Dengan pelatihan ini, peserta akan dapat:

• Memahami dasar-dasar TensorFlow Lite dan perannya dalam Edge AI.
• Mengembangkan dan mengoptimalkan model AI menggunakan TensorFlow Lite.
• Menyebarkan model TensorFlow Lite pada berbagai perangkat edge.
• Menggunakan alat dan teknik untuk konversi dan optimasi model.
• Mengimplementasikan 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.

Instruksi langsung ini di Indonesia (daring atau di tempat) ditujukan kepada insinyur yang ingin menulis, memuat dan menjalankan model pembelajaran mesin pada perangkat embedded sangat kecil.

Di akhir pelatihan ini, peserta akan dapat:

• Instal TensorFlow Lite.
• Memuat model pembelajaran mesin ke dalam perangkat embedded untuk memungkinkannya mendeteksi suara, mengklasifikasikan gambar, dll.
• Menambahkan AI ke perangkat keras tanpa bergantung pada koneksi jaringan.

TensorFlow adalah API generasi kedua dari pustaka perangkat lunak Google yang terbuka untuk Deep Learning. Sistem ini dirancang untuk memudahkan penelitian dalam pemilihan mesin, dan untuk memudahkan transisi dari prototipe penelitian ke sistem produksi dengan cepat dan mudah.

Peserta

Kursus ini ditujukan untuk insinyur yang ingin menggunakan TensorFlow untuk proyek Deep Learning-nya.

Setelah menyelesaikan kursus ini, peserta akan:

• memahami struktur dan mekanisme pengoperasian TensorFlow
• dapat melakukan tugas instalasi / lingkungan produksi / arsitektur dan konfigurasi
• dapat menilai kualitas kode, melakukan debug, pemantauan
• dapat menerapkan penggunaan lanjut seperti melatih model, membangun grafis dan melakukan logging

Kursus ini menjelajahi, dengan contoh spesifik, aplikasi Tensor Flow untuk tujuan pengenalan gambar

Peserta

Kursus ini ditujukan untuk insinyur yang ingin menggunakan TensorFlow untuk tujuan pengenalan gambar

Setelah menyelesaikan kursus ini, peserta akan mampu untuk:

• memahami struktur dan mekanisme pelaksanaan TensorFlow
• melakukan tugas instalasi / lingkungan produksi / arsitektur dan konfigurasi
• menilai kualitas kode, melakukan debugging, dan pemantauan
• menerapkan penggunaan produksi lanjutan seperti pelatihan model, membangun grafik dan logging

TensorFlow™ adalah perpustakaan perangkat lunak sumber terbuka untuk komputasi numerik menggunakan grafik aliran data.

SyntaxNet adalah kerangka pengolahan bahasa alami berbasis jaringan saraf untuk TensorFlow.

Word2Vec digunakan untuk mempelajari representasi vektor kata, disebut "word embeddings". Word2vec adalah model prediktif yang khusus efisien secara komputasi untuk mempelajari word embeddings dari teks mentah. Model ini ada dalam dua variasi, Continuous Bag-of-Words (CBOW) dan Skip-Gram (Bab 3.1 dan 3.2 dalam Mikolov et al.).

Dengan digunakan bersama, SyntaxNet dan Word2Vec memungkinkan pengguna untuk menghasilkan model Learned Embedding dari input Natural Language.

Peserta

Kursus ini ditujukan untuk pengembang dan insinyur yang ingin bekerja dengan model SyntaxNet dan Word2Vec dalam grafik TensorFlow mereka.

Setelah menyelesaikan kursus ini, peserta akan:

• memahami struktur dan mekanisme peluncuran TensorFlow
• dapat melakukan tugas instalasi/lingkungan produksi/arsitektur dan konfigurasi
• dapat menilai kualitas kode, melakukan pembugian, dan pemantauan
• dapat menerapkan penggunaan lanjutan seperti melatih model, menanamkan istilah, membangun grafik, dan log