Kursus Pelatihan Deep Learning dengan TensorFlow 2

Ini adalah kursus 4 hari yang memperkenalkan AI dan penerapannya. Ada opsi untuk memiliki satu hari tambahan untuk melaksanakan proyek AI setelah menyelesaikan kursus ini.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau onsite) ini ditujukan untuk profesional tingkat lanjut yang ingin memperdalam pemahaman mereka tentang penglihatan komputer dan mengeksplorasi kemampuan TensorFlow dalam mengembangkan model penglihatan canggih menggunakan Google Colab.

Pada akhir pelatihan ini, peserta akan dapat:

• Membuat dan melatih jaringan saraf konvolusional (CNNs) menggunakan TensorFlow.
• Menggunakan Google Colab untuk pengembangan model berbasis cloud yang dapat di skalakan dan efisien.
• Melaksanakan teknik pra-pemrosesan citra untuk tugas penglihatan komputer.
• Mengimplementasikan model penglihatan komputer untuk aplikasi dunia nyata.
• Menggunakan transfer learning untuk meningkatkan kinerja model CNN.
• Visualisasi dan interpretasi hasil dari model klasifikasi citra.

Pelatihan langsung ini di Indonesia (online atau offline) ditujukan bagi ilmuwan data dan pengembang tingkat menengah yang ingin memahami dan menerapkan teknik deep learning menggunakan lingkungan Google Colab.

Pada akhir pelatihan ini, peserta akan dapat:

• Menyiapkan dan mengelola Google Colab untuk proyek deep learning.
• Memahami dasar-dasar jaringan saraf.
• Melakukan implementasi model deep learning menggunakan TensorFlow.
• Melatih dan mengevaluasi model deep learning.
• Menggunakan fitur lanjutan dari TensorFlow untuk deep learning.

Dalam pelatihan online langsung ini di Indonesia, peserta akan belajar menggunakan perpustakaan Python untuk Penganalan Bahasa Alam (NLP) saat mereka membuat aplikasi yang memproses sejumlah gambar dan menghasilkan kapten.

Pada akhir pelatihan ini, peserta akan dapat:

• Mendesain dan mengkodekan DL untuk NLP menggunakan perpustakaan Python.
• Membuat kode Python yang membaca koleksi gambar yang sangat besar dan menghasilkan kata kunci.
• Membuat kode Python yang menghasilkan kapten dari kata kunci yang terdeteksi.

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 langsung yang dipandu oleh instruktur ini, di Indonesia (online atau onsite), ditujukan bagi ilmuwan data yang ingin menggunakan TensorFlow untuk menganalisis data potensi penipuan.

Pada akhir pelatihan ini, peserta akan dapat:

• Membuat model deteksi penipuan di Python dan TensorFlow.
• Membangun regresi linier dan model regresi linier untuk memprediksi penipuan.
• Mengembangkan aplikasi AI end-to-end untuk menganalisis data penipuan.

Dalam pelatihan yang dipandu instruktur secara langsung di Indonesia (online atau di lokasi), peserta akan belajar cara mengonfigurasi dan menggunakan Tensorflow Serving untuk mendeploy dan mengelola model ML dalam lingkungan produksi.

Selesai pelatihan ini, peserta akan dapat:

• Mentraining, mengekspor, dan menyajikan berbagai model Tensorflow.
• Mengetes dan mendeploy algoritma menggunakan satu arsitektur dan set API.
• Mengembangkan Tensorflow Serving untuk menyajikan jenis model lain selain model Tensorflow.

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

Ini adalah pelatihan langsung (pelatihan online langsung atau pelatihan langsung tatap muka) yang dipimpin instruktur di Indonesia yang ditujukan untuk para ilmuwan data yang ingin melangkah dari melatih satu model ML hingga mengirim banyak model ML ke produksi.

Di akhir pelatihan ini, peserta akan mampu:

• Memasang dan mengonfigurasi TFX dan alat-alat pihak ketiga pendukung.
• Menggunakan TFX untuk membuat dan mengelola pipa produksi ML yang lengkap.
• Bekerja dengan komponen TFX untuk melakukan modeling, pelatihan, menyajikan inferensi, dan mengelola penempatan.
• Mengirim fitur pemodelan mesin ke aplikasi web, aplikasi seluler, perangkat IoT, dan sebagainya.

Dalam pelatihan yang dipandu oleh instruktur ini di Indonesia, peserta akan belajar bagaimana memanfaatkan inovasi dalam prosesor TPU untuk mengoptimalkan kinerja aplikasi AI mereka sendiri.

Pada akhir pelatihan, peserta akan mampu:

• Melatih berbagai jenis jaringan saraf pada jumlah data yang besar.
• Menggunakan TPU untuk mempercepat proses inferensi hingga dua magnitudo lebih cepat.
• Memanfaatkan TPU untuk mengolah aplikasi intensif seperti pencarian gambar, penglihatan awan, dan foto.

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

Kursus ini memulai dengan memberikan pengetahuan konsep mengenai jaringan sarang dan secara umum mengenai algoritma pembelajaran mesin, pembelajaran mendalam (algoritma dan aplikasinya).

Bagian-1 (40%) dari pelatihan ini lebih berfokus pada dasar-dasar, tetapi akan membantu Anda memilih teknologi yang tepat: TensorFlow, Caffe, Theano, DeepDrive, Keras, dll.

Bagian-2 (20%) dari pelatihan ini memperkenalkan Theano - sebuah perpustakaan Python yang membuat penulisan model pembelajaran mendalam menjadi lebih mudah.

Bagian-3 (40%) dari pelatihan ini akan secara ekstensif menggunakan Tensorflow - API Generasi Kedua dari pustaka perangkat lunak terbuka Google untuk Pembelajaran Mendalam. Contoh dan praktik tangan akan dibuat seluruhnya menggunakan TensorFlow.

Peserta

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

Setelah menyelesaikan kursus ini, peserta akan:

• memiliki pemahaman yang baik tentang deep neural networks (DNN), CNN, dan RNN

• memahami struktur TensorFlow dan mekanisme penyebarannya

• dapat melaksanakan tugas instalasi/lingkungan produksi/arsitektur dan konfigurasi

• dapat menilai kualitas kode, melakukan debugging, dan pemantauan

• dapat mengimplementasikan produksi tingkat lanjut seperti melatih model, membangun grafik, dan logging