Deep Learning Pelatihan Daring di Indonesia

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 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.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat lanjut yang ingin mengkhususkan diri dalam teknik pembelajaran mendalam mutakhir untuk NLU.

Pada akhir pelatihan ini, peserta akan dapat:

• Pahami perbedaan utama antara model NLU dan NLP.
• Terapkan teknik pembelajaran mendalam yang canggih pada tugas-tugas NLU.
• Jelajahi arsitektur mendalam seperti transformer dan mekanisme perhatian.
• Memanfaatkan tren masa depan di NLU untuk membangun sistem AI yang canggih.

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 oleh instruktur di Indonesia (online atau tatap muka) ini ditujukan kepada profesional tingkat lanjut yang ingin memanfaatkan teknik AI untuk merevolusi proses penemuan dan pengembangan obat.

Pada akhir pelatihan, peserta akan mampu:

• Memahami peran AI dalam penemuan dan pengembangan obat.
• Mengaplikasikan teknik pembelajaran mesin untuk memprediksi sifat molekuler dan interaksi.
• Menggunakan model pembelajaran mendalam untuk skrining virtual dan optimasi lead.
• Memasukkan pendekatan berbasis AI ke dalam proses uji klinis.

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.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan insinyur pembelajaran mesin tingkat pemula hingga menengah yang ingin meningkatkan kinerja model pembelajaran mendalam mereka.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami prinsip pembelajaran mendalam yang terdistribusi.
• Instal dan konfigurasikan DeepSpeed.
• Skalakan model pembelajaran mendalam pada perangkat keras terdistribusi menggunakan DeepSpeed.
• Terapkan dan bereksperimen dengan fitur DeepSpeed untuk pengoptimalan dan efisiensi memori.

Pelatihan langsung yang dipimpin instruktur dalam Indonesia (online atau di tempat) ini ditujukan untuk pengembang tingkat pemula hingga menengah yang ingin menggunakan Model Bahasa Besar untuk berbagai tugas bahasa alami.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang menyertakan LLM yang populer.
• Buat LLM dasar dan sempurnakan pada kumpulan data khusus.
• Gunakan LLM untuk berbagai tugas bahasa alami seperti meringkas teks, menjawab pertanyaan, membuat teks, dan banyak lagi.
• Debug dan evaluasi LLM menggunakan alat seperti TensorBoard, PyTorch Lightning, dan Hugging Face Datasets.

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.

Dalam pelatihan langsung yang dipandu instruktur di Indonesia ini, peserta akan mempelajari teknik pembelajaran mesin yang paling relevan dan mutakhir di Python saat mereka membangun serangkaian aplikasi demo yang melibatkan gambar, musik, teks, dan data keuangan.

Pada akhir pelatihan ini, peserta akan dapat:

• Menerapkan algoritma dan teknik pembelajaran mesin untuk memecahkan masalah yang rumit.
• Terapkan pembelajaran mendalam dan pembelajaran semi-terawasi pada aplikasi yang melibatkan gambar, musik, teks, dan data keuangan.
• Dorong algoritma Python ke potensi maksimalnya.
• Gunakan pustaka dan paket seperti NumPy dan Theano.

Dalam pelatihan langsung yang dipimpin instruktur di Indonesia ini, peserta akan mempelajari cara menerapkan model pembelajaran mendalam untuk telekomunikasi menggunakan Python saat mereka melangkah melalui pembuatan model risiko kredit pembelajaran mendalam.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami konsep dasar pembelajaran mendalam.
• Pelajari aplikasi dan penggunaan pembelajaran mendalam di bidang telekomunikasi.
• Gunakan Python, Keras, dan TensorFlow untuk membuat model pembelajaran mendalam untuk telekomunikasi.
• Bangun model prediksi churn pelanggan pembelajaran mendalam mereka sendiri menggunakan Python.

Kursus ini telah diciptakan untuk manajer, arsitek solusi, pejabat inovasi, CTO, arsitek perangkat lunak dan siapa saja yang tertarik dengan gambaran keseluruhan kecerdasan buatan yang diterapkan dan ramalan terdekat untuk pengembangan.

Kursus ini mencakup AI (emphasizing Machine Learning dan Deep Learning) di Automotive Industri. Ini membantu menentukan teknologi apa yang dapat (potensial) digunakan dalam situasi berbilang dalam sebuah mobil: dari otomatisasi sederhana, pengenalan gambar hingga pengambilan keputusan otomatis.

Instruksi langsung ini dalam Indonesia (online atau di tempat) ditujukan untuk peserta pemula yang ingin belajar konsep-konsep dasar dalam probabilitas, statistik, pemrograman, dan pembelajaran mesin, serta menerapkannya pada pengembangan AI.

Setelah mengikuti pelatihan ini, peserta akan dapat:

• Mengerti konsep-konsep dasar dalam probabilitas dan statistik, serta menerapkannya pada situasi nyata.
• Menulis dan memahami kode pemrograman prosedural, fungsional, dan berorientasi objek.
• Melaksanakan teknik pembelajaran mesin seperti klasifikasi, klasterisasi, dan jaringan saraf.
• Mengembangkan solusi AI menggunakan mesin aturan dan sistem ahli untuk pemecahan masalah.

Jaringan Syaraf Tiruan adalah model data komputasi yang digunakan dalam pengembangan sistem Artificial Intelligence (AI) yang mampu melakukan tugas-tugas "cerdas". Neural Networks umumnya digunakan dalam aplikasi Machine Learning (ML), yang merupakan salah satu implementasi AI. Deep Learning adalah bagian dari ML.

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 (daring atau offline) ini ditujukan untuk para ilmuwan data dan statistikian tingkat menengah yang ingin mempersiapkan data, membangun model, dan menerapkan teknik pembelajaran mesin secara efektif dalam domain profesional mereka.

Selesai pelatihan ini, peserta akan dapat:

• Mengerti dan mengimplementasikan berbagai algoritma Machine Learning.
• Mempersiapkan data dan model untuk aplikasi pembelajaran mesin.
• Melakukan analisis post hoc dan memvisualisasikan hasil secara efektif.
• Menerapkan teknik pembelajaran mesin pada skenario dunia nyata berbasis sektor.

Artificial Neural Network adalah model data komputasi yang digunakan dalam pengembangan sistem Kecerdasan Buatan (AI) yang mampu melaksanakan tugas-tugas "cerdas". Jaringan Saraf Tiruan sering digunakan dalam aplikasi Machine Learning (ML), yang merupakan salah satu implementasi AI. Deep Learning adalah subset dari ML.

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.

Pelatihan langsung oleh instruktur di Indonesia (online atau di tempat) ini memberikan pengenalan ke bidang pengenalan pola dan pembelajaran mesin. Topik ini meliputi aplikasi praktis dalam statistik, ilmu komputer, pemrosesan sinyal, penglihatan komputer, penambangan data, dan bioinformatika.

Selesai mengikuti pelatihan ini, peserta akan dapat:

• Menerapkan metode statistik dasar ke dalam pengenalan pola.
• Menggunakan model kunci seperti jaringan saraf dan metode kernel untuk analisis data.
• Menyelenggarakan teknik lanjutan untuk penyelesaian masalah kompleks.
• Meningkatkan akurasi prediksi dengan menggabungkan berbagai model.

Kursus ini merupakan gambaran umum untuk Deep Learning tanpa membahas terlalu dalam metode tertentu. Kursus ini cocok bagi mereka yang ingin mulai menggunakan pembelajaran mendalam untuk meningkatkan akurasi prediksi mereka.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan bagi peneliti dan pengembang yang ingin menginstal, menyiapkan, menyesuaikan, dan menggunakan platform DeepMind Lab untuk mengembangkan sistem kecerdasan buatan dan pembelajaran mesin secara umum.

Pada akhir pelatihan ini, peserta akan mampu:

• Sesuaikan DeepMind Lab untuk membangun dan menjalankan lingkungan yang sesuai dengan kebutuhan pembelajaran dan pelatihan.
• Gunakan lingkungan simulasi 3D DeepMind Lab untuk melatih agen pembelajaran dalam sudut pandang orang pertama.
• Memfasilitasi evaluasi agen untuk mengembangkan kecerdasan dalam dunia seperti game 3D.

Pembelajaran mesin adalah cabang dari Kecerdasan Buatan di mana komputer memiliki kemampuan untuk belajar tanpa diprogram secara eksplisit. Pembelajaran mendalam adalah subbidang pembelajaran mesin yang menggunakan metode berdasarkan representasi data pembelajaran dan struktur seperti jaringan saraf.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk analis bisnis, ilmuwan data, dan pengembang yang ingin membangun dan menerapkan model pembelajaran mendalam untuk mempercepat pertumbuhan pendapatan dan memecahkan masalah di dunia bisnis.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami konsep inti pembelajaran mesin dan pembelajaran mendalam.
• Dapatkan wawasan tentang masa depan bisnis dan industri dengan ML dan DL.
• Tentukan strategi dan solusi bisnis dengan pembelajaran mendalam.
• Pelajari cara menerapkan ilmu data dan pembelajaran mendalam dalam memecahkan masalah bisnis.
• Membangun model pembelajaran mendalam menggunakan Python, Pandas, TensorFlow, CNTK, Torch, Keras, dll.

Pembelajaran mesin adalah cabang dari Kecerdasan Buatan dimana komputer memiliki kemampuan untuk belajar tanpa diprogram secara eksplisit. Pembelajaran mendalam adalah subbidang pembelajaran mesin yang menggunakan metode berdasarkan representasi data pembelajaran dan struktur seperti jaringan saraf. Python adalah bahasa pemrograman tingkat tinggi yang terkenal dengan sintaksisnya yang jelas dan keterbacaan kodenya.

Dalam pelatihan langsung yang dipimpin instruktur ini, peserta akan mempelajari cara menerapkan model pembelajaran mendalam untuk perbankan menggunakan Python saat mereka melangkah dalam pembuatan model risiko kredit pembelajaran mendalam.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami konsep dasar pembelajaran mendalam
• Pelajari aplikasi dan penggunaan pembelajaran mendalam di perbankan
• Gunakan Python, Keras, dan TensorFlow untuk membuat model pembelajaran mendalam untuk perbankan
• Bangun model risiko kredit pembelajaran mendalam mereka sendiri menggunakan Python

Hadirin

• Pengembang
• Ilmuwan data

Format kursus

• Sebagian ceramah, sebagian diskusi, latihan, dan praktik langsung yang berat

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 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 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.

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.

Dalam pelatihan langsung ini yang dipimpin instruktur, peserta akan mempelajari cara menggunakan Matlab untuk merancang, membangun, dan memvisualisasikan jaringan saraf konvolusi untuk pengenalan gambar.

Di akhir pelatihan ini, peserta akan dapat:

• Membangun model pembelajaran mendalam
• Mengautomasi penandaan data
• Bekerja dengan model dari Caffe dan TensorFlow-Keras
• Melatih data menggunakan beberapa GPU, awan, atau kluster

Penonton

• Pengembang
• Insinyur
• Ahli bidang

Format kursus

• Sekilas kuliah, sekilas diskusi, latihan, dan banyak latihan langsung

Pelatihan langsung yang dipandu instruktur dalam Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat pemula hingga menengah yang ingin mengembangkan pemahaman mereka tentang algoritme pembelajaran mesin, teknik pembelajaran mendalam, dan pengambilan keputusan berbasis AI. Kursus ini memberikan pengalaman langsung dengan konsep pembelajaran mesin, model pembelajaran mendalam, dan implementasi praktis menggunakan R.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami dasar-dasar pembelajaran mesin dan pembelajaran mendalam.
• Terapkan berbagai algoritma pembelajaran mesin untuk regresi, klasifikasi, pengelompokan, dan deteksi anomali.
• Gunakan arsitektur pembelajaran mendalam seperti jaringan saraf buatan (ANN).
• Menerapkan model pembelajaran terawasi dan tanpa pengawasan.
• Mengevaluasi kinerja model dan mengoptimalkan hiperparameter.
• Gunakan R untuk analisis data, visualisasi, dan aplikasi pembelajaran mesin.

Pelatihan ini ditujukan untuk orang-orang yang ingin mempelajari dasar-dasar jaringan saraf dan aplikasinya.

Sesi pelatihan ini berbasiskan kelas akan mengandung presentasi dan contoh komputer serta latihan kasus yang harus dilakukan dengan pustaka jaringan neural dan deep learning yang relevan

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk insinyur perangkat lunak yang ingin memprogram dalam Python dengan OpenCV 4 untuk pembelajaran mendalam.

Pada akhir pelatihan ini, peserta akan mampu:

• Melihat, memuat, dan mengklasifikasikan gambar dan video menggunakan OpenCV 4.
• Terapkan pembelajaran mendalam di OpenCV 4 dengan TensorFlow dan Keras.
• Jalankan model pembelajaran mendalam dan hasilkan laporan yang berdampak dari gambar dan video.

OpenFace adalah Python dan Torch perangkat lunak pengenalan wajah real-time berbasis open-source yang didasarkan pada penelitian FaceNet milik Google.

Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan komponen OpenFace untuk membuat dan menerapkan contoh aplikasi pengenalan wajah.

Pada akhir pelatihan ini, peserta akan dapat:

• Bekerja dengan komponen OpenFace, termasuk dlib, OpenVC, Torch, dan nn4 untuk mengimplementasikan deteksi wajah, penyelarasan, dan transformasi
• Terapkan OpenFace ke aplikasi dunia nyata seperti pengawasan, verifikasi identitas, realitas virtual, permainan, dan mengidentifikasi pelanggan tetap, dll.

Hadirin

• Pengembang
• Ilmuwan data

Format kursus

• Sebagian kuliah, sebagian diskusi, latihan dan praktik langsung yang berat

Dalam pelatihan langsung ini yang dipimpin instruktur, peserta akan mempelajari teknik lanjutan untuk Machine Learning dengan R saat mereka melangkah melalui pembuatan aplikasi dunia nyata.

Di akhir pelatihan ini, peserta akan dapat:

• Memahami dan mengimplementasikan teknik belajar tak terpantau
• Menerapkan klasterisasi dan klasifikasi untuk membuat prediksi berdasarkan data dunia nyata.
• Mengvisualisasi data untuk mendapatkan wawasan dan memutuskan keputusan dengan cepat dan merinci analisis lebih lanjut.
• Meningkatkan kinerja model machine learning menggunakan penyesuaian hyper-parameter.
• Memasukkan model ke dalam produksi untuk digunakan dalam aplikasi yang lebih besar.
• Menerapkan teknik machine learning lanjutan untuk menjawab pertanyaan yang melibatkan data jaringan sosial, big data, dan lainnya.

Kursus ini merupakan pengenalan tentang penerapan jaringan saraf dalam masalah dunia nyata menggunakan perangkat lunak R-project.

Pelatihan ini yang dipimpin instruktur, secara langsung (online atau tatap muka) ditujukan untuk pengembang dan ilmuwan data yang ingin menggunakan Tensorflow 2.x untuk membangun prediktor, klasifikator, model generatif, jaringan saraf, dan lain-lain.

Di akhir pelatihan ini, peserta akan mampu:

• Memasang dan mengkonfigurasi TensorFlow 2.x.
• Memahami manfaat TensorFlow 2.x dibandingkan dengan versi sebelumnya.
• Membangun model deep learning.
• Menerapkan klasifikator gambar canggih.
• Mengimplementasikan model deep learning ke awan, perangkat seluler, dan perangkat IoT.

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.

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