Deep Learning Pelatihan Daring di Indonesia

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

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami peran AI dalam penemuan dan pengembangan obat.
• Terapkan teknik pembelajaran mesin untuk memprediksi sifat dan interaksi molekuler.
• Gunakan model pembelajaran mendalam untuk penyaringan virtual dan pengoptimalan prospek.
• Integrasikan 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.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk pengembang dan ilmuwan data yang ingin mempelajari dasar-dasar Deep Reinforcement Learning saat mereka melewati proses pembuatan Agen Deep Learning.

Dengan mengakhiri pelatihan ini, peserta akan dapat:

• Mengerti konsep kunci di balik Deep Reinforcement Learning dan mampu membedakannya dari Machine Learning.
• Menerapkan algoritma canggih Reinforcement Learning untuk menyelesaikan masalah dunia nyata.
• Membuat Agen Deep Learning.

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.

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 is a computational data model used in the development of Artificial Intelligence (AI) systems capable of performing "intelligent" tasks. Neural Networks are commonly used in Machine Learning (ML) applications, which are themselves one implementation of AI. Deep Learning is a subset of ML.

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.

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

In this instructor-led, live training in Indonesia, participants will learn to use Python libraries for NLP as they create an application that processes a set of pictures and generates captions. 

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

• Design and code DL for NLP using Python libraries.
• Create Python code that reads a substantially huge collection of pictures and generates keywords.
• Create Python Code that generates captions from the detected keywords.

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 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.

Jenis: Pelatihan teoretis dengan penerapan yang diputuskan sebelumnya dengan siswa tentang Lasagna atau Keras sesuai dengan kelompok pendidikan

Metode pengajaran: presentasi, diskusi dan studi kasus

Kecerdasan buatan, setelah mendisrupsi banyak bidang ilmu pengetahuan, telah mulai merevolusi sejumlah besar sektor ekonomi (industri, kedokteran, komunikasi, dll.). Namun penyajiannya di media arus utama seringkali hanya sekedar khayalan, sangat jauh dari domain Machine Learning atau Deep Learning sebenarnya. Tujuan dari pelatihan ini adalah untuk membekali para insinyur yang telah menguasai alat-alat TI (termasuk pemrograman perangkat lunak dasar) dengan pengenalan Deep Learning serta berbagai bidang spesialisasi dan arsitektur jaringan utama yang ada saat ini. Jika dasar-dasar matematika tercakup selama kursus, tingkat matematika BAC+2 direkomendasikan untuk kenyamanan yang lebih baik. Sangat mungkin untuk mengabaikan sumbu matematika dan hanya mempertahankan visi “sistem”, namun pendekatan ini akan sangat membatasi pemahaman Anda tentang subjek tersebut.

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.

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.

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

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

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.

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries

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 berorientasi instruktur ini, peserta akan belajar cara mengatur dan menggunakan OpenNMT untuk menerjemahkan berbagai himpunan data contoh. Kursus dimulai dengan gambaran umum tentang jaringan saraf dalam konteks terjemahan mesin. Peserta akan melakukan latihan langsung sepanjang kursus untuk menunjukkan pemahaman mereka tentang konsep yang dipelajari dan mendapatkan umpan balik dari instruktur.

Pada akhir pelatihan ini, peserta akan memiliki pengetahuan dan praktik yang diperlukan untuk mengimplementasikan solusi OpenNMT langsung.

Contoh bahasa sumber dan target akan disusun terlebih dahulu sesuai dengan kebutuhan audiens.

Format Kursus

• Bagian presentasi, bagian diskusi, latihan praktik langsung yang intens

In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application.

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

• Understand and implement unsupervised learning techniques
• Apply clustering and classification to make predictions based on real world data.
• Visualize data to quicly gain insights, make decisions and further refine analysis.
• Improve the performance of a machine learning model using hyper-parameter tuning.
• Put a model into production for use in a larger application.
• Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.

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

This instructor-led, live training in Indonesia (online or onsite) is aimed at developers and data scientists who wish to use Tensorflow 2.x to build predictors, classifiers, generative models, neural networks and so on.

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

• Install and configure TensorFlow 2.x.
• Understand the benefits of TensorFlow 2.x over previous versions.
• Build deep learning models.
• Implement an advanced image classifier.
• Deploy a deep learning model to the cloud, mobile and IoT devices.

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 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

This instructor-led, live training in Indonesia (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.

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

• Install and configure TFX and supporting third-party tools.
• Use TFX to create and manage a complete ML production pipeline.
• Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
• Deploy machine learning features to web applications, mobile applications, IoT devices and more.

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™ 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

This course begins with giving you conceptual knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

Part-1(40%) of this training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Part-2(20%) of this training introduces Theano - a python library that makes writing deep learning models easy.

Part-3(40%) of the training would be extensively based on Tensorflow - 2nd Generation API of Google's open source software library for Deep Learning. The examples and handson would all be made in TensorFlow.

Audience

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

After completing this course, delegates will:

• have a good understanding on deep neural networks(DNN), CNN and RNN

• 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