TensorFlow Serving培訓

这是一个为期4天的课程，介绍AI及其应用。在完成本课程后，可以选择额外一天进行AI项目。

在這個由講師指導的香港現場培訓中，參與者將學習使用Python 庫進行NLP，因為他們創建了一個處理 一組圖片並生成標題的應用程式。 

在培訓結束時，參與者將能夠：

•  使用 Python 庫為 NLP 設計和編寫 DL。
• 創建 Python 代碼，讀取大量圖片並生成關鍵字。
• 創建 Python 代碼，用於 從檢測到的關鍵字生成標題。

聽眾

本課程適合有興趣利用可用工具（主要是開源）分析計算機圖像的Deep Learning研究人員和工程師

本課程提供了工作實例。

這種以講師為主導的香港現場現場培訓針對的是希望使用TensorFlow分析潛在欺詐數據的數據科學家。

在培訓結束時，參與者將能夠：

• 在 Python 和 TensorFlow 中創建欺詐檢測模型。
構建線性回歸
• 和線性回歸模型來預測欺詐行為。
• 開發用於分析欺詐數據的端到端 AI 應用程式。

這種以講師為主導的現場培訓（現場或遠端）面向希望將機器學習工作負載部署到 OpenShift 本地或混合雲的工程師。

• 在培訓結束時，參與者將能夠：
• 在 OpenShift 集群上安裝和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 簡化初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 從 OpenShift 中調用公有雲端服務（例如 AWS 服務）以擴展 ML 應用程式

本課程將為您提供神經網路方面的知識，以及機器學習演算法、深度學習（演算法和應用）方面的知識。

本培訓更側重於基礎知識，但將説明您選擇正確的技術：TensorFlow、Caffe、Teano、DeepDrive、Keras 等。示例在 TensorFlow 中列出。

這種以講師為主導的香港現場培訓（現場或遠端）面向希望使用Tensorflow 2.x 構建預測器，分類器，生成模型，神經網路等的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 安裝並配置 TensorFlow 2.x。
• 瞭解 TensorFlow 2.x 相對於以前版本的優勢。
• 構建深度學習模型。
• 實現高級圖像分類器。
• 將深度學習模型部署到雲、移動和IoT設備。

這種以講師為主導的香港現場培訓（現場或遠端）面向希望使用TensorFlow.js通過機器學習模型識別模式並生成預測的數據科學家。

在培訓結束時，參與者將能夠：

• 使用 TensorFlow.js 構建和訓練機器學習模型。
• 在瀏覽器中或在 Node.js 下運行現有機器學習模型。
• 使用自定義數據重新訓練預先存在的機器學習。

TensorFlow是Go ogle Deep Learning開源軟件庫的第二代API。該系統旨在促進機器學習的研究，並使其從研究原型到生產系統的快速和輕鬆過渡。

聽眾

本課程面向希望將TensorFlow用於Deep Learning項目的工程師

完成本課程後，代表們將：

• 了解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，執行調試，監控
• 能夠實現高級生產，如培訓模型，構建圖形和記錄

本課程通過具體的例子探討了Tensor Flow在圖像識別方面的應用

聽眾

本課程適用於尋求將TensorFlow用於圖像識別的工程師

完成本課程後，代表們將能夠：

• 了解TensorFlow的結構和部署機制
• 執行安裝/生產環境/架構任務和配置
• 評估代碼質量，執行調試，監控
• 實施先進的生產，如培訓模型，建立圖表和記錄

這種以講師為主導的香港現場培訓（現場或遠端）針對的是希望從訓練單個ML模型到將多個ML模型部署到生產的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 TFX 和支援的第三方工具。
• 使用 TFX 建立和管理完整的 ML 生產管道。
• 使用 TFX 元件執行建模、訓練、提供推理和管理部署。
• 將機器學習功能部署到 Web 應用程式、行動應用程式、IoT 設備等。

在這個由講師指導的香港現場培訓中，參與者將學習如何利用TPU處理器的創新來最大限度地提高他們自己的AI應用程式的性能。

在培訓結束時，參與者將能夠：

• 在大量數據上訓練各種類型的神經網路。
• 使用 TPU 可將推理過程速度提高多達兩個數量級。
• 利用 TPU 處理圖像搜索、雲視覺和照片等密集型應用程式。

TensorFlow ™是一個使用數據流圖進行數值計算的開源軟件庫。

SyntaxNet是TensorFlow的神經網絡自然語言處理框架。

Word 2Vec用於學習單詞的矢量表示，稱為“單詞嵌入”。 Word 2vec是一種特別計算有效的預測模型，用於學習原始文本中的單詞嵌入。它有兩種形式，連續Bag-of- Word模型（CBOW）和Skip-Gram模型（Mikolov等人的第3.1和3.2章）。

使用串聯，SyntaxNet和Word 2Vec允許用戶從自然語言輸入生成學習嵌入模型。

聽眾

本課程面向打算在TensorFlow圖中使用SyntaxNet和Word 2Vec模型的開發人員和工程師。

完成本課程後，代表們將：

• 了解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，執行調試，監控
• 能夠實現高級生產，如培訓模型，嵌入術語，構建圖形和記錄

本課程首先介紹神經網絡的概念知識，通常還包括機器學習算法，深度學習（算法和應用程序）。

本次培訓的一部分-1（40％）更注重基本面，但會幫助你選擇合適的技術： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培訓的第2部分（20％）介紹了Theano--一個python庫，可以輕鬆編寫深度學習模型。

第3部分（40％）的培訓將廣泛基於Tensorflow - Go ogle的Deep Learning開源軟件庫的第二代API。示例和動手都將在TensorFlow 。

聽眾

本課程面向希望將TensorFlow用於Deep Learning項目的工程師

完成本課程後，代表們將：

• 對深度神經網絡（DNN），CNN和RNN有很好的理解

• 了解TensorFlow的結構和部署機制

• 能夠執行安裝/生產環境/架構任務和配置

• 能夠評估代碼質量，執行調試，監控

• 能夠實現高級生產，如培訓模型，構建圖形和記錄