hong-kong現場Deep Learning培訓

本課程爲講師指導的線下或線上培訓，面向中級開發者、數據科學家和AI從業者，旨在幫助他們利用TensorFlow Lite開發Edge AI應用。

通過本培訓，學員將能夠：

• 理解TensorFlow Lite的基礎知識及其在Edge AI中的作用。
• 使用TensorFlow Lite開發和優化AI模型。
• 在各種邊緣設備上部署TensorFlow Lite模型。
• 掌握模型轉換和優化的工具與技術。
• 使用TensorFlow Lite實現實際的Edge AI應用。

本次由講師指導的線下或線上培訓面向希望深入瞭解計算機視覺並探索TensorFlow在Google Colab上開發複雜視覺模型能力的高級專業人員。

培訓結束後，參與者將能夠：

• 使用TensorFlow構建和訓練卷積神經網絡（CNN）。
• 利用Google Colab進行可擴展且高效的基於雲的模型開發。
• 爲計算機視覺任務實施圖像預處理技術。
• 部署計算機視覺模型以用於實際應用。
• 使用遷移學習提升CNN模型的性能。
• 可視化並解釋圖像分類模型的結果。

本課程為講師指導的hong-kong（線上或線下）培訓，旨在幫助中級數據科學家和開發人員理解並應用深度學習技術，使用Google Colab環境。

培訓結束後，參與者將能夠：

• 設置並導航Google Colab，用於深度學習項目。
• 理解神經網絡的基本原理。
• 使用TensorFlow實現深度學習模型。
• 訓練和評估深度學習模型。
• 利用TensorFlow的高級功能進行深度學習。

這種由 講師指導的 hong-kong 現場培訓（在線或現場）面向希望專注於 NLU 尖端深度學習技術的高級專業人士。

在本次培訓結束時，參與者將能夠：

• 瞭解 NLU 和 NLP 模型之間的主要區別。
• 將高級深度學習技術應用於 NLU 任務。
• 探索 Transformer 和 Attention 機制等深層架構。
• 利用 NLU 的未來趨勢來構建複雜的 AI 系統。

這種由講師指導的 hong-kong 現場現場培訓（在線或現場）面向希望探索深度學習模型的先進 XAI 技術的高級專業人員，重點是構建可解釋的 AI 系統。

在本次培訓結束時，參與者將能夠：

• 瞭解深度學習中可解釋性的挑戰。
• 為神經網路實施高級 XAI 技術。
• 解釋深度學習模型做出的決策。
• 評估性能和透明度之間的權衡。

這種由講師指導的 hong-kong 現場培訓（在線或現場）面向希望擴展深度學習以生成文本到圖像的知識和技能的中高級數據科學家、機器學習工程師、深度學習研究人員和計算機視覺專家。

在本次培訓結束時，參與者將能夠：

• 了解用於文字到圖像生成的高級深度學習架構和技術。
• 實施複雜模型和優化，以實現高品質的圖像合成。
• 優化大型數據集和複雜模型的性能和可擴充性。
• 優化超參數以獲得更好的模型性能和泛化。
• 與其他深度學習框架和工具整合 Stable Diffusion

本次由講師指導的hong-kong（線上或線下）培訓面向高級專業人員，旨在利用AI技術革新藥物發現和開發流程。

培訓結束後，參與者將能夠：

• 瞭解AI在藥物發現和開發中的作用。
• 應用機器學習技術預測分子性質和相互作用。
• 使用深度學習模型進行虛擬篩選和先導化合物優化。
• 將AI驅動的方法整合到臨牀試驗流程中。

本課程爲講師指導的培訓（線上或線下），面向希望瞭解AlphaFold工作原理並在實驗研究中使用AlphaFold模型作爲指導的生物學家。

培訓結束後，學員將能夠：

• 理解AlphaFold的基本原理。
• 學習AlphaFold的工作原理。
• 學習如何解讀AlphaFold的預測結果。

這種由講師指導的 hong-kong 現場培訓（在線或現場）面向希望提高深度學習模型性能的初級到中級數據科學家和機器學習工程師。

在本次培訓結束時，參與者將能夠：

• 了解分散式深度學習的原理。
• 安裝和配置 DeepSpeed。
• 使用 DeepSpeed 在分散式硬體上擴展深度學習模型。
• 實施和試驗 DeepSpeed 功能以實現優化和記憶體效率。

這種由講師指導的 hong-kong 現場培訓（在線或現場）面向希望使用大型語言模型完成各種自然語言任務的初級到中級開發人員。

在本次培訓結束時，參與者將能夠：

• 設置包含常用 LLM 的開發環境。
• 創建基本 LLM 並在自訂數據集上對其進行微調。
• 將 LLM 用於不同的自然語言任務，例如文本摘要、問答、文字生成等。
• 使用 TensorBoard、PyTorch Lightning 和 Hugging Face Datasets 等工具調試和評估 LLM。

本次由講師主導的培訓（可在線或線下進行）面向數據科學家、機器學習工程師和計算機視覺研究人員，旨在幫助他們利用Stable Diffusion爲各種用例生成高質量圖像。

培訓結束後，參與者將能夠：

• 理解Stable Diffusion的原理及其在圖像生成中的應用。
• 構建和訓練Stable Diffusion模型，用於圖像生成任務。
• 將Stable Diffusion應用於各種圖像生成場景，如修復、擴展和圖像到圖像翻譯。
• 優化Stable Diffusion模型的性能和穩定性。

在這個由 hong-kong 講師指導的現場培訓中，參與者將學習 Python 中最相關和最前沿的機器學習技術，同時構建一系列涉及圖像、音樂、文本和財務數據的演示應用程式。

在本次培訓結束時，參與者將能夠：

• 實施機器學習演算法和技術來解決複雜問題。
• 將深度學習和半監督學習應用於涉及圖像、音樂、文本和財務數據的應用程式。
• 將 Python 演算法推向最大潛力。
• 使用 NumPy 和 Theano 等庫和包。

從零開始用Python實現應用人工智能爲程序員和數據分析師提供了使用Python從頭構建機器學習解決方案的基礎技術。涵蓋監督學習分類和迴歸、無監督學習聚類和異常檢測以及高級神經網絡架構的核心原理。探討了使用scikit-learn、Apache Spark MLlib和Jupyter筆記本進行實踐AI開發的成熟方法。幫助專業人員實現實用的ML模型，評估算法侷限性，並完成解決實際問題的應用項目。

深度強化學習（DRL）結合了強化學習原理與深度學習架構，使智能體能夠通過與環境的交互進行決策。它支撐了許多現代人工智能的進步，如自動駕駛汽車、機器人控制、算法交易和自適應推薦系統。DRL允許人工智能體通過學習策略、優化策略，並基於試錯法使用獎勵機制進行自主決策。

本次由講師主導的培訓（線上或線下）面向中級開發者和數據科學家，旨在幫助他們學習和應用深度強化學習技術，構建能夠在複雜環境中進行自主決策的智能體。

培訓結束後，參與者將能夠：

• 理解強化學習的理論基礎和數學原理。
• 實現關鍵強化學習算法，包括Q學習、策略梯度和Actor-Critic方法。
• 使用TensorFlow或PyTorch構建和訓練深度強化學習智能體。
• 將DRL應用於遊戲、機器人和決策優化等實際場景。
• 使用現代工具進行故障排除、可視化和優化訓練性能。

課程形式

• 互動講座與引導討論。
• 動手練習與實操實現。
• 即時編碼演示與基於項目的應用。

課程定製選項

• 如需定製本課程（例如使用PyTorch替代TensorFlow），請聯繫我們安排。

探索人工智能的基礎知識，揭示了智能技術如何重塑企業運營中的數字戰略、自動化和決策。涵蓋人工智能歷史、問題解決框架、知識表示、不確定性推理和機器學習範式的核心概念，同時涉及溝通技能、感知和自主行動。指導高管和架構師評估人工智能驅動的轉型機會，評估新興技術趨勢，並整合實用的智能解決方案，以加速業務敏捷性。

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

人工神經網路是一種計算數據模型，用於開發能夠執行“智慧”任務的 Artificial Intelligence (AI) 系統。Neural Networks 通常用於 Machine Learning （ML） 應用程式，這些應用程式本身就是 AI 的一種實現。Deep Learning 是 ML 的一個子集。

這種由 講師指導的 hong-kong 現場培訓（在線或現場）面向希望使用 Chainer 在 Python 中構建和訓練神經網路，同時使代碼易於調試的研究人員和開發人員。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始開發神經網路模型。
• 使用易於理解的原始程式碼定義和實現神經網路模型。
• 執行範例並修改現有演算法以優化深度學習訓練模型，同時利用 GPU 實現高性能。

這門由講師指導的hong-kong（線上或線下）培訓課程，介紹了模式識別和機器學習的領域，並涵蓋了統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

通過本培訓，參與者將能夠：

• 應用核心統計方法於模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施高級技術以解決複雜問題。
• 通過結合不同模型來提高預測準確性。

這種以講師為主導的hong-kong現場培訓（現場或遠端）針對希望安裝，設置，定製和使用DeepMind Lab平台開發通用人工智慧和機器學習系統的研究人員和開發人員。

在培訓結束時，參與者將能夠：

• 自訂 DeepMind Lab 以構建和運行適合學習和培訓需求的環境。
• 使用 DeepMind Lab 的 3D 模擬環境以第一人稱視角訓練學習代理。
• 促進代理評估，以在類似 3D 遊戲的世界中開發智慧。

這種由講師指導的 hong-kong 現場培訓（在線或現場）面向希望構建和實施深度學習模型以加速收入增長和解決商業世界中問題的業務分析師、數據科學家和開發人員。

在本次培訓結束時，參與者將能夠：

• 了解機器學習和深度學習的核心概念。
• 通過 ML 和 DL 深入瞭解商業和行業的未來。
• 通過深度學習定義業務戰略 和解決方案。
• 瞭解如何應用數據科學和深度學習來解決業務問題。
• 使用 Python、Pandas、TensorFlow、CNTK、Torch、Keras 等構建深度學習模型。

本課程爲講師指導的培訓，可在hong-kong（線上或線下）進行，旨在幫助數據科學家加速即時機器學習應用並大規模部署。

培訓結束後，參與者將能夠：

• 安裝OpenVINO工具包。
• 使用FPGA加速計算機視覺應用。
• 在FPGA上執行不同的CNN層。
• 在Kubernetes集羣中跨多個節點擴展應用。

這種以講師為主導的hong-kong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。
• 建立線性回歸和線性回歸模型來預測欺詐。
• 開發一個端到端的人工智慧應用程序來分析欺詐數據。

本課程由講師主導，提供hong-kong（線上或線下）培訓，旨在幫助開發者或數據科學家使用Horovod運行分佈式深度學習訓練，並將其擴展至多個GPU並行運行。

培訓結束後，參與者將能夠：

• 設置必要的開發環境，開始運行深度學習訓練。
• 安裝和配置Horovod，使用TensorFlow、Keras、PyTorch和Apache MXNet訓練模型。
• 使用Horovod擴展深度學習訓練，使其在多個GPU上運行。

在這次講師指導的培訓中，學員將學習如何使用Matlab設計、構建和可視化用於圖像識別的卷積神經網絡。

培訓結束後，學員將能夠：

• 構建深度學習模型
• 自動化數據標註
• 使用Caffe和TensorFlow-Keras的模型
• 使用多個GPU、雲或集羣訓練數據

受衆

• 開發者
• 工程師
• 領域專家

課程形式

• 部分講座、部分討論、練習和大量動手實踐

這種以講師為主導的hong-kong現場培訓（現場或遠端）針對希望在Python與OpenCV 4中程式設計以進行深度學習的軟體工程師。

在培訓結束時，參與者將能夠：

• 使用 OpenCV 查看、載入和分類圖像和視頻 4.
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 實現深度學習。
• 運行深度學習模型，並從圖像和視頻中生成有影響力的報告。

在這個以講師為主導的現場培訓中，參與者將學習 Machine Learning 和 R 的高級技術，因為他們逐步創建了實際應用程式。

在培訓結束時，參與者將能夠：

• 瞭解並實施無監督學習技術
• 應用聚類和分類，根據真實世界的數據進行預測。
• 可視化數據，以巧妙地獲得見解、做出決策並進一步優化分析。
• 使用超參數優化提高機器學習模型的性能。
• 將模型投入生產，以便在更大的應用程式中使用。
• 應用先進的機器學習技術來回答涉及社交網路數據、大數據等的問題。

這種以講師為主導的hong-kong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。

本課程首先爲您提供神經網絡、機器學習算法以及深度學習（算法和應用）的概念性知識。

本培訓的第1部分（40%）更側重於基礎知識，但將幫助您選擇正確的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培訓的第2部分（20%）介紹了Theano——一個使編寫深度學習模型變得簡單的Python庫。

本培訓的第3部分（40%）將廣泛基於TensorFlow——谷歌的開源深度學習軟件庫的API。所有的示例和動手實踐都將在TensorFlow中進行。

受衆

本課程面向希望在其深度學習項目中使用TensorFlow的工程師。

完成本課程後，學員將：

• 對深度神經網絡（DNN）、CNN和RNN有良好的理解
• 理解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，進行調試和監控
• 能夠實現高級生產任務，如訓練模型、構建圖和日誌記錄