中关村现场TensorFlow培训

嵌入式投影仪是一款开源Web应用程序，用于可视化用于训练机器学习系统的数据。由Google创建，它是TensorFlow的一部分。 这个有指导意义的现场培训介绍了嵌入式投影仪背后的概念，并让参与者通过演示项目的设置。 在培训结束后，参与者将能够： 探索机器学习模型如何解释数据浏览数据的3D和2D视图以了解机器学习算法如何解释它理解嵌入背后的概念及其在表示图像，单词和数字的数学向量中的作用。 探索特定嵌入的属性以了解模型的行为将嵌入项目应用于真实世界的用例，例如为音乐爱好者建立歌曲推荐系统 听众 开发商数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习

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。

在这个由讲师指导的中关村现场培训中，参与者将学习使用Python 库进行NLP，因为他们创建了一个处理 一组图片并生成标题的应用程序。  在培训结束时，参与者将能够：

•  使用 Python 库为 NLP 设计和编写 DL。
• 创建 Python 代码，读取大量图片并生成关键字。
• 创建 Python 代码，用于 从检测到的关键字生成标题。

听众 本课程适合有兴趣利用可用工具（主要是开源）分析计算机图像的Deep Learning研究人员和工程师本课程提供了工作实例。

这种以讲师为主导的中关村现场现场培训针对的是希望使用TensorFlow分析潜在欺诈数据的数据科学家。 在培训结束时，参与者将能够：

• 在 Python 和 TensorFlow 中创建欺诈检测模型。
构建线性回归
• 和线性回归模型来预测欺诈行为。
• 开发用于分析欺诈数据的端到端 AI 应用程序。

这种以讲师为主导的现场培训（现场或远程）面向希望将机器学习工作负载部署到 OpenShift 本地或混合云的工程师。

• 在培训结束时，参与者将能够：
• 在 OpenShift 集群上安装和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 简化初始化 Kubernetes 集群的工作。
• 创建和部署 Kubernetes 管道，用于在生产环境中自动执行和管理 ML 模型。
• 在多个并行运行的 GPU 和机器上训练和部署 TensorFlow ML 模型。
• 从 OpenShift 中调用公有云服务（例如 AWS 服务）以扩展 ML 应用程序

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

这种以讲师为主导的中关村现场培训（现场或远程）面向希望使用Tensorflow 2.x 构建预测器，分类器，生成模型，神经网络等的开发人员和数据科学家。 在培训结束时，参与者将能够：

• 安装并配置 TensorFlow 2.x。
• 了解 TensorFlow 2.x 相对于以前版本的优势。
• 构建深度学习模型。
• 实现高级图像分类器。
• 将深度学习模型部署到云、移动和 IoT 设备。

这种以讲师为主导的中关村现场培训（现场或远程）面向希望使用TensorFlow.js通过机器学习模型识别模式并生成预测的数据科学家。 在培训结束时，参与者将能够：

• 使用 TensorFlow.js 构建和训练机器学习模型。
• 在浏览器中或在 Node.js 下运行现有机器学习模型。
• 使用自定义数据重新训练预先存在的机器学习。

在这个由讲师指导的中关村现场（现场或远程）的现场培训中，参与者将学习如何配置和使用TensorFlow Serving在生产环境中部署和管理ML模型。 在培训结束时，参与者将能够：

• 训练、导出和提供各种 TensorFlow 模型。
• 使用单个体系结构和一组 API 测试和部署算法。
• 扩展 TensorFlow Serving 以服务于 TensorFlow 模型以外的其他类型的模型。

TensorFlow是Go ogle Deep Learning开源软件库的第二代API。该系统旨在促进机器学习的研究，并使其从研究原型到生产系统的快速和轻松过渡。 听众 本课程面向希望将TensorFlow用于Deep Learning项目的工程师 完成本课程后，代表们将：

• 了解TensorFlow的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，执行调试，监控
• 能够实现高级生产，如培训模型，构建图形和记录

本课程通过具体的例子探讨了Tensor Flow在图像识别方面的应用 听众 本课程适用于寻求将TensorFlow用于图像识别的工程师 完成本课程后，代表们将能够：

• 了解TensorFlow的结构和部署机制
• 执行安装/生产环境/架构任务和配置
• 评估代码质量，执行调试，监控
• 实施先进的生产，如培训模型，建立图表和记录

这种以讲师为主导的中关村现场培训（现场或远程）针对的是希望从训练单个ML模型到将多个ML模型部署到生产的数据科学家。 在培训结束时，参与者将能够：

• 安装和配置 TFX 和支持的第三方工具。
• 使用 TFX 创建和管理完整的 ML 生产管道。
• 使用 TFX 组件执行建模、训练、提供推理和管理部署。
• 将机器学习功能部署到 Web 应用程序、移动应用程序、IoT 设备等。

TensorFlow™ 是使用数据流图表进行数字计算的开源软件图书馆。 SyntaxNet 是一种神经网络的自然语言处理框架。 Word2Vec 用于学习 vector 表达词,称为 "word embeddings"。 Word2vec 是一个特别计算效率预测模型,用于从原始文本中学习字体内置。 它分为两种品味,即CBOW(Continuous Bag-of-0)模型和Skip-Gram模型(Mikolov et al.第3.1和第3.2章)。) ) SyntaxNet 和 Word2Vec 在同步中使用,允许用户从自然语言输入中创建学习嵌入式模型。 观众 该课程针对开发人员和工程师,他们打算在他们的图表中与SintaxNet和 Word2Vec模型合作。 完成此课程后,代表将:

• 理解 TensorFlow’的结构和部署机制
• 能够执行安装 / 生产环境 / 建筑任务和配置
• 能够评估代码质量,进行解体,监测
• 能够实施先进的生产,如培训模型、包装条款、构建图表和登记

本课程首先介绍神经网络的概念知识，通常还包括机器学习算法，深度学习（算法和应用程序）。 本次培训的一部分-1（40％）更注重基本面，但会帮助你选择合适的技术： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。 本次培训的第2部分（20％）介绍了Theano--一个python库，可以轻松编写深度学习模型。 第3部分（40％）的培训将广泛基于Tensorflow - Go ogle的Deep Learning开源软件库的第二代API。示例和动手都将在TensorFlow 。 听众 本课程面向希望将TensorFlow用于Deep Learning项目的工程师完成本课程后，代表们将：

• 对深度神经网络（DNN），CNN和RNN有很好的理解
• 了解TensorFlow的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，执行调试，监控
• 能够实现高级生产，如培训模型，构建图形和记录