Budowa modeli Deep Learning z Apache MXNet

Opis

Szkolenie koncentruje się na praktycznym wykorzystaniu frameworka Apache MXNet do budowy zaawansowanych modeli deep learning. Uczestnicy poznają architekturę frameworka, nauczą się implementować różne typy sieci neuronowych oraz optymalizować ich działanie. Program realizowany jest w formie intensywnych warsztatów, gdzie teoria jest natychmiast weryfikowana poprzez praktyczne implementacje. Szczególny nacisk kładziony jest na tworzenie wydajnych i skalowalnych rozwiązań.

Profil uczestnika

• Programiści Python specjalizujący się w machine learning
• Inżynierowie machine learning poszukujący wydajnych narzędzi
• Data Scientists pracujący nad skalowalnymi rozwiązaniami
• Architekci rozwiązań AI odpowiedzialni za wybór technologii
• Badacze pracujący nad zaawansowanymi modelami deep learning
• Deweloperzy migrujący z innych frameworków ML
• Specjaliści R&D w dziedzinie sztucznej inteligencji
• Technical Leaderzy zespołów AI/ML

Agenda

1. Wprowadzenie do Apache MXNet
   • Architektura i główne komponenty
   • Porównanie z innymi frameworkami
   • Konfiguracja środowiska rozwojowego
   • Podstawowe operacje tensora
2. Implementacja modeli deep learning
   • Budowa sieci neuronowych
   • Implementacja warstw i aktywacji
   • Zarządzanie danymi i batching
   • Trening i ewaluacja modeli
3. Zaawansowane architektury
   • Sieci konwolucyjne (CNN)
   • Sieci rekurencyjne (RNN)
   • Mechanizmy attention
   • Transfer learning
4. Optymalizacja i wdrożenie
   • Techniki optymalizacji wydajności
   • Distributed training
   • Eksport i wdrażanie modeli
   • Monitoring i debugowanie

Korzyści

• Praktyczna znajomość Apache MXNet
• Umiejętność implementacji różnych architektur deep learning
• Zdolność optymalizacji wydajności modeli
• Znajomość technik distributed training
• Umiejętność wdrażania modeli w środowisku produkcyjnym
• Wiedza o najlepszych praktykach w deep learning
• Doświadczenie w debugowaniu modeli
• Certyfikat potwierdzający zdobyte umiejętności

Wymagane przygotowanie uczestników

• Dobra znajomość języka Python
• Podstawowa wiedza z zakresu deep learning
• Znajomość algebry liniowej i statystyki
• Doświadczenie w pracy z bibliotekami ML

Zagadnienia

• Architektura MXNet
• Operacje na tensorach
• Sieci neuronowe
• Warstwy i aktywacje
• Data pipeline
• Batching i iteratory
• Optymalizacja modeli
• Distributed training
• Model serving
• Transfer learning
• Debugowanie
• Monitoring wydajności

Poznaj naszą firmę