OpenFace: Creating Facial Recognition Systemsのトレーニングコース

このインストラクター主導のライブ トレーニング (オンラインまたはオンサイト) は、Stable Diffusion を活用してさまざまなユースケース向けに高品質の画像を生成したいと考えているデータ サイエンティスト、機械学習エンジニア、コンピューター ビジョン研究者を対象としています。

このトレーニングを終了するまでに、参加者は次のことができるようになります。

Stable Diffusion の原理と、それが画像生成にどのように機能するかを理解します。画像生成タスク用に Stable Diffusion モデルを構築してトレーニングします。 Stable Diffusion を、インペイント、アウトペイント、イメージ間の変換などのさまざまなイメージ生成シナリオに適用します。 Stable Diffusion モデルのパフォーマンスと安定性を最適化します。

日本 でのこのインストラクター主導のライブ トレーニング (オンラインまたはオンサイト) は、ディープ ラーニングの知識とスキルを拡張したい中級から上級レベルのデータ サイエンティスト、機械学習エンジニア、ディープ ラーニングの研究者、およびコンピューター ビジョンの専門家を対象としています。テキストから画像への生成用。

このトレーニングを終了するまでに、参加者は次のことができるようになります。

高度な深層学習アーキテクチャとテキストから画像への生成技術を理解します。高品質の画像合成のための複雑なモデルと最適化を実装します。大規模なデータセットと複雑なモデルのパフォーマンスとスケーラビリティを最適化します。モデルのパフォーマンスと一般化を向上させるためにハイパーパラメーターを調整します。 Stable Diffusion を他の深層学習フレームワークおよびツールと統合する

このインストラクターによるライブトレーニングは、AlphaFoldがどのように機能するかを理解し、AlphaFoldモデルを実験研究のガイドとして使用したい生物学者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• AlphaFoldの基本原理を理解する
。
• AlphaFoldがどのように機能するかを学ぶ
。
• AlphaFoldの予測と結果の解釈方法を学ぶ
。

このインストラクターによるライブ・トレーニングは、TensorFlow Liteを使用してディープラーニング・モデルを組込み機器に導入したい開発者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• 組み込みデバイスにTensorflow Liteをインストールし、設定することができる
。
• TensorFlow Liteの根底にある概念とコンポーネントを理解する
。
• 組み込みデバイスで実行するために、既存のモデルをTensorFlow Lite形式に変換する。
• 実行可能な操作の範囲を拡大する方法を学びながら、小型デバイスと TensorFlow Lite の制限内で作業する。
• Linuxが動作する組み込みデバイスにディープラーニングモデルをデプロイする
。

このインストラクターによるライブトレーニングは、TensorFlow Liteを使用してディープラーニング機能を備えたモバイルアプリケーションの開発を希望する開発者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• インストールと設定を行うTensorFlow Lite
。
• TensorFlow、機械学習、ディープラーニングの原理を理解する
。
• AndroidデバイスにTensorFlowモデルをロードする
。
• モバイルアプリケーションでコンピュータビジョンや自然言語認識などのディープラーニングや機械学習機能を有効にする
。

このインストラクターによるライブ・トレーニングは、超小型組込みデバイス上で機械学習モデルを作成、ロード、実行したいエンジニアを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• インストールTensorFlow Lite
。
• 機械学習モデルを組み込みデバイスにロードして、音声の検出や画像の分類などを可能にします。
• ネットワーク接続に依存することなく、ハードウェアデバイスにAIを追加する
。

このインストラクターによるライブトレーニング（オンラインまたはオンサイト）は、TensorFlow Liteを使用してディープラーニング機能を備えたiOSモバイルアプリケーションを開発したい開発者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• インストールと設定を行うTensorFlow Lite。
• TensorFlowとモバイルデバイスでの機械学習の背後にある原理を理解する
。
• iOSデバイスにTensorFlowモデルをロードする
。
• デバイスのカメラで撮影されたオブジェクトを検出して分類できるiOSアプリケーションを実行する。

このインストラクターによるライブトレーニングは、Pythonのニューラルネットワークの構築とトレーニングにChainerを使用し、コードのデバッグを容易にしたい研究者や開発者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• ニューラルネットワークモデルの開発を開始するために必要な開発環境をセットアップする
。
• 理解しやすいソースコードを使用してニューラルネットワークモデルを定義し、実装する
。
• 高いパフォーマンスを得るためにGPUを活用しながら、ディープラーニングのトレーニングモデルを最適化するために、例を実行し、既存のアルゴリズムを修正する
。

このインストラクターによるライブトレーニングは、Horovodを使用して分散ディープラーニングトレーニングを実行し、それを複数のGPUで並列に実行するようにスケールアップすることを希望する開発者やデータ科学者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• ディープラーニングトレーニングの実行を開始するために必要な開発環境をセットアップする
。
• TensorFlow、Keras、PyTorch、Apache MXNetでモデルをトレーニングするためにHorovodをインストールして設定します。
• 複数のGPUで実行するために、Horovodを使用してディープラーニングのトレーニングをスケールします
。

このインストラクターによるライブトレーニングは、リアルタイムの機械学習アプリケーションを高速化し、大規模に展開したいデータサイエンティストを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• OpenVINOツールキットをインストールする
。
• FPGAを使用してコンピュータ・ビジョン・アプリケーションを高速化する
。
• FPGA上で異なるCNNレイヤーを実行する。
• Kubernetesクラスタの複数のノードにわたってアプリケーションをスケーリングする。

このインストラクターによるライブトレーニング（オンラインまたはオンサイト）は、Apache MXNet'を使用して画像認識のためのディープラーニングモデルを構築し、展開したいデータサイエンティストを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• Apache MXNetとそのコンポーネントのインストールと設定を行う
。
• MXNetのアーキテクチャとデータ構造を理解する
。
• ニューラルネットワークを効率的に構築するために、Apache MXNet'の低レベルおよび高レベルのAPIを使用する
。
• 画像分類のための畳み込みニューラルネットワークを構築する
。

本トレーニングは、ディープラーニングモデルを画像認識アプリケーションに適用したい技術者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• インストールと設定Keras
。
• ディープラーニングモデルのプロトタイプを素早く作成する
。
• 畳み込みネットワークを実装する
。
• リカレントネットワークを実装する
。
• CPUとGPUの両方でディープラーニングモデルを実行する
。

このインストラクターによるライブ・トレーニングは、ディープラーニング技術を使って自動運転車を作りたいと考えている開発者を対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• Kerasを使用して畳み込みニューラルネットワークを構築し、訓練する
。
• 自律走行プロジェクトで、コンピュータービジョン技術を使って車線を識別する
。
• 交通標識を区別するためにディープラーニングモデルを訓練する
。
• 完全自律走行車をシミュレートする。

このインストラクターによるライブトレーニングは、KerasとPythonを使用して高度なディープラーニングニューラルネットワークとモデルを開発したいソフトウェアエンジニアを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• 教師ありまたは教師なし学習法を用いてディープラーニングを適用する
。
• コンカレントニューラルネットワークとリカレントニューラルネットワークを開発、訓練、実装する
。
• KerasとPythonを使用してディープラーニングモデルを構築し、画像、テキスト、サウンドなどを含む問題を解決する
。

Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others.

In this instructor-led, live training, we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned.

By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects.

Format of the Course

• Overview of Machine and Deep Learning
• In-class coding and integration exercises
• Test questions sprinkled along the way to check understanding