お問い合わせを送信いただきありがとうございます！当社のスタッフがすぐにご連絡いたします。
予約を送信いただきありがとうございます！当社のスタッフがすぐにご連絡いたします。
期間 21 時間
コース概要
導入
- TensorFlowとディープラーニングの概要
- TensorFlowの使用例と応用
- TensorFlowのエコシステムとツール
- 機械学習とディープラーニングのワークフロー
- コースの目的と実習演習の概要
TensorFlow 2.xと従来のバージョンの違い — 新機能とは
- TensorFlow 1.xと2.xの主な違い
- イジャーズキューテーション（即時実行）
- 簡素化されたAPIと改善された使いやすさ
- モデル構築とトレーニングの変更点
- ハイレベルAPIとしてのKerasの紹介
- 既存のTensorFlowアプリケーションからの移行時の考慮事項
- TensorFlow 2.xのベストプラクティス
TensorFlow 2.xセットアップ
- TensorFlowのインストール
- Python環境の設定
- TensorFlowインストールの確認
- 必要な依存関係のインストールと管理
- CPUとGPU環境の設定
- JupyterノートブックでのTensorFlowの使用
- 基本的なTensorFlowコマンドと演算
- インストールと設定の問題のトラブルシューティング
TensorFlow 2.xの機能とアーキテクチャの概要
- TensorFlowのアーキテクチャとコアコンポーネント
- テンソルとテンソル演算
- 変数と定数
- 計算グラフとイジャーズキューテーション
- 自動微分
- TensorFlow APIとモジュール
- Kerasの統合
tf.dataを使用したデータパイプライン- モデルのシリアライズとTensorFlow SavedModel
- TensorFlowエコシステムと開発ワークフロー
ニューラルネットワークの動作原理
- 人工ニューラルネットワークの基礎
- ニューロン、レイヤー、ネットワークアーキテクチャ
- 活性化関数
- 順伝播
- 損失関数
- 誤差逆伝播
- 勾配降下法と最適化
- 学習率と最適化戦略
- 過学習と過少学習
- 正則化技術
- トレーニング、バリデーション、テストデータセット
TensorFlow 2.xを用いたディープラーニングモデルの作成
- テンソルと変数の作成
- Kerasによるニューラルネットワークの構築
- シーケンシャルとファンクショナルモデルAPI
- カスタムモデルとレイヤーの定義
- オプティマイザの設定
- 適切な損失関数の選択
fit()によるモデルのトレーニング- カスタムトレーニングループ
- コールバックとトレーニングの監視
- モデルのチェックポイント管理
データの分析
- 機械学習向けのデータセットの理解
- 構造化データと非構造化データの探索
- データ可視化
- パターンと異常の特定
- 欠損データと不一致データの処理
- データをトレーニング、バリデーション、テストセットに分割
- 関連する特徴量（フィーチャ）の選択
- TensorFlowモデル向けにデータセットを準備
データの前処理
- データの正規化と標準化
- カテゴリーデータのエンコーディング
- 欠損値の処理
- 特徴量のスケーリング
- 画像の前処理
- テキストの前処理
- データ拡張
- 効率的な入力パイプラインの構築
tf.dataの使用- バッチング、シャッフル、キャッシュ、プリフェッチ
- モデルトレーニング用にデータを準備
モデルの構築
- 適切なニューラルネットワークアーキテクチャの選択
- モデルの入力と出力の定義
- 密結合ニューラルネットワーク（Dense Neural Networks）の作成
- 活性化関数の選択
- トレーニング用のモデル設定
- オプティマイザと損失関数の選択
- モデルのトレーニングとバリデーション
- トレーニング指標の監視
- モデル性能の向上
- 過学習の防止
- 正則化とドロップアウトの実装
最先端の画像分類器の実装
- 画像分類の基礎
- 画像データセットの準備
- 画像の正規化と拡張
- 畳み込みニューラルネットワーク（CNN）
- 畳み込みレイヤーとプーリングレイヤー
- 画像分類アーキテクチャの設計
- 転移学習（Transfer Learning）
- 事前学習済みモデルの使用
- 事前学習済みネットワークのファインチューニング
- 高度な画像分類器の構築
- 分類性能の評価
モデルのトレーニング
- トレーニングパラメータの設定
- バッチサイズとエポック
- オプティマイザの選択
- 学習率スケジューリング
- トレーニングコールバック
- 早止法（Early Stopping）
- モデルのチェックポイント化
- トレーニング進捗の監視
- 過学習の検出
- トレーニング性能の向上
- 分散学習の考慮事項
GPU vs TPUでのトレーニング
- CPU、GPU、TPUのアーキテクチャ
- ハードウェアアクセラの利点
- GPUトレーニング用のTensorFlow設定
- TPUベースのトレーニングの理解
- 異なるワークロード向けのハードウェア選択
- デバイス間での計算の移動
- メモリと計算リソースの管理
- トレーニング性能の比較
- 分散学習と加速学習戦略
モデルの評価
- 適切な評価指標の選択
- 正確率（Accuracy）、精密率（Precision）、再現率（Recall）、F1スコア
- 回帰の評価指標
- 混同行列（Confusion Matrix）
- バリデーション戦略
- 分類モデルの評価
- モデルの汎化性能の評価
- モデルの弱点の特定
- 異なるモデル構成の比較
予測の実行
- 学習済みモデルによる推論
- 新しい入力データの準備
- バッチおよび個別予測の実行
- モデル出力の解釈
- 分類確率
- 回帰予測
- 推論ワークフローの構築
- 見慣れないデータの処理
- 予測パイプラインの管理
予測の評価
- 予測品質の分析
- 予測と期待される結果の比較
- 偽陽性（False Positives）と偽陰性（False Negatives）の特定
- エラー分析
- モデルの信頼性（Confidence）の評価
- 予測結果の可視化
- データおよび予測バイアスの検出
- 予測分析に基づくモデル性能の向上
モデルのデバッグ
- 一般的なトレーニング問題の特定
- 誤った予測の診断
- データパイプラインのデバッグ
- 損失と指標の挙動の調査
- 爆発勾配（Exploding Gradients）と消失勾配（Vanishing Gradients）の検出
- 過学習と過少学習の診断
- モデルレイヤーと出力のチェック
- TensorFlowのデバッグおよびプロファイリングツールの使用
- モデルの安定性と性能の向上
モデルの保存
- 学習済みモデルの保存
- TensorFlow SavedModel形式
- モデル重みの保存と復元
- モデルアーキテクチャと設定の保存
- 推論用モデルの読み込み
- モデルのバージョニング
- デプロイ用のモデルエクスポート
- モデルアーティファクトの管理
- 本番環境向けにモデルを準備
モデルのクラウドデプロイ
- クラウドベースのモデルデプロイの紹介
- 本番環境向けにTensorFlowモデルを準備
- APIを介したモデルサービング
- モデルサービングの概念
- TensorFlowアプリケーションのコンテナ化
- クラウドベースの推論
- モデルサービングワークロードのスケーリング
- デプロイ済みモデルの監視
- モデルバージョンの管理
- 本番デプロイの考慮事項
モデルのモバイルデバイスへのデプロイ
- モバイル機械学習の課題
- TensorFlow Lite
- モバイルデプロイ用のTensorFlowモデル変換
- モデルの最適化とサイズ削減
- 量子化（Quantization）
- モバイルデバイスでの推論実行
- モバイルデバイスリソースの管理
- モバイルアプリケーションへのモデル統合
- モバイル推論性能のテスト
モデルのエッジシステム（IoT）へのデプロイ
- エッジデバイスでの機械学習
- エッジアプリケーション向けTensorFlow Lite
- リソース制約と最適化
- モデルサイズと計算要件の削減
- エッジ推論
- センサーデータとリアルタイムデータ処理
- ローカルでの予測実行
- 電力とメモリの考慮事項
- TensorFlowモデルをIoTワークフローへの統合
- エッジデプロイのテストと監視
異なる言語とのモデル統合
- TensorFlowモデルの相互運用性
- APIを介したモデルサービング
- 異なるプログラミング環境からのTensorFlowモデルの使用
- Pythonベースのモデル統合
- Webアプリケーションへのモデル統合
- RESTベースのサービスによるモデル推論
- 既存アプリケーションへのTensorFlow統合
- データ交換とシリアライズ
- 本番統合の考慮事項
トラブルシューティング
- TensorFlowインストール問題の診断
- モデル構築エラーのトラブルシューティング
- データ前処理問題のデバッグ
- トレーニング失敗の解決
- GPUとTPU設定問題の調査
- メモリとパフォーマンス問題の診断
- モデルの読み込みと保存のトラブルシューティング
- デプロイ問題のデバッグ
- 実践的なトラブルシューティング演習
まとめと結論
- TensorFlow 2.xの概念の復習
- ニューラルネットワークとディープラーニングワークフローの復習
- データ準備とモデル開発の復習
- 画像分類の復習
- トレーニングと評価技術の復習
- モデルのデバッグと最適化の復習
- クラウド、モバイル、IoTデプロイの復習
- TensorFlow開発のベストプラクティス
- 最終実習演習
- 質疑応答とディスカッション
要求
- Pythonでのプログラミング経験。
- Linuxコマンドラインでの経験。
対象者
- 開発者
- データサイエンティスト
お客様の声 (4)
このトレーニングは組織的で計画的に実施され、私は系統立てられた知識と、取り組んだトピックの全体像を把握して終えることができました。
Magdalena - Samsung Electronics Polska Sp. z o.o.
コース - Deep Learning with TensorFlow 2
機械翻訳
トレーナーの知識と、非常に親しみやすいという事実。重要な知識を簡単に伝えられました。
Mateusz Stachyra - Samsung Electronics Polska Sp. z o.o.
コース - Deep Learning with TensorFlow 2
機械翻訳
私たちは基礎もカバーしたことが良かったです
Tomasz - Samsung Electronics Polska Sp. z o.o.
コース - Deep Learning with TensorFlow 2
機械翻訳
トレーナーは内容をわかりやすく説明し、終始参加者を引き付けていました。質問の時間を設け、実践セッションでは自分たちで解決策を見つけられるようにしました。また、コースは私たちのニーズに合わせてよくカスタマイズされました。
Robert Baker
コース - Deep Learning with TensorFlow 2.0
機械翻訳
