OpenFace: Creating Facial Recognition Systems Training Course

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data tingkat menengah hingga mahir, insinyur pembelajaran mesin, peneliti pembelajaran mendalam, dan pakar visi komputer yang ingin memperluas pengetahuan dan keterampilan mereka dalam pembelajaran mendalam untuk pembuatan teks menjadi gambar.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami arsitektur dan teknik pembelajaran mendalam tingkat lanjut untuk pembuatan teks menjadi gambar.
• Terapkan model dan pengoptimalan yang kompleks untuk sintesis gambar berkualitas tinggi.
• Mengoptimalkan kinerja dan skalabilitas untuk kumpulan data besar dan model yang kompleks.
• Sesuaikan hiperparameter untuk kinerja dan generalisasi model yang lebih baik.
• Integrasikan Stable Diffusion dengan kerangka kerja dan alat pembelajaran mendalam lainnya

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk para ahli biologi yang ingin memahami cara kerja AlphaFold dan menggunakan model AlphaFold sebagai panduan dalam studi eksperimental mereka.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami prinsip dasar AlphaFold.
• Pelajari cara kerja AlphaFold.
• Pelajari cara menafsirkan prediksi dan hasil AlphaFold.

Ini adalah kursus 4 hari yang memperkenalkan AI dan penerapannya. Ada opsi untuk memiliki satu hari tambahan untuk melaksanakan proyek AI setelah menyelesaikan kursus ini.

Caffe is a deep learning framework made with expression, speed, and modularity in mind.

This course explores the application of Caffe as a Deep learning framework for image recognition using MNIST as an example

Audience

This course is suitable for Deep Learning researchers and engineers interested in utilizing Caffe as a framework.

After completing this course, delegates will be able to:

• understand Caffe’s structure and deployment mechanisms
• carry out installation / production environment / architecture tasks and configuration
• assess code quality, perform debugging, monitoring
• implement advanced production like training models, implementing layers and logging

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk peneliti dan pengembang yang ingin menggunakan Chainer untuk membangun dan melatih jaringan saraf di Python sambil membuat kode mudah di-debug.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai mengembangkan model jaringan saraf.
• Menentukan dan menerapkan model jaringan saraf menggunakan kode sumber yang mudah dipahami.
• Jalankan contoh dan modifikasi algoritma yang ada untuk mengoptimalkan model pelatihan pembelajaran mendalam sambil memanfaatkan GPU untuk kinerja tinggi.

Computer Network ToolKit (CNTK) adalah Microsoft's Open Source, Multi-mesin, Multi-GPU, Kerangka kerja pembelajaran mesin pelatihan RNN yang sangat efisien untuk ucapan, teks, dan gambar.

Hadirin

Kursus ini ditujukan untuk para insinyur dan arsitek yang ingin memanfaatkan CNTK dalam proyek mereka.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat lanjut yang ingin memperdalam pemahaman mereka tentang visi komputer dan mengeksplorasi kemampuan TensorFlow dalam mengembangkan model visi canggih menggunakan Google Colab.

Pada akhir pelatihan ini, peserta akan dapat:

• Membangun dan melatih jaringan saraf konvolusional (CNN) menggunakan TensorFlow.
• Manfaatkan Google Colab untuk pengembangan model berbasis cloud yang skalabel dan efisien.
• Menerapkan teknik praproses gambar untuk tugas visi komputer.
• Menerapkan model visi komputer untuk aplikasi dunia nyata.
• Gunakan pembelajaran transfer untuk meningkatkan kinerja model CNN.
• Visualisasikan dan interpretasikan hasil model klasifikasi gambar.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk data scientist dan developer tingkat menengah yang ingin memahami dan menerapkan teknik pembelajaran mendalam menggunakan lingkungan Google Colab.

Pada akhir pelatihan ini, peserta akan mampu:

• Siapkan dan navigasikan Google Colab untuk proyek pembelajaran mendalam.
• Memahami dasar-dasar jaringan saraf.
• Menerapkan model pembelajaran mendalam menggunakan TensorFlow.
• Melatih dan mengevaluasi model pembelajaran mendalam.
• Manfaatkan fitur lanjutan TensorFlow untuk pembelajaran mendalam.

In this instructor-led, live training in Indonesia, participants will learn to use Python libraries for NLP as they create an application that processes a set of pictures and generates captions. 

By the end of this training, participants will be able to:

• Design and code DL for NLP using Python libraries.
• Create Python code that reads a substantially huge collection of pictures and generates keywords.
• Create Python Code that generates captions from the detected keywords.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang tingkat menengah, ilmuwan data, dan praktisi AI yang ingin memanfaatkan TensorFlow Lite untuk aplikasi Edge AI.

Pada akhir pelatihan ini, peserta akan mampu:

• Pahami dasar-dasar TensorFlow Lite dan perannya dalam Edge AI.
• Kembangkan dan optimalkan model AI menggunakan TensorFlow Lite.
• Terapkan TensorFlow model Lite di berbagai perangkat edge.
• Memanfaatkan alat dan teknik untuk konversi dan pengoptimalan model.
• Implementasikan aplikasi Edge AI praktis menggunakan TensorFlow Lite.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data yang ingin mempercepat aplikasi pembelajaran mesin waktu nyata dan menerapkannya dalam skala besar.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal toolkit OpenVINO.
• Mempercepat aplikasi visi komputer menggunakan FPGA.
• Jalankan berbagai lapisan CNN pada FPGA.
• Skalakan aplikasi di beberapa node dalam kluster Kubernetes.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk pengembang atau ilmuwan data yang ingin menggunakan Horovod untuk menjalankan pelatihan pembelajaran mendalam yang terdistribusi dan meningkatkannya untuk dijalankan di beberapa GPU secara paralel.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai menjalankan pelatihan pembelajaran mendalam.
• Instal dan konfigurasikan Horovod untuk melatih model dengan TensorFlow, Keras, PyTorch, dan Apache MXNet.
• Skala pelatihan pembelajaran mendalam dengan Horovod untuk dijalankan pada beberapa GPU.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk orang-orang teknis yang ingin menerapkan model pembelajaran mendalam pada aplikasi pengenalan gambar.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Keras.
• Buat prototipe model pembelajaran mendalam dengan cepat.
• Menerapkan jaringan konvolusional.
• Terapkan jaringan berulang.
• Jalankan model pembelajaran mendalam pada CPU dan GPU.

Pelatihan langsung yang dipandu instruktur ini (online atau di tempat) ditujukan untuk ilmuwan data, insinyur pembelajaran mesin, dan peneliti visi komputer yang ingin memanfaatkan Stable Diffusion untuk menghasilkan gambar berkualitas tinggi untuk berbagai kasus penggunaan.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami prinsip Stable Diffusion dan cara kerjanya untuk pembuatan gambar.
• Membangun dan melatih model Stable Diffusion untuk tugas pembuatan gambar.
• Terapkan Stable Diffusion ke berbagai skenario pembuatan gambar, seperti inpainting, outpainting, dan penerjemahan gambar ke gambar.
• Optimalkan kinerja dan stabilitas model Stable Diffusion.

This instructor-led, live training in Indonesia (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.

By the end of this training, participants will be able to:

• Install TensorFlow Lite.
• Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
• Add AI to hardware devices without relying on network connectivity.