TPU Programming: Building Neural Network Applications on Tensor Processing Units培訓

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

本課程是為經理、解決方案架構師、創新官、首席技術官、軟體架構師以及任何對應用人工智慧概述及其發展的最新預測感興趣的人創建的。

這是一個為期 4 天的課程，介紹人工智慧及其應用。完成本課程后，可以選擇額外有一天的時間來開展 AI 專案。 

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望加深對計算機視覺的理解並探索 TensorFlow 使用 Google Colab 開發複雜視覺模型的能力的高級專業人士。

在本次培訓結束時，參與者將能夠：

• 使用 TensorFlow 構建和訓練卷積神經網路 （CNN）。
• 利用 Google Colab 進行可擴展且高效的基於雲的模型開發。
• 為電腦視覺任務實施圖像預處理技術。
• 為實際應用程式部署電腦視覺模型。
• 使用遷移學習來增強CNN模型的性能。
• 可視化和解釋圖像分類模型的結果。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望使用[0 * ogle Colab環境理解和應用深度學習技術的中級數據科學家和開發人員。

在培訓結束時，參與者將能夠：

• 設置和導航 Google Colab 以進行深度學習專案。
• 瞭解神經網路的基礎知識。
• 使用 TensorFlow 實現深度學習模型。
• 訓練和評估深度學習模型。
• 利用 TensorFlow 的高級功能進行深度學習。

在這個由講師指導的台灣現場培訓中，參與者將學習使用Python 庫進行NLP，因為他們創建了一個處理 一組圖片並生成標題的應用程式。 

在培訓結束時，參與者將能夠：

•  使用 Python 庫為 NLP 設計和編寫 DL。
• 創建 Python 代碼，讀取大量圖片並生成關鍵字。
• 創建 Python 代碼，用於 從檢測到的關鍵字生成標題。

聽眾

本課程適合有興趣利用可用工具（主要是開源）分析計算機圖像的Deep Learning研究人員和工程師

本課程提供了工作實例。

這種以講師為主導的台灣現場現場培訓針對的是希望使用TensorFlow分析潛在欺詐數據的數據科學家。

在培訓結束時，參與者將能夠：

• 在Python和TensorFlow中創建欺詐檢測模型。
• 建立線性回歸和線性回歸模型來預測欺詐。
• 開發一個端到端的人工智慧應用程序來分析欺詐數據。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望使用Tensorflow 2.x 構建預測器，分類器，生成模型，神經網路等的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 安裝並配置 TensorFlow 2.x。
• 瞭解 TensorFlow 2.x 相對於以前版本的優勢。
• 構建深度學習模型。
• 實現高級圖像分類器。
• 將深度學習模型部署到雲、移動和IoT設備。

在這個由講師指導的台灣現場（現場或遠端）的現場培訓中，參與者將學習如何配置和使用TensorFlow Serving在生產環境中部署和管理ML模型。

在培訓結束時，參與者將能夠：

• 訓練、導出和提供各種 TensorFlow 模型。
• 使用單個體系結構和一組 API 測試和部署演算法。
• 擴展 TensorFlow Serving 以服務於 TensorFlow 模型以外的其他類型的模型。

TensorFlow是Go ogle Deep Learning開源軟件庫的第二代API。該系統旨在促進機器學習的研究，並使其從研究原型到生產系統的快速和輕鬆過渡。

聽眾

本課程面向希望將TensorFlow用於Deep Learning項目的工程師

完成本課程後，代表們將：

• 了解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，執行調試，監控
• 能夠實現高級生產，如培訓模型，構建圖形和記錄

本課程通過具體的例子探討了Tensor Flow在圖像識別方面的應用

聽眾

本課程適用於尋求將TensorFlow用於圖像識別的工程師

完成本課程後，代表們將能夠：

• 了解TensorFlow的結構和部署機制
• 執行安裝/生產環境/架構任務和配置
• 評估代碼質量，執行調試，監控
• 實施先進的生產，如培訓模型，建立圖表和記錄

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望從訓練單個ML模型到將多個ML模型部署到生產的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 TFX 和支援的第三方工具。
• 使用 TFX 建立和管理完整的 ML 生產管道。
• 使用 TFX 元件執行建模、訓練、提供推理和管理部署。
• 將機器學習功能部署到 Web 應用程式、行動應用程式、IoT 設備等。

TensorFlow ™是一個使用數據流圖進行數值計算的開源軟件庫。

SyntaxNet是TensorFlow的神經網絡自然語言處理框架。

Word 2Vec用於學習單詞的矢量表示，稱為“單詞嵌入”。 Word 2vec是一種特別計算有效的預測模型，用於學習原始文本中的單詞嵌入。它有兩種形式，連續Bag-of- Word模型（CBOW）和Skip-Gram模型（Mikolov等人的第3.1和3.2章）。

使用串聯，SyntaxNet和Word 2Vec允許用戶從自然語言輸入生成學習嵌入模型。

聽眾

本課程面向打算在TensorFlow圖中使用SyntaxNet和Word 2Vec模型的開發人員和工程師。

完成本課程後，代表們將：

• 了解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，執行調試，監控
• 能夠實現高級生產，如培訓模型，嵌入術語，構建圖形和記錄

本課程首先介紹神經網絡的概念知識，通常還包括機器學習算法，深度學習（算法和應用程序）。

本次培訓的一部分-1（40％）更注重基本面，但會幫助你選擇合適的技術： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培訓的第2部分（20％）介紹了Theano--一個python庫，可以輕鬆編寫深度學習模型。

第3部分（40％）的培訓將廣泛基於Tensorflow - Go ogle的Deep Learning開源軟件庫的第二代API。示例和動手都將在TensorFlow 。

聽眾

本課程面向希望將TensorFlow用於Deep Learning項目的工程師

完成本課程後，代表們將：

• 對深度神經網絡（DNN），CNN和RNN有很好的理解

• 了解TensorFlow的結構和部署機制

• 能夠執行安裝/生產環境/架構任務和配置

• 能夠評估代碼質量，執行調試，監控

• 能夠實現高級生產，如培訓模型，構建圖形和記錄