Szkolenie: Optymalizacja modeli uczenia głębokiego w procesie treningu i inferencji
Szkolenie z optymalizacji modeli uczenia głębokiego uczy praktycznych technik przyspieszania treningu i inferencji, kompresji modeli, wdrażania na urządzeniach brzegowych oraz optymalizacji dużych modeli językowych i wizji komputerowej
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:2 dni (16h)
Kod kursu:DL/OPT
Dostępne terminy szkolenia
Termin:
Termin gwarantowany
Trwają zapisy na szkolenie
Dostępne w Bazie Usług Rozwojowych
Oferta specjalna
online_paymentsTrener:
Cena:
2450 PLN netto
Lokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług Rozwojowychonline_paymentsTrener:
Cena:
2450 PLN nettoLokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług Rozwojowychonline_paymentsTrener:
Cena:
2450 PLN nettoLokalizacja:
ZdalneOptymalizacja modeli uczenia głębokiego w procesie treningu i inferencji
Cele szkolenia
Szkolenie przygotowuje do samodzielnego stosowania technik optymalizacji modeli głębokiego uczenia w różnych środowiskach
Szkolenie uczy wykorzystywania narzędzi i metod takich jak kwantyzacja, pruning oraz mixed-precision training w praktyce
Szkolenie pokazuje, jak wdrażać zoptymalizowane modele na urządzeniach brzegowych i w środowiskach o ograniczonych zasobach
Szkolenie omawia sposoby optymalizacji dużych modeli językowych oraz modeli wizji komputerowej pod kątem wydajności i efektywności
Dla kogo?
Doświadczonych data scientistów i inżynierów uczenia maszynowego pracujących z modelami głębokiego uczenia
Specjalistów wdrażających modele AI w środowiskach produkcyjnych lub na urządzeniach brzegowych
Osób posiadających praktyczną znajomość Pythona i bibliotek do głębokiego uczenia, chcących zwiększyć wydajność modeli
Efekty kształcenia
Uczestnik analizuje i wdraża techniki optymalizacji modeli głębokiego uczenia
Uczestnik projektuje potoki danych zoptymalizowane pod kątem wydajności
Uczestnik stosuje kwantyzację, pruning i mixed-precision training w praktyce
Uczestnik wdraża modele na urządzeniach brzegowych z ograniczonymi zasobami
Uczestnik ocenia efektywność modeli w różnych środowiskach wdrożeniowych
Uczestnik wykorzystuje narzędzia do przyspieszania inferencji modeli
Wymagania
Dobra znajomość języka Python, a w szczególności umiejętność korzystania z zewnętrznych bibliotek
Znajomość podstaw uczenia maszynowego i głębokiego
Doświadczenie w pracy z Pythonem i bibliotekami do głębokiego uczenia (PyTorch, TensorFlow)
Wiedza na temat działania sieci neuronowych oraz procesów treningu modeli
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Autorem szkolenia jest Mateusz Wójcik
Mateusz Wójcik jest doświadczonym inżynierem ds. uczenia maszynowego oraz pasjonatem edukacji w dziedzinie Data Science i AI. Obecnie pracuje jako Machine Learning Engineer w AI Clearing, gdzie rozwija innowacyjne rozwiązania do monitorowania postępów na projektach budowlanych, kontroli jakości i analizy defektów, specjalizując się w analizie danych z farm fotowoltaicznych pozyskiwanych za pomocą teledetekcji. Jest absolwentem Politechniki Warszawskiej, gdzie studiował na kierunku Data Science oraz…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
