Kurse on Kineto.ai - KI-Beratung

Deep Learning

contact@kineto.ai (Antonio Rueda-Toicen) — Mon, 01 Jan 0001 00:00:00 +0000

NVIDIA DLI Grundlagen des Deep Learning

Eine umfassende 8-stündige Schulung unter Anleitung eines Instruktors, die Teilnehmer in Deep Learning-Techniken einführt und sich auf Computer Vision und Natural Language Processing konzentriert. Lernen Sie grundlegende Deep Learning-Trainingstechniken mit PyTorch durch praktische Übungen mit dediziertem GPU-beschleunigtem Cloud-Server-Zugang.

Wichtige behandelte Themen:

Mechanik des Deep Learning
Convolutional Neural Networks
Datenaugmentierungstechniken
Vortrainierte Modelle und Transfer Learning
Bildklassifikation

Lernziele:

Grundlegende Deep Learning-Trainingstechniken lernen
Gängige Datentypen und Modellarchitekturen verstehen
Datensätze durch Datenaugmentierung verbessern
Transfer Learning zwischen Modellen nutzen, um effiziente Ergebnisse mit weniger Daten und Berechnung zu erzielen
Vertrauen in Deep Learning-Frameworks aufbauen

Voraussetzungen:

Diffusion Models

contact@kineto.ai (Antonio Rueda-Toicen) — Mon, 01 Jan 0001 00:00:00 +0000

NVIDIA DLI Generative KI mit Diffusion Models

Über diesen Kurs

Dank Verbesserungen in der Rechenleistung und wissenschaftlichen Theorie ist generative KI zugänglicher als je zuvor. Generative KI spielt eine bedeutende Rolle in verschiedenen Branchen aufgrund ihrer zahlreichen Anwendungen, wie kreative Inhaltsgenerierung, Datenaugmentierung, Simulation und Planung, Anomalieerkennung, Medikamentenentdeckung, personalisierte Empfehlungen und mehr. In diesem Kurs tauchen die Lernenden tiefer in Denoising-Diffusion-Modelle ein, die eine beliebte Wahl für Text-zu-Bild-Pipelines sind.

Lernziele

Ein U-Net erstellen, um Bilder aus reinem Rauschen zu generieren
Die Qualität generierter Bilder mit dem Denoising-Diffusion-Prozess verbessern
Die Bildausgabe mit Kontext-Embeddings kontrollieren
Bilder aus englischen Textprompts mit dem Contrastive Language—Image Pretraining (CLIP) neuronalen Netzwerk generieren

Behandelte Themen

U-Nets
Diffusion
CLIP
Text-zu-Bild-Modelle

Kursübersicht

Von U-Net zu Diffusion

Eine U-Net-Architektur erstellen.
Ein Modell trainieren, um Rauschen aus einem Bild zu entfernen.

Diffusion Models

Die Vorwärts-Diffusion-Funktion definieren.
Die U-Net-Architektur aktualisieren, um einen Zeitschritt zu berücksichtigen.
Eine Rückwärts-Diffusion-Funktion definieren.

Optimierungen

Group Normalization implementieren.
GELU implementieren.
Rearrange Pooling implementieren.
Sinusoidale Position Embeddings implementieren.

Classifier-Free Diffusion Guidance

Kategorische Embeddings zu einem U-Net hinzufügen.
Ein Modell mit einer Bernoulli-Maske trainieren.

CLIP

Lernen, wie man CLIP-Encodings verwendet.
CLIP verwenden, um ein Text-zu-Bild neuronales Netzwerk zu erstellen.

Kurs beinhaltet

Praktische Laborübungen
Branchenrelevante Projekte
Kompetenznachweis (nach Bestehen der bewerteten Prüfungen)
Zugang zu NVIDIA DLI vorkonfigurierten Computing-Umgebungen mit GPUs

Erste Schritte

Bereit, Ihre KI-Fähigkeiten zu erweitern? Kontaktieren Sie uns unter info@kineto.ai, um mehr über Kursverfügbarkeit, Terminplanung und Anmeldemöglichkeiten zu erfahren.

Multimodal Agents

contact@kineto.ai (Antonio Rueda-Toicen) — Mon, 01 Jan 0001 00:00:00 +0000

NVIDIA DLI KI-Agenten mit Multimodalen Modellen erstellen

Über diesen Kurs

Lernen Sie, wie man neuronale Netzwerk-Agenten erstellt, die über mehrere Datentypen hinweg mit erweiterten Fusionstechniken, OCR und NVIDIA AI Blueprints für reale Anwendungen wie Robotik und Videosuche und -zusammenfassung argumentieren.

Lernziele

In diesem Kurs lernen Sie über:

Verschiedene Datentypen und wie man sie neuronales-Netzwerk-bereit macht
Model Fusion und die Unterschiede zwischen früher, später und zwischenzeitlicher Fusion
PDF-Extraktion mit OCR
Den Unterschied zwischen Modalitäts- und Agenten-Orchestrierung
Anpassung von NVIDIA AI Blueprints mit Video Search and Summarization (VSS)

Behandelte Themen

Beginn mit einem Robotik-Anwendungsfall, um zu zeigen, wie verschiedene Datentypen eine effektive neuronale-Netzwerk-Architektur beeinflussen.
Anwendung mathematischer Konzepte aus der Robotik auf Large Language Models (LLMs), um sie für nicht-sprachliche Dateneingabe zu modifizieren.
Ende mit Orchestrierung mehrerer Modelle, um Benutzeranfragen zu beantworten.

Kursübersicht

Frühe und späte Fusion (1 Std.)

Practical Computer Vision Bootcamp

contact@kineto.ai (Antonio Rueda-Toicen) — Mon, 01 Jan 0001 00:00:00 +0000

Practical Computer Vision Bootcamp

Ein umfassender, kostenloser und Open-Source Computer Vision-Lernpfad von grundlegenden Konzepten bis zu fortgeschrittenen Anwendungen. Dieses praktische Bootcamp ist für Lernende verschiedener Fähigkeitsstufen konzipiert, von Anfängern bis zu Praktikern, mit Fokus auf praktische Implementierung durch Jupyter-Notebooks und reale Anwendungen.

Über diesen Kurs

Dieses Bootcamp bietet eine strukturierte Lernerfahrung in Computer Vision und kombiniert theoretisches Verständnis mit praktischer Implementierung. Alle Materialien sind kostenlos auf GitHub verfügbar und machen modernste Computer Vision-Bildung für alle zugänglich.