Skip to main content

Kategori: Sektörler

Gömülü Sistemlerde Derin Öğrenme Uygulamaları Eğitimi

Ferhat Kurt Yorum yapın

Bir yapay zeka tekniği olan derin öğrenme, uygulama bazında yüksek işlem gücüne ihtiyaç duymaktadır. Bu eğitimimizde derin öğrenme uygulamalarının çalıştırılabildiği gömülü sistemler (FPGA ve GPU), örnek uygulamalar ve uygulama geliştirme süreci anlatılacaktır.

Gömülü sistemler nerde kullanılmaktadır?

Gömülü sistemler özellikle düşük güç harcayarak yüksek işlem gücü sağladığından drone, elektro-optik, robotik ve otonom sistemlerde yaygın bir şekilde kullanılmaktadır.

Eğitim İçeriği

  1. Yapay zekanın gelişimi
  2. Gömülü sistemlerdeki gelişmeler
  3. NVIDIA Jetson TX1/TK1 ile donanım örnekleri
  4. NVIDIA JetPack ve SDK kullanımı
  5. Open Zeka API gömülü sistemlerde derin öğrenme uygulaması geliştirme

Eğitim kapsamında katılımcılar Jetson TX1 ve Jetson TK1 ürünlerini test edebileceklerdir.

Tarih: 20 Ağustos 2016

Saat: 10.00-12.00

Adres: Cyberpark Cyberplaza B-Blok Kat:5 Bilkent 06800 ANKARA

Konuşmacı: Ferhat Kurt

Katılım ücretsizdir.

Kayıt adresi: https://www.meetup.com/Ankara-Deep-Learning/events/233365857/

 

GPU Hızlandırmalı Derin Öğrenmenin Savunma Sanayiinde Kullanımına Yönelik Son Gelişmeler

Ferhat Kurt Yorum yapın

Derin öğrenme teknolojisindeki gelişmeler sadece gündelik yaşama yönelik çözümlerle hayatımızı etkilemiyor ayrıca  savunma ve anayurt güvenliğine yönelik daha etkili ve insan algısına yakın doğrulukta çözümler sunuyor.

Derin öğrenmenin savunma ve anayurt güvenliğinde kulanımına yönelik son gelişmelerin anlatılacağı Webinar 21 Haziran 2016 günü saat 20.00-21.00 (Türkiye saati) arasında icra ediecektir. Söz konusu webinarda savunma sanayiisindeki gelişmelerin yanısıra derin öğrenme teorisi, yazılımları ve GPU-hızlandırmalı donanımlar üzerine de bilgi verilecektir.

Webinar sunumunu Jon Barker (Solution Architect with NVIDIA) yapacaktır. Jon Barker İngiltere Savunma Bakanlığı ve ABD Savunma Bakanlığı Araştırma ve Geliştirme gruplarında 15 yıllık iş tecrübesine sahiptir.

Ücretsiz olarak webinara katılım sağlamak için aşağıdaki adresdeki formu doldurmanız yeterlidir.

https://cc.readytalk.com/registration/#/?meeting=xmpzcyb2rlwg&campaign=fbs4vvw9tuuw

EESEN: End-to-End Speech Recognition using Deep RNN Models and WFST-based Decoding

Ferhat Kurt Yorum yapın

The performance of automatic speech recognition (ASR) has improved tremendously due to the application of deep neural networks (DNNs). Despite this progress, building a new ASR system remains a challenging task, requiring various resources, multiple training stages and significant expertise. This paper presents our Eesen framework which drastically simplifies the existing pipeline to build state-of-the-art ASR systems. Acoustic modeling in Eesen involves learning a single recurrent neural network (RNN) predicting context-independent targets (phonemes or characters). To remove the need for pre-generated frame labels, we adopt the connectionist temporal classification (CTC) objective function to infer the alignments between speech and label sequences. A distinctive feature of Eesen is a generalized decoding approach based on weighted finite-state transducers (WFSTs), which enables the efficient incorporation of lexicons and language models into CTC decoding. Experiments show that compared with the standard hybrid DNN systems, Eesen achieves comparable word error rates (WERs), while at the same time speeding up decoding significantly.

1507.08240v3 EESEN End-to-End Speech Recognition using Deep RNN Models and WFST-based Decoding.pdf