Lokala, instruktörledda Live Artificial Intelligence (AI) -kurser visar genom praktisk praktik hur man implementerar AI-lösningar för att lösa verkliga problem. AI-träning är tillgänglig som "live-träning" eller "fjärr-live-träning". Utbildning på plats kan genomföras lokalt på kundlokaler i Sverige eller i NobleProgs företagsutbildningscenter i Sverige . Fjärrutbildning sker genom en interaktiv fjärrskrivbord. NobleProg - Din lokala utbildningsleverantör.
Jag gillar exempel för att förklara
AUO友达光电（苏州）有限公司
Kurs: OptaPlanner in Practice
Translated by
| Kod | Namn | Varaktighet | Översikt |
|---|---|---|---|
| aiint | Artificial Intelligence Overview | 7 timmar | Kursen har skapats för chefer, lösningar arkitekter, innovationsofficer, CTOs, software arkitekter och alla som är intresserade av en överblick över tillämpad artificiell intelligens och närmaste prognos för sin utveckling. |
| pythontextml | Python: Machine Learning with Text | 21 timmar | I den här instruktörsledda träningen kommer deltagarna att lära sig hur man använder rätt maskininlärning och NLP (Natural Language Processing) tekniker för att extrahera värde från textbaserad data Vid slutet av denna utbildning kommer deltagarna att kunna: Lös textbaserade datavetenskapsproblem med högkvalitativ, återanvändbar kod Applicera olika aspekter av scikitlearn (klassificering, kluster, regression, dimensionalitetsminskning) för att lösa problem Bygg effektiva maskininlärningsmodeller med textbaserad data Skapa en dataset och extrahera funktioner från ostrukturerad text Visualisera data med Matplotlib Bygg och utvärdera modeller för att få insikt Felsök textkodningsfel Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| textsum | Text Summarization with Python | 14 timmar | I Python Machine Learning kan funktionen Text Summarization läsa inmatningstexten och skapa en textöversikt Denna funktion är tillgänglig från kommandoraden eller som ett Python API / Bibliotek En spännande ansökan är den snabba upprättandet av verkställande sammanfattningar Detta är särskilt användbart för organisationer som behöver granska stora kroppar av textdata innan de genererar rapporter och presentationer I den här instruktörsledningen, live-träning, lär deltagarna att använda Python för att skapa en enkel applikation som autogenererar en sammanfattning av inmatad text Vid slutet av denna utbildning kommer deltagarna att kunna: Använd ett kommandoradsverktyg som sammanfattar text Skapa och skapa text Summarization-kod med Python-bibliotek Utvärdera tre Python-sammanfattningsbiblioteken: sumy 070, pysummarization 104, readless 1017 Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| undnn | Understanding Deep Neural Networks | 35 timmar | Kursen börjar med att ge dig konceptuell kunskap i neurala nätverk och i allmänhet i maskininlärningsalgoritm, djup inlärning (algoritmer och applikationer) Del 1 (40%) av denna utbildning är mer inriktad på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc Part2 (20%) av denna utbildning introducerar Theano ett pythonbibliotek som gör det enkelt att skriva djupa inlärningsmodeller Del 3 (40%) av utbildningen skulle i hög grad baseras på Tensorflow 2nd Generation API för Googles öppna källprogram för Deep Learning Exemplen och handson skulle alla göras i TensorFlow Publik Kursen är avsedd för ingenjörer som vill använda TensorFlow för sina Deep Learning-projekt Efter avslutad kurs kommer deltagare att: ha en god förståelse för djupa neurala nätverk (DNN), CNN och RNN förstå TensorFlows struktur och implementeringsmekanismer kunna utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration kunna bedöma kodkvalitet, utföra felsökning, övervakning kunna genomföra avancerad produktion som träningsmodeller, bygggrafer och loggning Inte alla ämnen skulle täckas i ett offentligt klassrum med 35 timmars varaktighet på grund av ämnets storhet Varaktigheten av hela kursen är cirka 70 timmar och inte 35 timmar . |
| opennlp | OpenNLP for Text Based Machine Learning | 14 timmar | Apache OpenNLP-biblioteket är en maskinbaserad verktygslåda för bearbetning av naturlig språktext Den stöder de vanligaste NLP-uppgifterna, till exempel språkdetektering, tokenisering, punktsegmentering, partofspeech-taggning, namngiven enhåndsutvinning, chunking, parsing och coreference-upplösning I den här instruktörsledningen, direktutbildning, kommer deltagarna att lära sig att skapa modeller för behandling av textbaserad data med hjälp av OpenNLP Provutbildningsdata samt anpassade dataset kommer att användas som underlag för laborationerna Vid slutet av denna utbildning kommer deltagarna att kunna: Installera och konfigurera OpenNLP Ladda ner befintliga modeller samt skapa egna Träna modellerna på olika uppsättningar av provdata Integrera OpenNLP med befintliga Java-applikationer Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| mlbankingpython_ | Machine Learning for Banking (with Python) | 21 timmar | Maskininlärning är en gren av artificiell intelligens där datorer har förmåga att lära sig utan att uttryckligen programmeras Python är ett programmeringsspråk som är känt för sin tydliga syntax och läsbarhet Det erbjuder en utmärkt samling välutbildade bibliotek och tekniker för att utveckla maskininlärningsprogram I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig att tillämpa maskininlärningstekniker och verktyg för att lösa realworldproblem i banksektorn Deltagarna lär sig först de viktigaste principerna, sedan sätta sin kunskap i praktiken genom att bygga sina egna maskininlärningsmodeller och använda dem för att slutföra ett antal teamprojekt Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| mlbankingr | Machine Learning for Banking (with R) | 28 timmar | I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig att tillämpa maskininlärningstekniker och verktyg för att lösa realworldproblem i banksektorn R kommer att användas som programmeringsspråk Deltagarna lär sig först de viktigaste principerna, sedan sätta sin kunskap i praktiken genom att bygga sina egna maskininlärningsmodeller och använda dem för att slutföra ett antal levande projekt Publik utvecklare Datavetenskapare Bankpersonal med teknisk bakgrund Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| python_nlp | Natural Language Processing with Deep Dive in Python and NLTK | 35 timmar | Efter avslutad utbildning förväntas delegaterna vara tillräckligt utrustade med de nödvändiga python-koncepten och bör kunna använda NLTK tillräckligt för att genomföra de flesta NLP- och ML-baserade operationerna Utbildningen syftar till att ge inte bara en exekverande kunskap utan också den logiska och operativa kunskapen om tekniken däri . |
| matlabdl | Matlab for Deep Learning | 14 timmar | I den här instruktionsledda träningen lär deltagarna att lära sig att använda Matlab för att designa, bygga och visualisera ett fällande neuralt nätverk för bildigenkänning Vid slutet av denna utbildning kommer deltagarna att kunna: Bygg en djup inlärningsmodell Automatisera datamärkning Arbeta med modeller från Caffe och TensorFlowKeras Träna data med flera GPU: er, molnet eller klustren Publik utvecklare ingenjörer Domänexperter Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| matlabpredanalytics | Matlab for Predictive Analytics | 21 timmar | Prediktiv analys är processen med att använda dataanalys för att göra förutsägelser om framtiden Denna process använder data tillsammans med data mining, statistik och maskininlärningsteknik för att skapa en förutsägbar modell för prognoser för framtida händelser I den här instruktionsledda träningen lär deltagarna att använda Matlab för att bygga prediktiva modeller och tillämpa dem på stora provdatasatser för att förutsäga framtida händelser baserat på data Vid slutet av denna utbildning kommer deltagarna att kunna: Skapa prediktiva modeller för att analysera mönster i historiska och transaktionsdata Använd prediktiv modellering för att identifiera risker och möjligheter Bygg matematiska modeller som tar viktiga trender Använd data från enheter och affärssystem för att minska avfall, spara tid eller minska kostnader Publik utvecklare ingenjörer Domänexperter Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| tensorflowserving | TensorFlow Serving | 7 timmar | TensorFlow Serving är ett system för servering av maskinlärande (ML) modeller till produktion I den här instruktionsledda träningen lär deltagarna att konfigurera och använda TensorFlow Serving för att distribuera och hantera ML-modeller i en produktionsmiljö Vid slutet av denna utbildning kommer deltagarna att kunna: Tåg, exportera och betjäna olika TensorFlow-modeller Testa och distribuera algoritmer med en enda arkitektur och uppsättning API: er Utök TensorFlow Serving för att betjäna andra typer av modeller utöver TensorFlow-modeller Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| mlios | Machine Learning on iOS | 14 timmar | I den här instruktörsledda träningen kommer deltagarna att lära sig hur man använder IOS Machine Learning (ML) -teknikstacken som de, som de går igenom skapandet och implementeringen av en iOS-mobilapp Vid slutet av denna utbildning kommer deltagarna att kunna: Skapa en mobilapp som kan hantera bildbehandling, textanalys och taligenkänning Få åtkomliga ML-modeller för integration i iOS-appar Skapa en anpassad ML-modell Lägg till Siri Voice stöd till iOS-appar Förstå och använd ramar som coreML, Vision, CoreGraphics och GamePlayKit Använd språk och verktyg som Python, Keras, Caffee, Tensorflow, Scikit Learning, Libsvm, Anaconda och Spyder Publik utvecklare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| nlg | Python for Natural Language Generation | 21 timmar | Naturlig språkgenerering (NLG) avser produktion av naturligt språk eller tal av en dator I den här instruktörsledda träningen lär deltagarna att lära sig hur man använder Python för att producera naturkurstext med hög kvalitet genom att bygga sitt eget NLG-system från början Fallstudier kommer också att granskas och de relevanta koncepten kommer att tillämpas på levande labprojekt för att generera innehåll Vid slutet av denna utbildning kommer deltagarna att kunna: Använd NLG för att automatiskt generera innehåll för olika branscher, från journalistik till fastigheter, till väder- och sportrapportering Välj och ordna källinnehåll, planera meningar och förbereda ett system för automatisk generering av originalinnehåll Förstå NLG-rörledningen och tillämpa rätt teknik vid varje steg Förstå arkitekturen i ett system för naturligt språkgenerering (NLG) Implementera de mest lämpliga algoritmerna och modellerna för analys och ordering Dra data från allmänt tillgängliga datakällor samt kurerade databaser för att använda som material för genererad text Ersätt manuella och mödosamma skrivprocesser med datorgenererad, automatisk skapande av innehåll Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| encogintro | Encog: Introduction to Machine Learning | 14 timmar | Encog är en open source-maskininlärningsram för Java ochNet I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig hur man skapar olika neurala nätverkskomponenter med hjälp av ENCOG Realworld fallstudier diskuteras och maskinbaserade lösningar på dessa problem kommer att undersökas Vid slutet av denna utbildning kommer deltagarna att kunna: Förbered data för neurala nätverk med hjälp av normaliseringsprocessen Genomföra foder framåt nätverk och propagation träning metoder Genomföra klassificerings- och regressionsuppgifter Modell och träna neurala nätverk med hjälp av Encogs GUI-baserade arbetsbänk Integrera neuralt nätverkstöd till realworld-applikationer Publik utvecklare analytiker Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| bigdatabicriminal | Big Data Business Intelligence for Criminal Intelligence Analysis | 35 timmar | Framsteg i teknik och den ökande mängd information förvandlar hur brottsbekämpning genomförs De utmaningar som Big Data utgör är nästan lika skrämmande som Big Datas löfte Att lagra data effektivt är en av dessa utmaningar; effektivt analysera det är en annan I denna instruktionsledda träningspraxis kommer deltagarna att lära sig tankesättet för att närma sig Big Data-teknik, bedöma deras inverkan på befintliga processer och policyer och genomföra dessa tekniker för att identifiera brottslig verksamhet och förebygga brott Fallstudier från brottsbekämpande organisationer runt om i världen kommer att undersökas för att få insikter om deras antagande, utmaningar och resultat Vid slutet av denna utbildning kommer deltagarna att kunna: Kombinera Big Data-teknik med traditionella datainsamlingsprocesser för att sammanfatta en historia under en undersökning Genomföra industriella stora datalagrings- och bearbetningslösningar för dataanalys Förbereda ett förslag till antagande av de mest adekvata verktyg och processer för att möjliggöra en datadriven strategi för brottsutredning Publik Advokatbyråer med teknisk bakgrund Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| encogadv | Encog: Advanced Machine Learning | 14 timmar | Encog är en open source-maskininlärningsram för Java ochNet I den här instruktörsledda träningen kommer deltagarna att lära sig avancerade maskininlärningstekniker för att bygga exakta neurala nätverksprediktiga modeller Vid slutet av denna utbildning kommer deltagarna att kunna: Implementera olika optimeringstekniker för neurala nätverk för att lösa underfitting och överfitting Förstå och välj från ett antal neurala nätverksarkitekturer Implementera övervakade feed forward och feedback nätverk Publik utvecklare analytiker Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| radvml | Advanced Machine Learning with R | 21 timmar | I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig avancerade tekniker för maskinlärning med R, eftersom de går igenom skapandet av en realworld-applikation Vid slutet av denna utbildning kommer deltagarna att kunna: Använd tekniker som hyperparameter tuning och djupt lärande Förstå och genomföra oövervakade inlärningstekniker Sätt en modell i produktion för användning i en större applikation Publik utvecklare analytiker Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| pythonadvml | Python for Advanced Machine Learning | 21 timmar | I den här instruktörsledda träningen kommer deltagarna att lära sig de mest relevanta och skärande maskininlärningsteknikerna i Python, eftersom de bygger en serie demoapplikationer som innefattar bild, musik, text och ekonomiska data Vid slutet av denna utbildning kommer deltagarna att kunna: Implementera maskininlärningsalgoritmer och tekniker för att lösa komplexa problem Tillämpa djupt lärande och semisupervised lärande till applikationer som inbegriper bild, musik, text och ekonomiska data Push Python-algoritmer till deras maximala potential Använd bibliotek och paket som NumPy och Theano Publik utvecklare analytiker Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| fiji | Fiji: Introduction to Scientific Image Processing | 21 timmar | Fiji är ett open source bildbehandlingspaket som buntar ImageJ (ett bildbehandlingsprogram för vetenskapliga multidimensionella bilder) och ett antal plugins för vetenskaplig bildanalys I den här instruktörsledda träningen kommer deltagarna att lära sig hur man använder Fiji-distributionen och dess underliggande ImageJ-program för att skapa en bildanalysapplikation Vid slutet av denna utbildning kommer deltagarna att kunna: Använd Fijis avancerade programmeringsfunktioner och programvarukomponenter för att utöka ImageJ Sy stora 3D-bilder från överlappande plattor Uppdatera automatiskt en Fiji-installation vid start med hjälp av det integrerade uppdateringssystemet Välj från ett brett urval av skriptspråk för att skapa anpassade bildanalyslösningar Använd Fijis kraftfulla bibliotek, som ImgLib på stora bioimage dataset Implementera deras tillämpning och samarbeta med andra forskare om liknande projekt Publik forskare forskare utvecklare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| rasberrypiopencv | Raspberry Pi + OpenCV: Build a Facial Recognition System | 21 timmar | Denna instruktörsledda, levande utbildning introducerar programvaran, hårdvaran och stegvisa processen som behövs för att bygga ett ansiktsigenkänningssystem från början Ansiktsigenkänning är också känd som ansiktsigenkänning Hårdvaran som används i detta lab omfattar Rasberry Pi, en kameramodul, servos (tillval) etc Deltagarna ansvarar för att själva köpa dessa komponenter Den använda mjukvaran innehåller OpenCV, Linux, Python, etc Vid slutet av denna utbildning kommer deltagarna att kunna: Installera Linux, OpenCV och andra programverktyg och bibliotek på en Rasberry Pi Konfigurera OpenCV för att fånga och upptäcka ansiktsbilder Förstå de olika alternativen för förpackning av ett Rasberry Pi-system för användning i realworld-miljöer Anpassa systemet för olika användningsfall, inklusive övervakning, identitetsverifiering, etc Publik utvecklare Hårdvara / mjukvara tekniker Tekniska personer inom alla branscher hobby Kursens format Delföreläsning, diskussion, övningar och tung handson-övning Notera Andra hårdvaru- och programalternativ inkluderar: Arduino, OpenFace, Windows, etc Om du vill använda något av dessa, kontakta oss för att ordna . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 timmar | OpenFace är Python och Torch-baserad open source, realtime ansiktsigenkänningsprogram baserat på Googles FaceNet-forskning I den här instruktionsledda träningspasset lär deltagarna att använda OpenFace-komponenter för att skapa och distribuera ett ansiktsigenkänningsprogram för ansikte Vid slutet av denna utbildning kommer deltagarna att kunna: Arbeta med OpenFace-komponenter, inklusive dlib, OpenVC, Torch och nn4 för att genomföra ansiktsdetektering, anpassning och transformation Applicera OpenFace till realworld-applikationer som övervakning, identitetsverifiering, virtuell verklighet, spel och identifiering av upprepade kunder etc Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 timmar | Embedding Projector är en open source webbapplikation för visualisering av data som används för att träna maskininlärningssystem Skapat av Google är det en del av TensorFlow Denna instruktörsledda, levande träning introducerar koncepten bakom Embedding Projector och går deltagare genom installationen av ett demoprojekt Vid slutet av denna utbildning kommer deltagarna att kunna: Utforska hur data tolkas av maskininlärningsmodeller Navigera genom 3D- och 2D-visningar av data för att förstå hur en maskininlärningsalgoritm tolkar den Förstå begreppen bakom Embeddings och deras roll i att representera matematiska vektorer för bilder, ord och siffror Utforska egenskaperna för en specifik inbäddning för att förstå hur en modell fungerar Applicera Inbäddningsprojekt till realworld-användarfall, så att du bygger ett låtrekommendationssystem för musikälskare Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| t2t | T2T: Creating Sequence to Sequence Models for Generalized Learning | 7 timmar | Tensor2Tensor (T2T) är ett modulärt, utökbart bibliotek för träning av AI-modeller i olika uppgifter, med olika typer av träningsdata, till exempel: bildigenkänning, översättning, parsning, bildtextning och taligenkänning Det underhålls av Googles hjärnteam I den här instruktörsledda träningsutbildningen kommer deltagarna att lära sig hur man förbereder en deeplearning-modell för att lösa flera uppgifter Vid slutet av denna utbildning kommer deltagarna att kunna: Installera tensor2tensor, välj en dataset och träna och utvärdera en AI-modell Anpassa en utvecklingsmiljö med hjälp av de verktyg och komponenter som ingår i Tensor2Tensor Skapa och använd en enda modell för att samtidigt lära dig ett antal uppgifter från flera domäner Använd modellen för att lära av uppgifter med en stor mängd träningsdata och tillämpa den kunskapen på uppgifter där data är begränsade Skaffa tillfredsställande bearbetningsresultat med en enda GPU Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| cognitivecomputing | Cognitive Computing: An Introduction for Business Managers | 7 timmar | Kognitiv databehandling avser system som omfattar maskininlärning, resonemang, naturligt språkbehandling, taligenkänning och vision (objektigenkänning), interaktion mellan människor och datorer, dialog och berättande generation, för att nämna några Ett kognitivt datorsystem består ofta av flera teknologier som arbetar tillsammans för att bearbeta inmemoriska "heta" kontextuella data samt stora uppsättningar "kalla" historiska data i batch Exempel på sådana tekniker är Kafka, Spark, Elasticsearch, Cassandra och Hadoop I den här instruktörsutbildade levande träningen lär deltagarna hur Cognitive Computing komplimangerar AI och Big Data och hur användningsfulla system kan användas för att realisera mänskligt beteende som förbättrar prestanda för humanmachine-interaktioner i affärer Vid slutet av denna utbildning kommer deltagarna att förstå: Förhållandet mellan kognitiv databehandling och artificiell intelligens (AI) Den kognitiva databehandlingens inherent probabilistiska karaktär och hur man använder den som en affärsfördel Hur hanterar kognitiva datorsystem som uppträder på oväntade sätt Vilka företag och mjukvarusystem erbjuder de mest övertygande kognitiva beräkningslösningarna Publik Företagsledare Kursens format Föreläsning, falldiskussioner och övningar . |
| dsstne | Amazon DSSTNE: Build a Recommendation System | 7 timmar | Amazon DSSTNE är ett open source bibliotek för träning och implementering av rekommendationsmodeller Det tillåter modeller med viktmatriser som är för stora för en enda GPU att utbildas på en enda värd I den här instruktörsledningen, live-träning, kommer deltagarna att lära sig hur man använder DSSTNE för att bygga en rekommendationsansökan Vid slutet av denna utbildning kommer deltagarna att kunna: Träna en rekommendationsmodell med glesa dataset som input Skalutbildning och prediktionsmodeller över flera GPU: er Sprid ut beräkning och lagring på ett modellparallellt sätt Skapa Amazon-anpassade produktrekommendationer Implementera en produktserierad applikation som kan skala vid tunga arbetsbelastningar Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| snorkel | Snorkel: Rapidly Process Training Data | 7 timmar | Snorkel är ett system för snabb skapande, modellering och hantering av träningsdata Det fokuserar på att påskynda utvecklingen av strukturerade eller "mörka" datautvinningsapplikationer för domäner där stora märkta träningssatser inte är tillgängliga eller lättillgängliga I denna instruktionsledda träningspraktik lär deltagarna tekniker för att extrahera värdet från ostrukturerad data, såsom text, tabeller, figurer och bilder genom modellering av träningsdata med Snorkel Vid slutet av denna utbildning kommer deltagarna att kunna: Skapa programmässigt träningssatser för att möjliggöra märkning av massiva träningssatser Träna högkvalitativa slutmodeller genom att först modellera bullriga träningssatser Använd Snorkel för att implementera svaga övervakningstekniker och tillämpa dataprogrammering till svagt lyssnade systeminlärningssystem Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 timmar | Deep Learning för NLP tillåter en maskin att lära sig enkel till komplex språkbehandling Bland de uppgifter som för närvarande är möjliga är språköversättning och bildgenerering för foton DL (Deep Learning) är en delmängd av ML (Machine Learning) Python är ett populärt programmeringsspråk som innehåller bibliotek för Deep Learning för NLP I den här instruktörsledda träningen lär deltagarna att använda Python-bibliotek för NLP (Natural Language Processing) eftersom de skapar en applikation som behandlar en uppsättning bilder och genererar bildtexter Vid slutet av denna utbildning kommer deltagarna att kunna: Design och kod DL för NLP med Python-bibliotek Skapa Python-kod som läser en väldigt stor samling bilder och genererar nyckelord Skapa Python-kod som genererar bildtexter från de upptäckta sökorden Publik Programmerare med intresse för lingvistik Programmerare som söker en förståelse för NLP (Natural Language Processing) Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| mlfinancepython | Machine Learning for Finance (with Python) | 21 timmar | Maskininlärning är en gren av artificiell intelligens där datorer har förmåga att lära sig utan att uttryckligen programmeras Python är ett programmeringsspråk som är känt för sin tydliga syntax och läsbarhet Det erbjuder en utmärkt samling välutbildade bibliotek och tekniker för att utveckla maskininlärningsprogram I den här instruktörsutbildningen, levande träning, kommer deltagarna att lära sig att tillämpa maskininlärningstekniker och verktyg för att lösa realworldproblem i finansbranschen Deltagarna lär sig först de viktigaste principerna, sedan sätta sin kunskap i praktiken genom att bygga sina egna maskininlärningsmodeller och använda dem för att slutföra ett antal teamprojekt Vid slutet av denna utbildning kommer deltagarna att kunna: Förstå de grundläggande begreppen i maskininlärning Lär dig applikationer och användningsområden för maskininlärning i ekonomi Utveckla sin egen algoritmiska handelsstrategi med maskininlärning med Python Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning . |
| MicrosoftCognitiveToolkit | Microsoft Cognitive Toolkit 2.x | 21 timmar | Microsoft Cognitive Toolkit 2x (tidigare CNTK) är en open source, commercialgrade verktygssats som tränar djupa inlärningsalgoritmer för att lära sig som den mänskliga hjärnan Enligt Microsoft kan CNTK vara 510x snabbare än TensorFlow på återkommande nätverk, och 2 till 3 gånger snabbare än TensorFlow för bildrelaterade uppgifter I den här instruktionsledda träningen lär deltagarna att lära sig hur man använder Microsoft Cognitive Toolkit för att skapa, träna och utvärdera djupa inlärningsalgoritmer för användning i kommersiella AI-applikationer som omfattar flera typer av data, såsom data, tal, text och bilder Vid slutet av denna utbildning kommer deltagarna att kunna: Få tillgång till CNTK som ett bibliotek inom ett Python-, C #- eller C ++-program Använd CNTK som ett fristående verktyg för maskininlärning genom sitt eget modellbeskrivningsspråk (BrainScript) Använd CNTK-modellutvärderingsfunktionen från ett Java-program Kombinera feed-forward-DNN, faltningsnät (CNN) och återkommande nätverk (RNN / LSTM) Skala beräkningskapacitet på processorer, GPU och flera maskiner Få tillgång till massiva dataset med hjälp av befintliga programmeringsspråk och algoritmer Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning Notera Om du vill anpassa någon del av denna träning, inklusive det programmerade språket du vill ha, kontakta oss för att ordna . |
| ML_LBG | Machine Learning – Data science | 21 timmar | Denna klassrumsbaserade träningspasset kommer att undersöka verktyg för maskininlärning med (föreslagna) Python Delegater kommer att ha datorbaserade exempel och fallstudieövningar att genomföra . |
| Kurs | Course Date | Course Price [Remote / Classroom] |
|---|---|---|
| AI in business and Society & The future of AI - AI/Robotics - Uppsala | tis, 2019-02-12 09:30 | 1240EUR / 1740EUR |
| AI in business and Society & The future of AI - AI/Robotics - Örebro, City Center | fre, 2019-03-15 09:30 | 1240EUR / 1640EUR |
| AI in business and Society & The future of AI - AI/Robotics - Uppsala | ons, 2019-04-03 09:30 | 1240EUR / 1740EUR |
| AI in business and Society & The future of AI - AI/Robotics - Uppsala | tis, 2019-05-21 09:30 | 1240EUR / 1740EUR |
| AI in business and Society & The future of AI - AI/Robotics - Örebro, City Center | tors, 2019-06-13 09:30 | 1240EUR / 1640EUR |
| Kurs | Venue | Course Date | Course Price [Remote / Classroom] |
|---|---|---|---|
| OCEB2 OMG Certified Expert in BPM - Business Intermediate Exam Preparation | Göteborg | tis, 2019-02-26 09:30 | 3510EUR / 4310EUR |
| Apache Spark MLlib | Göteborg | mån, 2019-03-18 09:30 | 5679EUR / 6879EUR |
| Docker for Developers and System Administrators | Göteborg | ons, 2019-03-20 09:30 | 2430EUR / 3030EUR |
| Hyperledger Fabric for Beginners | Göteborg | fre, 2019-03-29 09:30 | 2124EUR / 2524EUR |
| IoT security | Linköping | tis, 2019-07-02 09:30 | 4455EUR / 5255EUR |
.png "e-health innovation systems (his)")
.png "american medical association (ama)")
.png "european central bank (ecb)")
We are looking to expand our presence in Sweden!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
