Kursplan
Införandet
Grunderna i artificiell intelligens och Machine Learning
Förstå Deep Learning
- Översikt över de grundläggande begreppen i Deep Learning
- Skilja mellan Machine Learning och Deep Learning
- Översikt över applikationer för Deep Learning
Översikt över Neural Networks
- Vad är Neural Networks
- Neural Networks jämfört med regressionsmodeller
- Att förstå Mathematical Grunder och inlärningsmekanismer
- Konstruera ett artificiellt neuralt nätverk
- Förstå neurala noder och anslutningar
- Arbeta med neuroner, lager och indata och utdata
- Förstå Perceptroner med ett lager
- Skillnader mellan övervakad och oövervakad inlärning
- Feedforward och feedback för inlärning Neural Networks
- Förstå framåt- och bakåtutbredning
- Förstå Long Short-Term Memory (LSTM)
- Att utforska återkommande Neural Networks i praktiken
- Utforska Convolutional Neural Networks i praktiken
- Förbättra sättet Neural Networks Lär dig
Översikt över Deep Learning tekniker som används i Telecom
- Neural Networks
- Behandling av naturligt språk
- Bildigenkänning
- Speech Recognition
- Analys av sentiment
Utforska Deep Learning Fallstudier för Telecom
- Optimera routning och servicekvalitet genom analys av nätverkstrafik i realtid
- Förutsäga nätverks- och enhetsfel, avbrott, efterfrågeökningar etc.
- Analysera samtal i realtid för att identifiera bedrägligt beteende
- Analysera kundbeteende för att identifiera efterfrågan på nya produkter och tjänster
- Bearbeta stora mängder SMS-meddelanden för att få insikter
- Speech Recognition För supportsamtal
- Konfigurera SDN och virtualiserade nätverk i realtid
Förstå fördelarna med Deep Learning för Telecom
Utforska de olika Deep Learning biblioteken för Python
- TensorFlow
- Keras
Ställa in Python med TensorFlow för Deep Learning
- Installera API:et TensorFlow Python
- Testa TensorFlow-installationen
- Inställning TensorFlow för utveckling
- Träna din första TensorFlow neurala nätmodell
Ställa in Python med Keras för Deep Learning
Bygga enkla Deep Learning modeller med Keras
- Skapa en Keras modell
- Förstå dina data
- Ange din Deep Learning modell
- Kompilera din modell
- Passar din modell
- Arbeta med dina klassificeringsdata
- Arbeta med klassificeringsmodeller
- Använda dina modeller
Arbeta med TensorFlow för Deep Learning för Telecom
- Förbereda data
- Ladda ner data
- Förbereda träningsdata
- Förbereda testdata
- Skalning av indata
- Använda platshållare och variabler
- Ange nätverksarkitekturen
- Använda kostnadsfunktionen
- Använda optimeraren
- Använda initierare
- Anpassning av det neurala nätverket
- Bygga grafen
- Slutsats
- Förlust
- Träning
- Träna modellen
- Grafen
- Sessionen
- Tågslinga
- Utvärdera modellen
- Bygga Eval-grafen
- Utvärdera med Eval Output
- Träningsmodeller i stor skala
- Visualisera och utvärdera modeller med TensorBoard
Praktiskt: Skapa en Deep Learning modell för förutsägelse av kundomsättning med hjälp av Python
Utöka ditt företags kapacitet
- Utveckla modeller i molnet
- Använda GPUs för att accelerera Deep Learning
- Tillämpa Deep Learning Neural Networks för Computer Vision, röstigenkänning och textanalys
Sammanfattning och slutsats
Krav
- Erfarenhet av Python programmering
- Allmän förtrogenhet med telekomkoncept
- Grundläggande förtrogenhet med statistik och matematiska begrepp
Publik
- Utvecklare
- Datavetare
Vittnesmål (5)
examples based on our data
Witold - P4 Sp. z o.o.
Kurs - Deep Learning for Telecom (with Python)
code examples:-)
Marcin - P4 Sp. z o.o.
Kurs - Deep Learning for Telecom (with Python)
I liked that the instructor had many pre-written scripts to show off many different aspects of ML and AI. I really enjoyed being able to see live demos of so many ways ML and AI is being used. Much of what we covered was cutting edge technology that is still in its early stages of development.
Matthew Pepper - Motorola Solutions
Kurs - Deep Learning for Telecom (with Python)
The colab notebooks we get to keep
Palmer Greer - Motorola Solutions
Kurs - Deep Learning for Telecom (with Python)
The clarity with which it was presented