Kursplan

Introduktion

Grunderna för artificiell intelligens och Machine Learning

Förståelse Deep Learning

    Översikt över de grundläggande begreppen för djupinlärning Att skilja mellan Machine Learning och djupinlärning Översikt över tillämpningar för djupinlärning

Översikt över Neural Networks

    Vad är Neural Networks Neural Networks vs regressionsmodeller Förstå matematiska grunder och inlärningsmekanismer Konstruera ett artificiellt neuralt nätverk Förstå neurala noder och anslutningar Arbeta med neuroner, lager och in- och utdata Förstå enskiktsperceptroner Skillnader mellan övervakad och oövervakad FeLearning Inlärning och feedback Neural Networks Förstå fortplantning framåt och förökning bakåt Förstå Long Short-Term Memory (LSTM) Utforska återkommande Neural Networks i praktiken Utforska konvolutionell Neural Networks i praktiken Förbättra vägen Neural Networks Lär dig

Översikt över tekniker för djupinlärning som används i Telecom

    Neurala nätverk Naturlig språkbearbetning Bildigenkänning Speech Recognition Sentimentanalys

Exploring Deep Learning Fallstudier för Telecom

    Optimera routing och servicekvalitet genom nätverkstrafikanalys 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 volymer SMS Meddelanden för att få insikter Speech Recognition för supportsamtal Konfigurera SDN och virtualiserade nätverk i realtid

Förstå fördelarna med djupinlärning för Telecom

Utforska de olika djupinlärningsbiblioteken för Python

    TensorFlow Svårt

Konfigurera Python med TensorFlow för djupinlärning

    Installera TensorFlow Python API Testa TensorFlow Installation Installation TensorFlow för utveckling Träna din första TensorFlow neurala nätmodell

Ställa in Python med Keras för djupinlärning

Bygg enkla modeller för djupinlärning med Keras

    Skapa en Keras modell Förstå dina data Specificera din djupinlärningsmodell Kompilera din modell Anpassa din modell Arbeta med dina klassificeringsdata Arbeta med klassificeringsmodeller Använda dina modeller

Arbetar med TensorFlow för Deep Learning for Telecom

    Förbereda data Ladda ner data Förbereda träningsdata Förbereda testdata Skalingångar med hjälp av platshållare och variabler
Specificering av nätverksarkitekturen
  • Använda kostnadsfunktionen
  • Använda Optimizer
  • Använda initierare
  • Anpassa det neurala nätverket
  • Bygga grafinferensen
  • Förlust
  • Träning
  • Att träna modellen The Graph
  • Sessionen
  • Tågslinga
  • Utvärdering av modellen Bygger Eval-grafen
  • Utvärdera med Eval Output
  • Utbildningsmodeller i stor skala
  • Visualisera och utvärdera modeller med TensorBoard
  • Hands-on: Bygg en Deep Learning-förutsägelsemodell för kundavgång med hjälp av Python
  • Utöka ditt företags kapacitet
  • Utveckla modeller i molnet med hjälp av GPU:er för att påskynda djupinlärning Använda djupinlärning Neural Networks för datorseende, röstigenkänning och textanalys
  • Sammanfattning och slutsats
  • Krav

    • Erfarenhet av Python programmering
    • Allmän förtrogenhet med telekomkoncept
    • Grundläggande förtrogenhet med statistik och matematiska begrepp

    Publik

    • Utvecklare
    • Dataforskare
     28 timmar

    Antal deltagare



    Price per participant

    Vittnesmål (5)

    Relaterade Kategorier