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
Krav
- Erfarenhet av Python programmering
- Allmän förtrogenhet med telekomkoncept
- Grundläggande förtrogenhet med statistik och matematiska begrepp
Publik
- Utvecklare
- Dataforskare
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