Lokala instruktionsledda Deep Learning (DL) -kurser visar genom handson att man övar grunden och användningen av Deep Learning och täcker ämnen som djup maskininlärning, djupt strukturerat lärande och hierarkiskt lärande Deep Learning-träning finns som "live-träning på plats" 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.

Machine Translated

Vittnesmål

★★★★★

Det var mycket interaktivt och mer avslappnat och informellt än förväntat. Vi omfattade många ämnen på tiden och tränaren var alltid mottaglig för att prata mer i detalj eller mer allmänt om ämnena och hur de var relaterade. Jag tycker att träningen har gett mig verktygen för att fortsätta att lära sig i motsats till att det är en engångsperiod där lärandet slutar när du är klar vilket är mycket viktigt med tanke på ämnets skala och komplexitet.

Jonathan Blease

Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking

Machine Translated

Ämnet är väldigt intressant.

Wojciech Baranowski

Kurs: Introduction to Deep Learning

Machine Translated

Tränare teoretisk kunskap och vilja att lösa problemen med deltagarna efter träningen.

Grzegorz Mianowski

Kurs: Introduction to Deep Learning

Machine Translated

Ämne. Mycket intressant!.

Piotr

Kurs: Introduction to Deep Learning

Machine Translated

Övningar efter varje ämne var verkligen hjälpsamma, trots att det var för komplicerat i slutet. I allmänhet var det presenterade materialet mycket intressant och involverat! Övningar med bildigenkänning var stora.

Dolby Poland Sp. z o.o.

Kurs: Introduction to Deep Learning

Machine Translated

Jag tror att om träning skulle ske på polska skulle det göra det möjligt för tränaren att dela sin kunskap effektivare.

Radek

Kurs: Introduction to Deep Learning

Machine Translated

Den globala översikten av djupt lärande.

Bruno Charbonnier

Kurs: Advanced Deep Learning

Machine Translated

Övningarna är tillräckligt praktiska och behöver inte ha hög kunskap i Python .

Alexandre GIRARD

Kurs: Advanced Deep Learning

Machine Translated

Göra övningar på riktiga exempel med hjälp av Eras. Italien förstod helt våra förväntningar om denna utbildning.

Paul Kassis

Kurs: Advanced Deep Learning

Machine Translated

Ämnet. Det verkade intressant, men jag lämnade inte veta mer än tidigare.

Radoslaw Labedzki

Kurs: Introduction to Deep Learning

Machine Translated

Jag gillade att den här kursen hade ett mycket intressant ämne.

Wojciech Wilk

Kurs: Introduction to Deep Learning

Machine Translated

Jag uppskattade verkligen kristallklara svaren på Chris till våra frågor.

Léo Dubus

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Jag har i allmänhet haft den kunniga tränaren.

Sridhar Voorakkara

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Jag var förvånad över standarden på den här klassen - jag skulle säga att det var universitetsstandard.

David Relihan

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Mycket bra översikt över hela världen. Go bakom bakgrund till varför Tensorflow fungerar som det gör.

Kieran Conboy

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Jag gillade möjligheterna att ställa frågor och få djupare förklaringar av teorin.

Sharon Ruane

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Vi har fått mycket mer inblick i ämnet. En del fina diskussioner gjordes med några riktiga ämnen inom vårt företag.

Sebastiaan Holman

Kurs: Machine Learning and Deep Learning

Machine Translated

Utbildningen gav rätt grund som gör att vi kan vidareutveckla oss genom att visa hur teori och praktik går hand i hand. Det fick mig faktiskt mer intresserad av ämnet än jag var tidigare.

Jean-Paul van Tillo

Kurs: Machine Learning and Deep Learning

Machine Translated

Jag har verkligen haft täckning och djup av ämnen.

Anirban Basu

Kurs: Machine Learning and Deep Learning

Machine Translated

Trainernas djupa kunskaper om ämnet.

Sebastian Görg

Kurs: Introduction to Deep Learning

Machine Translated

Mycket uppdaterat tillvägagångssätt eller KPI (tensorflöde, era, lär) att göra maskininlärning.

Paul Lee

Kurs: TensorFlow for Image Recognition

Machine Translated

Mycket flexibel.

Frank Ueltzhöffer

Kurs: Artificial Neural Networks, Machine Learning and Deep Thinking

Machine Translated

Jag har i allmänhet haft flexibilitet.

Werner Philipp

Kurs: Artificial Neural Networks, Machine Learning and Deep Thinking

Machine Translated

Med tanke på tekniken: vilken teknik / process kan bli viktigare i framtiden; se vad tekniken kan användas till.

Commerzbank AG

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Jag fick nytta av ämnesval. Stil av träning. Övningsorientering.

Commerzbank AG

Kurs: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Fördjupad täckning av maskininlärning, särskilt neurala nätverk. Demystified mycket av ämnet.

Sacha Nandlall

Kurs: Python for Advanced Machine Learning

Machine Translated

Jag var nytta av passionen att undervisa och fokusera på att göra saker förnuftiga.

Zaher Sharifi - GOSI

Kurs: Advanced Deep Learning

Machine Translated

Om ansikte område.

中移物联网

Kurs: Deep Learning for NLP (Natural Language Processing)

Machine Translated

De informella utbyten vi hade under föreläsningarna hjälpte mig verkligen att fördjupa min förståelse av ämnet

Explore

Kurs: Deep Reinforcement Learning with Python

Machine Translated

Många praktiska tips

Pawel Dawidowski - ABB Sp. z o.o.

Kurs: Deep Learning with TensorFlow

Machine Translated

Mycket information relaterad till implementering av lösningar

Michał Smolana - ABB Sp. z o.o.

Kurs: Deep Learning with TensorFlow

Machine Translated

En mängd praktiska tips och kunskaper om läraren från ett brett spektrum av AI / IT / SQL / IoT-frågor.

ABB Sp. z o.o.

Kurs: Deep Learning with TensorFlow

Machine Translated

mycket information, alla svarade frågor, intressanta exempel

A1 Telekom Austria AG

Kurs: Deep Learning for Telecom (with Python)

Machine Translated

Deep Learning (DL) underkategorier

Deep Learning läroplaner

Kurs Namn

Varaktighet

Översikt

Kurs Namn

Varaktighet

Översikt

Artificial Intelligence in Automotive

14 timmar

Översikt

Kursen täcker AI (med betoning på Machine Learning och Deep Learning ) inom Automotive . Det hjälper till att bestämma vilken teknik som (potentiellt) kan användas i flera situationer i en bil: från enkel automatisering, bildigenkänning till autonomt beslutsfattande.

Deep Learning for Self Driving Cars

21 timmar

Översikt

Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks.

Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.

This instructor-led, live training (onsite or remote) is aimed at developers who wish to build a self-driving car using deep learning techniques.

By the end of this training, participants will be able to:

- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.

Machine Learning and Deep Learning

21 timmar

Översikt

Kursen täcker AI (med betoning på Machine Learning och Deep Learning )

Neural Networks Fundamentals using TensorFlow as Example

28 timmar

Översikt

Denna kurs kommer att ge dig kunskap i neurala nätverk och generellt i maskininlärningsalgoritm, djup inlärning (algoritmer och applikationer).

Den här utbildningen är mer fokuserad på fundament, men hjälper dig att välja rätt teknik: TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Exemplen är gjorda i TensorFlow .

Neural computing – Data science

14 timmar

Översikt

Denna klassbaserad träning kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar för att genomföra med relevanta neurala och djupa nätbibliotek.

OpenFace: Creating Facial Recognition Systems

14 timmar

Översikt

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 .

OpenNMT: Setting Up a Neural Machine Translation System

7 timmar

Översikt

I denna instruktörsledda, liveträning, kommer deltagarna att lära sig hur man ställer in och använder OpenNMT att genomföra översättning av olika exempeldata. Kursen börjar med en översikt över neurala nätverk eftersom de gäller maskinöversättning. Deltagarna kommer att genomföra liveövningar under hela kursen för att visa sin förståelse för de lärda koncepten och få feedback från instruktören.

I slutet av denna utbildning kommer deltagarna att ha den kunskap och praxis som krävs för att implementera en Live OpenNMT lösning.

Prover av käll- och målspråk kommer att ordnas i enlighet med publikens krav.

Kursformat

- Delföreläsning, delvis diskussion, tung praktisk övning

OpenNN: Implementing Neural Networks

14 timmar

Översikt

I den här instruktörsledda, liveträningen går vi igenom principerna för neurala nätverk och använder OpenNN att implementera en provapplikation.

Kursformat

- Föreläsning och diskussion i kombination med praktiska övningar.

PaddlePaddle

21 timmar

Översikt

PaddlePaddle (PArallel Distributed Deep LEarning) är en skalbar djup lärplattform utvecklad av Baidu I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig hur man använder PaddlePaddle för att möjliggöra djupt lärande i sina produkt- och tjänsteprogram Vid slutet av denna utbildning kommer deltagarna att kunna: Ställ in och konfigurera PaddlePaddle Ställ in ett konvolutionellt neuralt nätverk (CNN) för bildigenkänning och objektdetektering Ställ in ett återkommande neuralt nätverk (RNN) för sentimentanalys Ställ in djupt lärande på rekommendationssystem för att hjälpa användare att hitta svar Beräkna klickfrekvens (CTR), klassificera storskaliga bildsatser, utföra optisk teckenigenkänning (OCR), rangsökningar, upptäcka datavirus och implementera ett rekommendationssystem Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Python for Advanced Machine Learning

21 timmar

Översikt

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 .

Advanced Machine Learning with R

21 timmar

Översikt

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 .

Mastering Apache SINGA

21 timmar

Översikt

SINGA är en allmänt distribuerad plattform för djup inlärning för utbildning av stora djupa inlärningsmodeller över stora datasätt. Den är utformad med en intuitiv programmeringsmodell baserad på skiktabstraktionen. En mängd populära djupa inlärningsmodeller stöds, nämligen framåtriktade modeller inklusive inblandade neurala nätverk (CNN), energimodeller som begränsad Boltzmann-maskin (RBM) och återkommande neurala nätverk (RNN). Många inbyggda lager tillhandahålls för användare. SINGA-arkitekturen är tillräckligt flexibel för att köra synkron, asynkron och hybrid träningsramar. SINGA stöder också olika neurala nätpartitioneringsscheman för att parallellisera utbildningen av stora modeller, nämligen partitionering på batchdimension, funktionsdimension eller hybridpartitionering.

Publik

Kursen riktar sig till forskare, ingenjörer och utvecklare som försöker använda Apache SINGA som en djup inlärningsram.

Efter avslutad kurs kommer delegaterna att:

- förstå SINGAs struktur och implementeringsmekanismer
- kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration
- kunna bedöma kodkvalitet, utföra felsökning, övervakning
- kunna implementera avancerad produktion som träningsmodeller, inbäddningsvillkor, bygga grafer och logga

Matlab for Deep Learning

14 timmar

Översikt

I denna instruktörsledda, liveträning kommer deltagarna att lära sig att använda Matlab för att designa, bygga och visualisera ett invändigt neuralt nätverk för bildigenkänning.

I slutet av denna träning kommer deltagarna att kunna:

- Bygg en djup inlärningsmodell
- Automatisera datamärkning
- Arbeta med modeller från Caffe och TensorFlow - Keras
- Träna data med hjälp av flera GPU er, molnet eller kluster

Publik

- utvecklare
- ingenjörer
- Domänexperter

Kursformat

- Delföreläsning, delvis diskussion, övningar och tung praktisk övning

T2T: Creating Sequence to Sequence Models for Generalized Learning

7 timmar

Översikt

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 .

Deep Learning with TensorFlow 2.0

21 timmar

Översikt

TensorFlow är ett populärt bibliotek och maskininlärningsbibliotek utvecklat av Go ogle för djup inlärning, numerisk beräkning och storskalig maskininlärning. TensorFlow 2.0, som släpptes i januari 2019, är den senaste versionen av TensorFlow och inkluderar förbättringar i ivriga utföranden, kompatibilitet och API-konsistens.

Den här instruktörsledda, liveutbildningen (på plats eller fjärrkontroll) riktar sig till utvecklare och datavetare som vill använda Tensorflow 2.0 för att bygga prediktorer, klassificerare, generativa modeller, neurala nätverk och så vidare.

I slutet av denna träning kommer deltagarna att kunna:

- Installera och konfigurera TensorFlow 2.0.
- Förstå fördelarna med TensorFlow 2.0 jämfört med tidigare versioner.
- Bygg djupa inlärningsmodeller.
- Implementera en avancerad bildklassificerare.
- Distribuera en djup inlärningsmodell till moln-, mobil- och IoT-enheter.

Kursformat

- Interaktiv föreläsning och diskussion.
- Massor av övningar och träning.
- Praktisk implementering i en levande labbmiljö.

Alternativ för kursanpassning

- För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.
- För mer TensorFlow om TensorFlow , besök: https://www.tensorflow.org/

TensorFlow Serving

7 timmar

Översikt

TensorFlow Serving är ett system för att betjäna modeller för maskininlärning (ML) till produktion.

I denna instruktörsledda, live-träning kommer deltagarna att lära sig att konfigurera och använda TensorFlow Serving för att distribuera och hantera ML-modeller i en produktionsmiljö.

I slutet av denna träning kommer deltagarna att kunna:

- Träna, exportera och servera olika TensorFlow modeller
- Testa och distribuera algoritmer med en enda arkitektur och uppsättning API: er
- TensorFlow Servering för att tjäna andra typer av modeller utöver TensorFlow modeller

Publik

- utvecklare
- Datavetare

Kursformat

- Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Deep Learning with TensorFlow

21 timmar

Översikt

TensorFlow är ett 2: a generationens API för Go ogles öppna källkodsbibliotek för Deep Learning . Systemet är utformat för att underlätta forskning inom maskininlärning och för att göra det snabbt och enkelt att övergå från forskningsprototyp till produktionssystem.

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för sina Deep Learning projekt

Efter avslutad kurs kommer delegaterna att:

- förstå TensorFlow struktur och distributionsmekanismer
- kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration
- kunna bedöma kodkvalitet, utföra felsökning, övervakning
- kunna implementera avancerad produktion som träningsmodeller, bygga grafer och logga

TensorFlow for Image Recognition

28 timmar

Översikt

Denna kurs undersöker, med specifika exempel, tillämpningen av Tensor Flow för syftena med bildigenkänning

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för TensorFlow

Efter avslutad kurs kommer deltagarna att kunna:

- förstå TensorFlow struktur och distributionsmekanismer
- utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
- utvärdera kodkvalitet, utföra felsökning, övervakning
- implementera avancerad produktion som träningsmodeller, bygga grafer och logga

Torch for Machine and Deep Learning

21 timmar

Översikt

Torch är ett bibliotek för öppen källkodsmaskin och ett vetenskapligt datoramverk baserat på Lua programmeringsspråk. Det tillhandahåller en utvecklingsmiljö för numerik, maskininlärning och datorsyn, med särskild tonvikt på djup inlärning och invändiga nät. Det är en av de snabbaste och mest flexibla ramarna för maskin och Deep Learning och används av företag som Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel och många andra.

I denna instruktörsledda, liveträning täcker vi principerna för Torch , dess unika funktioner och hur den kan tillämpas i verkliga applikationer. Vi går igenom många praktiska övningar hela tiden, demonstrerar och övar de lärda koncepten.

I slutet av kursen kommer deltagarna att ha en grundlig förståelse av Torch underliggande funktioner och kapacitet samt dess roll och bidrag inom AI-rymden jämfört med andra ramverk och bibliotek. Deltagarna kommer också ha fått nödvändig praxis för att implementera Torch i sina egna projekt.

Kursformat

- Översikt över maskin- och Deep Learning
- Kodnings- och integrationsövningar i klassen
- Testfrågor strö på vägen för att kontrollera förståelsen

TPU Programming: Building Neural Network Applications on Tensor Processing Units

7 timmar

Översikt

Tensor Processing Unit (TPU) är den arkitektur som Google har använt internt i flera år och blir just nu tillgänglig för allmänheten Den innehåller flera optimeringar specifikt för användning i neurala nätverk, inklusive strömlinjeformad matrismultiplicering och 8bit heltal istället för 16bit för att återställa lämpliga precisionsnivåer I den här instruktionsledda träningspasset lär deltagarna att dra nytta av innovationerna i TPU-processorer för att maximera prestanda för sina egna AI-applikationer Vid slutet av träningen kommer deltagarna att kunna: Träna olika typer av neurala nätverk på stora mängder data Använd TPU: er för att påskynda inferensprocessen med upp till två storleksordningar Använd TPU för att bearbeta intensiva applikationer som bildsökning, molnsyn och foton Publik utvecklare forskare ingenjörer Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Natural Language Processing with TensorFlow

35 timmar

Översikt

TensorFlow ™ är ett open source-programbibliotek för numerisk beräkning med dataflödesdiagram SyntaxNet är ett nätverkssystem för naturliga språkbehandling för TensorFlow Word2Vec används för att lära vektorrepresentationer av ord, kallad "word embeddings" Word2vec är en särskilt beräkningsmässig effektiv predictive modell för att lära sig inbäddningar från rå text Den kommer i två smaker, den kontinuerliga BagofWords-modellen (CBOW) och SkipGram-modellen (kapitel 31 och 32 i Mikolov et al) Används i tandem, SyntaxNet och Word2Vec tillåter användare att generera Learned Embedding-modeller från Natural Language-inmatning Publik Kursen riktar sig till Utvecklare och ingenjörer som avser att arbeta med SyntaxNet och Word2Vec-modeller i sina TensorFlow-diagram Efter avslutad kurs kommer deltagare att: förstå TensorFlows struktur och implementeringsmekanismer kunna utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration kunna bedöma kodkvalitet, utföra felsökning, övervakning kunna implementera avancerad produktion som träningsmodeller, inbäddning av termer, bygggrafer och loggning .

Understanding Deep Neural Networks

35 timmar

Översikt

Denna kurs börjar med att ge dig konceptuell kunskap i neurala nätverk och generellt i maskininlärningsalgoritm, djupinlärning (algoritmer och applikationer).

Del-1 (40%) av denna utbildning är mer fokus på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denna utbildning introducerar Theano - ett pythonbibliotek som gör det enkelt att skriva djupa inlärningsmodeller.

Del-3 (40%) av utbildningen skulle i stor utsträckning baseras på Tensorflow - 2nd Generation API of Go ogles open source software bibliotek 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 delegaterna att:

-

ha god förståelse för djupa neurala nätverk (DNN), CNN och RNN

-

förstå TensorFlow struktur och distributionsmekanismer

-

kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration

-

kunna bedöma kodkvalitet, utföra felsökning, övervakning

-

kunna implementera avancerad produktion som träningsmodeller, bygga grafer och logga

Microsoft Cognitive Toolkit 2.x

21 timmar

Översikt

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 .

Deep Learning with Keras

21 timmar

Översikt

keras är en hög nivå neurala nätverk API för snabb utveckling och experiment. Det körs ovanpå TensorFlow, CNTK, eller theano.

denna instruktörsledda, levande utbildning (på plats eller fjärrkontroll) riktar sig till tekniska personer som vill tillämpa djup inlärnings modell för bild igenkännings program.

i slutet av denna utbildning kommer deltagarna att kunna:

- installera och konfigurera keras.
- snabbt prototyp djupa inlärnings modeller.
- implementera en convolutional nätverk.
- implementera ett återkommande nätverk.
- kör en djup Learning-modell på både en CPU och GPU.

format för kursen

- interaktiv föreläsning och diskussion.
- massor av övningar och praktik.
- hands-on implementering i en Live-lab miljö.

kurs anpassnings alternativ

- att begära en skräddarsydd utbildning för denna kurs, kontakta oss för att ordna.
- om du vill veta mer om keras, besök: https://keras.io/

Artificial Neural Networks, Machine Learning, Deep Thinking

21 timmar

Översikt

Artificial Neural Network är en beräkningsmodell som används vid utvecklingen av Artificial Intelligence (AI) -system som kan utföra "intelligenta" uppgifter. Neural Networks används ofta i Machine Learning (ML) -applikationer, som själva är en implementering av AI. Deep Learning är en delmängd av ML.

Deep Learning for Banking (with Python)

28 timmar

Översikt

Maskininlärning är en gren av artificiell intelligens där datorer har förmågan att lära sig utan att uttryckligen programmeras. Djupt lärande är ett underfält av maskininlärning som använder metoder baserade på lärandedata-representationer och strukturer som neurala nätverk. Python är ett programmeringsspråk på hög nivå känd för sin tydliga syntax och kodläsbarhet.

I denna instruktörsledda, live-utbildning, kommer deltagarna att lära sig att implementera djupa inlärningsmodeller för bank med Python när de går igenom skapandet av en djup inlärningsriskmodell.

I slutet av denna träning kommer deltagarna att kunna:

- Förstå de grundläggande begreppen djup inlärning
- Lär dig applikationer och användningar av djup inlärning i bank
- Använd Python , Keras och TensorFlow att skapa djupa inlärningsmodeller för bank
- Bygg upp sin egen djupa inlärningsriskmodell med Python

Publik

- utvecklare
- Datavetare

Kursformat

- Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Applied AI from Scratch

28 timmar

Översikt

This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.

Artificial Neural Networks, Machine Learning and Deep Thinking

21 timmar

Översikt

Deep Learning for Vision with Caffe

21 timmar

Översikt

Caffe är en djup inlärningsram skapad med uttryck, snabbhet och modularitet i åtanke.

Denna kurs undersöker tillämpningen av Caffe som ett djupet lärande ramverk för bildigenkänning med hjälp av MNIST som ett exempel

Publik

Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda Caffe som ramverk.

Efter avslutad kurs kommer deltagarna att kunna:

- förstå Caffe struktur och implementeringsmekanismer
- utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
- utvärdera kodkvalitet, utföra felsökning, övervakning
- implementera avancerad produktion som träningsmodeller, implementera lager och loggning

Introduction to Deep Learning

21 timmar

Översikt

Kursen är en allmän översikt för Deep Learning utan att gå för djupt in i några specifika metoder. Det är lämpligt för människor som vill börja använda Deep learning för att förbättra deras noggrannhet i förutsägelse.

Andra regioner

;Östergötland Stockholm Uppsala Skåne Västra Götaland Västmanland Örebro

Andra länder

Dessa kurser finns också i andra länder ››

Konsult

Helg DL (Deep Learning) kurs, kvällDeep Learning utbildning, Deep Learning (DL) bootcamp, DL (Deep Learning) instruktörledd, Helg DL (Deep Learning) utbildning, Kväll DL (Deep Learning) kurs, Deep Learning coaching, Deep Learning instruktör, DL (Deep Learning) tränare, Deep Learning kurs, DL (Deep Learning) klasser, DL (Deep Learning) on-site, Deep Learning (DL) privata kurser, Deep Learning en till en utbildning