Deep Learning kurser och utbildning

Stable Diffusion är en kraftfull modell för djupinlärning som kan generera detaljerade bilder baserat på textbeskrivningar.Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare på medelnivå till avancerad nivå, maskininlärningsingenjörer, forskare inom djupinlärning och experter på datorseende som vill utöka sina kunskaper och färdigheter inom djupinlärning för text-till -bildgenerering.I slutet av denna utbildning kommer deltagarna att kunna:

Förstå avancerade djupinlärningsarkitekturer och tekniker för text-till-bild-generering. Implementera komplexa modeller och optimeringar för bildsyntes av hög kvalitet. Optimera prestanda och skalbarhet för stora datamängder och komplexa modeller. Justera hyperparametrar för bättre modellprestanda och generalisering. Integrera Stable Diffusion med andra ramar och verktyg för djupinlärning.

Kursens format

Interaktiv föreläsning och diskussion. Mycket övningar och träning. Praktisk implementering i en live-lab-miljö.

Kursanpassningsalternativ

För att begära en skräddarsydd utbildning för denna kurs, vänligen kontakta oss för att ordna

DeepSpeed är ett optimeringsbibliotek för djupinlärning som gör det lättare att skala modeller för djupinlärning på distribuerad hårdvara. DeepSpeed har utvecklats av Microsoft och integreras med PyTorch för att ge bättre skalning, snabbare utbildning och förbättrat resursutnyttjande.Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare på nybörjare till medelnivå och maskininlärningsingenjörer som vill förbättra prestandan för sina modeller för djupinlärning.I slutet av denna utbildning kommer deltagarna att kunna:

Förstå principerna för distribuerad djupinlärning. Installera och konfigurera DeepSpeed. Skala modeller för djupinlärning på distribuerad hårdvara med hjälp av DeepSpeed. Implementera och experimentera med DeepSpeed-funktioner för optimering och minneseffektivitet.

Kursens format

Interaktiv föreläsning och diskussion. Mycket övningar och övningar. Praktisk implementering i en live-lab-miljö.

Kursanpassningsalternativ

För att begära en skräddarsydd utbildning för denna kurs, vänligen kontakta oss för att ordna.

Large Language Models (LLM) är modeller för djupa neurala nätverk som kan generera naturliga språktexter baserat på en given input eller kontext. De tränas på stora mängder textdata från olika domäner och källor, och de kan fånga de syntaktiska och semantiska mönstren i naturligt språk. LLM har uppnått imponerande resultat på olika naturliga språkuppgifter som textsammanfattning, frågesvar, textgenerering och mer.Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till utvecklare på nybörjarnivå till medelnivå som vill använda stora språkmodeller för olika naturliga språkuppgifter.I slutet av denna utbildning kommer deltagarna att kunna:

Skapa en utvecklingsmiljö som inkluderar en populär LLM. Skapa en grundläggande LLM och finjustera den på en anpassad datauppsättning. Använd LLM:er för olika naturliga språkuppgifter som textsammanfattning, frågesvar, textgenerering och mer. Felsöka och utvärdera LLM:er med hjälp av verktyg som TensorBoard, PyTorch Lightning och Hugging Face Dataset.

Kursens format

Interaktiv föreläsning och diskussion. Mycket övningar och övningar. Praktisk implementering i en live-lab-miljö.

Kursanpassningsalternativ

För att begära en skräddarsydd utbildning för denna kurs, vänligen kontakta oss för att ordna.

AlphaFold är ett Artificial Intelligence (AI) system som utför förutsägelsen av proteinstrukturer. Det är utvecklat av Alphabet’s/Google’s DeepMind som ett djupt lärande system som kan noggrant förutsäga 3D-modeller av proteinstrukturer. Denna instruktörledda, levande utbildning (online eller online) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använder AlphaFold modeller som guider i sina experimentella studier. Vid slutet av denna utbildning kommer deltagarna att kunna:

Förstå de grundläggande principerna för AlphaFold. Lär dig hur AlphaFold fungerar. Lär dig hur du tolkar AlphaFold förutsägelser och resultat.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

Stable Diffusion är en kraftfull modell för djupinlärning som kan generera detaljerade bilder baserat på textbeskrivningar.Den här instruktörsledda, liveutbildningen (online eller på plats) riktar sig till datavetare, maskininlärningsingenjörer och datorseendeforskare som vill utnyttja Stable Diffusion för att generera högkvalitativa bilder för en mängd olika användningsfall.I slutet av denna utbildning kommer deltagarna att kunna:

Förstå principerna för Stable Diffusion och hur det fungerar för bildgenerering. Bygg och träna Stable Diffusion modeller för bildgenereringsuppgifter. Tillämpa Stable Diffusion på olika scenarier för bildgenerering, till exempel inpainting, outpainting och bild-till-bild översättning. Optimera prestanda och stabilitet för Stable Diffusion modeller.

Kursens format

Interaktiv föreläsning och diskussion. Mycket övningar och övningar. Praktisk implementering i en live-lab-miljö.

Kursanpassningsalternativ

För att begära en skräddarsydd utbildning för denna kurs, vänligen kontakta oss för att ordna

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 .

Deep Reinforcement Learning hänvisar till förmågan hos en "konstgjord agent" att lära sig genom trial-and-error och belöningar-och-bestraffningar. Ett artificiellt medel syftar till att efterlikna en människas förmåga att erhålla och konstruera kunskap på egen hand, direkt från råa input som vision. För att förverkliga förstärkningsinlärning används djupinlärning och neurala nätverk. Förstärkningsinlärning skiljer sig från maskininlärning och förlitar sig inte på övervakade och oövervakade inlärningsmetoder.Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till utvecklare och datavetare som vill lära sig grunderna i Deep Reinforcement Learning när de går igenom skapandet av en Deep Learning Agent.I slutet av denna utbildning kommer deltagarna att kunna:

Förstå nyckelbegreppen bakom Deep Reinforcement Learning och kunna skilja det från Machine Learning. Använd avancerade Reinforcement Learning algoritmer för att lösa verkliga problem. Bygg en Deep Learning agent.

Kursens format

Interaktiv föreläsning och diskussion. Mycket övningar och övningar. Praktisk implementering i en live-lab-miljö.

Kursanpassningsalternativ

För att begära en skräddarsydd utbildning för denna kurs, vänligen kontakta oss för att ordna.

Maskinlärning är en gren av artificiell intelligens där datorer har förmågan att lära sig utan att vara explicit programmerade. Djup lärande är ett underfält av maskininlärning som använder metoder baserade på lärandata representationer och strukturer som neurala nätverk. Python är ett högnivåprogrammeringsspråk känd för sin tydliga syntax och kodläsbarhet. I denna instruktörledda, live-utbildning kommer deltagarna att lära sig hur man implementerar djuplärningsmodeller för telecom med hjälp av Python när de går igenom skapandet av en djuplärande kreditriskmodell. Vid slutet av denna utbildning kommer deltagarna att kunna:

Förstå de grundläggande begreppen djupt lärande. Lär dig applikationerna och användningarna av djupt lärande i telecom. Använd Python, Keras och TensorFlow för att skapa djuplärningsmodeller för telecom. Bygg din egen djuplärande kundchurn prognosmodell med hjälp av Python.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

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 .

Denna kurs täcker AI (emphasizing Machine Learning och Deep Learning) i Automotive Industri. Det hjälper till att bestämma vilken teknik som kan (potentiellt) användas i flera situationer i en bil: från enkel automatisering, bildupplysning till självständigt beslutsfattande.

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.

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.

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

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.

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.

Introduktion:Deep learning håller på att bli en huvudkomponent i framtida produktdesign som vill införliva artificiell intelligens i hjärtat av sina modeller. Inom de kommande 5 till 10 åren kommer utvecklingsverktyg för djupinlärning, bibliotek och språk att bli standardkomponenter i varje verktygssats för mjukvaruutveckling. Hittills Google har Sales Force, Facebook, Amazon framgångsrikt använt djuplärande AI för att stärka sin verksamhet. Applikationerna sträckte sig från automatisk maskinöversättning, bildanalys, videoanalys, rörelseanalys, generering av riktade annonser och många fler.Dessa kurser riktar sig till de organisationer som vill införliva Deep Learning som en mycket viktig del av sin produkt- eller tjänststrategi. Nedan följer en översikt över djupinlärningskursen som vi kan skräddarsy för olika nivåer av anställda/intressenter i en organisation.Målgrupp:(Beroende på målgrupp kommer kursmaterial att anpassas)CheferEn allmän översikt över AI och hur det passar in i företagets strategi, med breakout-sessioner om strategisk planering, tekniska färdplaner och resursallokering för att säkerställa maximalt värde.ProjektledareHur man planerar ett AI-projekt, inklusive datainsamling och utvärdering, datasanering och verifiering, utveckling av en proof-of-concept-modell, integration i affärsprocesser och leverans över hela organisationen.UtvecklareDjupgående tekniska utbildningar, med fokus på neurala nätverk och djupinlärning, bild- och videoanalys (CNN), ljud- och textanalys (NLP) och att föra in AI i befintliga applikationer.SäljareEn allmän översikt över AI och hur det kan tillfredsställa kundernas behov, värdeförslag för olika produkter och tjänster och hur man dämpar rädslor och främjar fördelarna med AI.

Djupt lärande eller djupt strukturerat lärande är en undergrupp av maskininlärning som involverar flera lager av nätverk för att bygga prognosmodeller. Det används i stor utsträckning i stora branscher som hälso- och sjukvård, e-handel, bank, tillverkning, automotive, etc. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till affärsanalytiker, datavetenskapsmän och utvecklare som vill bygga och implementera djuplärningsmodeller för att påskynda inkomsttillväxt och lösa problem i affärsvärlden. Vid slutet av denna utbildning kommer deltagarna att kunna:

Förstå kärnkonceptet för maskininlärning och djupinlärning. Få insikter om framtiden för företag och bransch med ML och DL. Definiera affärsstrategier och lösningar med djup lärande. Lär dig hur du tillämpar datavetenskap och djup lärande i att lösa affärsproblem. Skapa djupa lärande mönster med Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

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. R är ett populärt programmeringsspråk inom finansbranschen. Det används i finansiella applikationer som sträcker sig från kärnhandelsprogram till riskhanteringssystem. I denna instruktörsledda, live-utbildning, kommer deltagarna att lära sig att implementera djupa inlärningsmodeller för ekonomi med R när de går igenom skapandet av en djup inlärning av aktiekursmodell. I slutet av denna träning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen djup inlärning
• Lär dig applikationer och användningar av djup inlärning inom ekonomi
• Använd R för att skapa djupa inlärningsmodeller för ekonomi
• Bygg upp sin egen djupa inlärning av aktiekursmodell med R

Publik

• utvecklare
• Datavetare

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

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

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. R är ett populärt programmeringsspråk inom finansbranschen. Det används i finansiella applikationer som sträcker sig från kärnhandelsprogram till riskhanteringssystem. I denna instruktörsledda, live-utbildning kommer deltagarna att lära sig att implementera djupa inlärningsmodeller för bank med R 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 R för att skapa djupa inlärningsmodeller för bank
• Bygg upp sin egen djupa inlärnings kreditriskmodell med R

Publik

• utvecklare
• Datavetare

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

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 ekonomi med Python när de går igenom skapandet av en djup inlärning av aktiekursmodell. I slutet av denna träning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen djup inlärning
• Lär dig applikationer och användningar av djup inlärning inom ekonomi
• Använd Python , Keras och TensorFlow att skapa djupa inlärningsmodeller för ekonomi
• Bygg upp sin egen djupa inlärning av aktiekursmodell med Python

Publik

• utvecklare
• Datavetare

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Machine Learning är en gren av artificiell intelligens där datorer har förmågan att lära sig utan att vara explicit programmerade. Deep Learning är ett underfält av Machine Learning som försöker imitera människans hjärnans arbete vid beslutsfattande. Det utbildas med data för att automatiskt ge lösningar på problem. Deep Learning ger stora möjligheter för den medicinska industrin som sitter på en data guldmin. I denna instruktörledda, levande träning kommer deltagarna att delta i en serie diskussioner, övningar och fallstudieanalys för att förstå grunderna i Deep Learning. De viktigaste Deep Learning verktygen och teknikerna kommer att utvärderas och övningar kommer att utföras för att förbereda deltagarna för att utföra sin egen utvärdering och genomförande av Deep Learning lösningar inom sina organisationer. Vid slutet av denna utbildning kommer deltagarna att kunna:

Förstå grunderna i Deep Learning Lär Deep Learning tekniker och deras tillämpningar i branschen Undersök problem i medicin som kan lösas med Deep Learning tekniker Utforska Deep Learning fallstudier i medicin Formulera en strategi för att anta de senaste teknikerna i Deep Learning för att lösa problem i medicin

Publiken

ledare Medicinska yrkesverksamma i ledarroller

Format av kursen

Delvis föreläsning, delvis diskussion, övningar och tung praxis

anteckningar

För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

Hälso- och sjukvårdsproblem kan upptäckas genom analys av bilder som MRI-skanningar. Att använda djup lärande för att bearbeta bilder kan leda till upptäckter som tidigare inte kan uppnås av mänsklig inspektion ensam. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till utvecklare och datavetenskapsmän som vill tillämpa konvolutionella nervnät (CNN) till analysen av MRI-skanningar. Vid slutet av denna utbildning kommer deltagarna att kunna:

Installera och konfigurera den nödvändiga utvecklingsmiljö, programvara och bibliotek för att börja utveckla. Analysera MRI-bilder med hjälp av djup lärande tekniker som CNNs. Upptäck potentiella hälsotillstånd som hjärtsjukdom genom MRI-skanning. Applicera tekniker som bildsegmentering och CNN-utbildning för att identifiera potentiella sjukdomar. Identifiera genomikerna av en sjukdom med hjälp av radiomik. Bygg och implementera en djuplärande applikation med fokus på hälso- och sjukvårdsbildsanalys.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

Publik Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda tillgängliga verktyg (mestadels öppen källkod) för att analysera datorbilder Kursen ger fungerande exempel.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig att använda DSSTNE för att bygga en rekommendationsapplikation. I slutet av denna träning kommer deltagarna att kunna:

• Träna en rekommendationsmodell med glesa datasätt som input
• Skala utbildning och förutsägelse modeller över flera GPU er
• Sprid ut beräkning och lagring på ett modellparallellt sätt
• Generera Amazon-liknande anpassade produktrekommendationer
• Distribuera en produktionsklar applikation som kan skala vid stora arbetsbelastningar

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

I denna instruktörledda, levande träning lär deltagarna hur man använder Facebook NMT (Fairseq) för att utföra översättning av provinnehåll. Vid slutet av denna utbildning kommer deltagarna att ha de kunskaper och praxis som behövs för att genomföra en live Fairseq-baserad maskinöversättningslösning. Format av kursen

Delvis föreläsning, delvis diskussion, tung praxis

anteckningar

Om du vill använda specifikt käll- och riktade språkinnehåll, vänligen kontakta oss för att arrangera.

Typ: Teoretisk utbildning med tillämpningar beslutade uppströms med eleverna på Lasagne eller Keras enligt den pedagogiska gruppen Lärningsmetod: presentation, utbyte och fallstudier Konstgjord intelligens, efter att ha stört många vetenskapliga områden, började revolutionera ett stort antal ekonomiska sektorer (industri, medicin, kommunikation etc.). Ändå är dess presentation i stora medier ofta fantasi, långt borta från vad som verkligen är områdena Machine Learning eller Deep Learning . Syftet med denna utbildning är att ge ingenjörer som redan har behärskning av datorverktyg (inklusive en programvarubaseringsbas) en introduktion till Deep Learning och dess olika specialiseringsområden och därför till de huvudsakliga befintliga nätverksarkitekturerna. idag. Om de matematiska grunderna återkallas under kursen rekommenderas en matematiknivå av typ BAC + 2 för mer komfort. Det är absolut möjligt att hoppa över den matematiska axeln för att bara behålla en "system" -vision, men denna strategi kommer att begränsa din förståelse av ämnet kraftigt.

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

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 .

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