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
Jag uppskattade verkligen kristallklara svaren på Chris till våra frågor.
Léo Dubus
Kurs: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
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
sätt att leda och exempel ges av tränaren
ORANGE POLSKA S.A.
Kurs: Machine Learning and Deep Learning
Machine Translated
Möjlighet att diskutera de föreslagna frågorna själv
ORANGE POLSKA S.A.
Kurs: Machine Learning and Deep Learning
Machine Translated
Kommunikation med föreläsare
文欣 张
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Gilla det
lisa xie
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Fördjupad täckning av maskininlärning, särskilt neurala nätverk. Demystified mycket av ämnet.
Sacha Nandlall
Kurs: Python for Advanced Machine Learning
Machine Translated
Stor och aktuell kunskap om ledande och praktiska tillämpningsexempel.
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Många övningar, mycket bra samarbete med gruppen.
Janusz Chrobot - ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
arbeta på colaborators,
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Det var uppenbart att entusiasterna av de presenterade ämnena ledde fram. Används intressanta exempel under träning.
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Ett brett spektrum av ämnen och omfattande kunskaper om ledarna.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
brist
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Stor teoretisk och praktisk kunskap om lärarna. Kommunikativitet av tränare. Under kursen kan du ställa frågor och få tillfredsställande svar.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Praktisk del, där vi implementerade algoritmer. Detta möjliggjorde en bättre förståelse av ämnet.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
övningar och exempel genomförda på dem
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Exempel och problem diskuterade.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Väsentlig kunskap, engagemang, ett passionerat sätt att överföra kunskap. Praktiska exempel efter en teoretisk föreläsning.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Praktiska övningar utarbetade av Mr Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
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
Mänsklig identifiering och kretskort dålig punkt detektering
王 春柱 - 中移物联网
Kurs: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Visa
中移物联网
Kurs: Deep Learning for NLP (Natural Language Processing)
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
Jag började med nästan noll kunskap, och i slutet kunde jag bygga och utbilda mina egna nätverk.
Huawei Technologies Duesseldorf GmbH
Kurs: TensorFlow for Image Recognition
Machine Translated
Deep Learning (DL) underkategorier
Deep Learning läroplaner
Kurs Namn
Varaktighet
Översikt
Kurs Namn
Varaktighet
Översikt
7 timmar
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.
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.
21 timmar
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 .
21 timmar
Djup Reinforcement Learning hänvisar till förmågan för en "artificiell agent" att lära sig genom försöks- och fel- och belopp- och straff. En kunstlig agent syftar till att emulare en mänsklig ' förmåga att uppnå och konstruera kunskaper på sin egen, direkt från råinslag som vision. För att uppnå stärka lärning används djupa lärning och neuralnät. Lärning av återkraft är annorlunda från maskinlärning och litar inte på övervakade och oövervakade lärningsmetoder.
I denna instruktör, levd utbildning, kommer deltagare att lära grundläggande grundläggande på Djup Reinforcement Learning när de steg genom skapandet av en Deep Learning agent.
I slutet av denna utbildning kommer deltagare att kunna:
Förstå de viktigaste koncepterna bakom Djup Reinforcement Learning och kunna skilja den från Machine Learning Använda avancerade Reinforcement Learning algoritmer för att lösa verkliga världsproblem Bygga en Deep Learning Agent
Huvudställning
Utvecklar Datavetenskapliga
Formatet av kursen
Delföreläsning, deldiskussion, övningar och tung handspraxis
I denna instruktör, levd utbildning, kommer deltagare att lära grundläggande grundläggande på Djup Reinforcement Learning när de steg genom skapandet av en Deep Learning agent.
I slutet av denna utbildning kommer deltagare att kunna:
Förstå de viktigaste koncepterna bakom Djup Reinforcement Learning och kunna skilja den från Machine Learning Använda avancerade Reinforcement Learning algoritmer för att lösa verkliga världsproblem Bygga en Deep Learning Agent
Huvudställning
Utvecklar Datavetenskapliga
Formatet av kursen
Delföreläsning, deldiskussion, övningar och tung handspraxis
28 timmar
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.
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.
14 timmar
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 .
21 timmar
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.
21 timmar
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.
21 timmar
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.
28 timmar
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.
21 timmar
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
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
21 timmar
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.
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.
14 timmar
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.
21 timmar
Kursen täcker AI (med betoning på Machine Learning och Deep Learning )
14 timmar
I denna instruktör-ledda, live-utbildning, går vi över principerna för nervnät och använder OpenNN för att genomföra en provansökan.
Format av kursen
Läsning och diskussion tillsammans med praktiska övningar.
Format av kursen
Läsning och diskussion tillsammans med praktiska övningar.
7 timmar
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
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
21 timmar
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.
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.
7 timmar
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.
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.
21 timmar
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 .
21 timmar
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 .
7 timmar
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 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
7 timmar
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 .
14 timmar
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 .
21 timmar
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 .
14 timmar
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
28 timmar
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
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
28 timmar
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability.
In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.
By the end of this training, participants will be able to:
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.
By the end of this training, participants will be able to:
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
28 timmar
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
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
28 timmar
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
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
21 timmar
Introduktion till:
Djup lärande blir en viktig komponent i framtida produktdesign som vill införliva artificiell intelligens i hjärtat av sina modeller. Under de närmaste 5 till 10 åren kommer djuplärande utvecklingsverktyg, bibliotek och språk att bli standardkomponenter i varje mjukvaruutvecklingsverktyg. Hittills Google, Sales Force, Facebook, Amazon har framgångsrikt använt djup lärande AI för att öka sin verksamhet. Applikationer varierar från automatisk maskinöversättning, bildanalys, videoanalys, rörelseanalys, generera riktad reklam och mycket mer.
Kursen riktar sig till de organisationer som vill integrera Deep Learning som en mycket viktig del av sin produkt- eller tjänststrategi. Nedan är utformningen av den djupa inlärningskursen som vi kan anpassa till olika nivåer av anställda / deltagare i en organisation.
Målgruppens målgrupp:
(Beroende på målgruppen kommer kursmaterialet att anpassas)
verkställande
En allmän översikt över AI och hur den passar in i företagsstrategin, med avbrottssessioner om strategisk planering, teknikvägar och resursutdelning för att säkerställa maximal värde.
Projektledare
Hur man planerar ett AI-projekt, inklusive datainsamling och utvärdering, datarening och verifiering, utveckling av en bevis-of-koncept modell, integration i affärsprocesser och leverans över hela organisationen.
Utvecklare
Djup teknisk utbildning, med inriktning på neurala nätverk och djup lärande, bild- och videoanalys (CNNs), ljud- och textanalys (NLP), och att föra AI in i befintliga applikationer.
Säljare
En överblick över AI och hur den kan tillfredsställa kundernas behov, värdeförslag för olika produkter och tjänster, och hur man lindrar rädslor och främjar fördelarna med AI.
Djup lärande blir en viktig komponent i framtida produktdesign som vill införliva artificiell intelligens i hjärtat av sina modeller. Under de närmaste 5 till 10 åren kommer djuplärande utvecklingsverktyg, bibliotek och språk att bli standardkomponenter i varje mjukvaruutvecklingsverktyg. Hittills Google, Sales Force, Facebook, Amazon har framgångsrikt använt djup lärande AI för att öka sin verksamhet. Applikationer varierar från automatisk maskinöversättning, bildanalys, videoanalys, rörelseanalys, generera riktad reklam och mycket mer.
Kursen riktar sig till de organisationer som vill integrera Deep Learning som en mycket viktig del av sin produkt- eller tjänststrategi. Nedan är utformningen av den djupa inlärningskursen som vi kan anpassa till olika nivåer av anställda / deltagare i en organisation.
Målgruppens målgrupp:
(Beroende på målgruppen kommer kursmaterialet att anpassas)
verkställande
En allmän översikt över AI och hur den passar in i företagsstrategin, med avbrottssessioner om strategisk planering, teknikvägar och resursutdelning för att säkerställa maximal värde.
Projektledare
Hur man planerar ett AI-projekt, inklusive datainsamling och utvärdering, datarening och verifiering, utveckling av en bevis-of-koncept modell, integration i affärsprocesser och leverans över hela organisationen.
Utvecklare
Djup teknisk utbildning, med inriktning på neurala nätverk och djup lärande, bild- och videoanalys (CNNs), ljud- och textanalys (NLP), och att föra AI in i befintliga applikationer.
Säljare
En överblick över AI och hur den kan tillfredsställa kundernas behov, värdeförslag för olika produkter och tjänster, och hur man lindrar rädslor och främjar fördelarna med AI.
14 timmar
Denna klassbaserad träning kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar för att genomföra med relevanta neurala och djupa nätbibliotek.
Last Updated:
Kommande Deep Learning Kurser
Python and Deep Learning with OpenCV 4
2022-07-04 09:30
14 timmar
Deep Learning for Medicine
2022-07-05 09:30
14 timmar
Deep Learning for Healthcare
2022-07-12 09:30
14 timmar
Deep Learning for Telecom (with Python)
2022-07-26 09:30
28 timmar
Hardware-Accelerated Video Analytics
2022-07-28 09:30
14 timmar
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
