Deep Learning kurser och utbildning

Deep Learning kurser och utbildning

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

★★★★★
★★★★★

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.
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
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.
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
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.
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.
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
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.
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.
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
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
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
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
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
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
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.
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

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

Rabatterade kurser

Nyhetsbrev & Erbjudanden

Anmäl dig till vårt nyhetsbrev så får du information om aktuella rabatter på öppna kurser. Vi respekterar ditt privatliv, så att din e-postadress kommer endast att användas för sändning vårt nyhetsbrev. När som helst kan du ändra inställningarna eller helt avbeställa den.

Våra kunder

is growing fast!

We are looking to expand our presence in Sweden!

As a Business Development Manager you will:

  • expand business in Sweden
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!

This site in other countries/regions