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
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 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 uppskattade verkligen kristallklara svaren på Chris till våra frågor.
Léo Dubus
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
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
Deep Learning (DL) underkategorier
Deep Learning läroplaner
Kurs Namn
Varaktighet
Översikt
Kurs Namn
Varaktighet
Översikt
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.
14 timmar
Översikt
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
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.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
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.
14 timmar
Översikt
Denna klassbaserad träning kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar för att genomföra med relevanta neurala och djupa nätbibliotek.
14 timmar
Översikt
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
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.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
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.
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 .
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
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
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.
Kursformat
- Föreläsning och diskussion i kombination med praktiska övningar.
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 .
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 .
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 .
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 (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) 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.
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 (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) 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.
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
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
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 .
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/
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/
21 timmar
Översikt
TensorFlow Lite is an open source deep learning framework for executing models on mobile and embedded devices with limited compute and memory resources.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
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.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
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.
21 timmar
Översikt
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
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.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
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.
21 timmar
Översikt
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
21 timmar
Översikt
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
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.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
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.
21 timmar
Översikt
TensorFlow Lite for Microcontrollers is a port of TensorFlow Lite designed to run machine learning models on microcontrollers and other devices with limited memory.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
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.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
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.
7 timmar
Översikt
TensorFlow Serving är ett system för att betjäna maskininlärning (ML) modeller till produktion.
I den här lärarledda liveutbildningen får deltagarna lära sig att konfigurera och använda TensorFlow Servering för att distribuera och hantera ML-modeller i en produktionsmiljö.
I slutet av denna utbildning kommer deltagarna att kunna:
- Träna, exportera och betjäna olika TensorFlow modeller
- Testa och distribuera algoritmer med en enda arkitektur och uppsättning API:er
- Utöka TensorFlow Servering för att betjäna andra typer av modeller utöver TensorFlow modeller
Kursens format
- Delföreläsning, deldiskussion, övningar och tunga praktiska övningar
Alternativ för kursanpassning
- För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.
I den här lärarledda liveutbildningen får deltagarna lära sig att konfigurera och använda TensorFlow Servering för att distribuera och hantera ML-modeller i en produktionsmiljö.
I slutet av denna utbildning kommer deltagarna att kunna:
- Träna, exportera och betjäna olika TensorFlow modeller
- Testa och distribuera algoritmer med en enda arkitektur och uppsättning API:er
- Utöka TensorFlow Servering för att betjäna andra typer av modeller utöver TensorFlow modeller
Kursens format
- Delföreläsning, deldiskussion, övningar och tunga praktiska övningar
Alternativ för kursanpassning
- För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.
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
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
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
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
21 timmar
Översikt
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
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.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
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.
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
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
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 .
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 .
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
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
14 timmar
Översikt
Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
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.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
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.
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 .
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 .
21 timmar
Översikt
Kursen täcker AI (med betoning på Machine Learning och Deep Learning )
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
.jpg "procter & gamble (p&g)")
.png "european central bank (ecb)")
.png "european space agency (esa)")
.jpg "international air transport association (iata)")
.jpg "european southern observatory (eso)")
