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.

Testimonials

★★★★★
★★★★★

Deep Learning underkategorier

Kursplaner från Deep Learning

Title
Duration
Overview
Title
Duration
Overview
14 hours
Overview
Kursen omfattar AI (betonar maskinlärning och djupt lärande) inom bilindustrin Det bidrar till att bestämma vilken teknik som kan användas i flera situationer i en bil: från enkel automatisering, bildigenkänning till autonomt beslutsfattande .
21 hours
Overview
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 hours
Overview
Kursen omfattar AI (betonar maskinlärning och djupt lärande) .
28 hours
Overview
Kursen ger dig kunskaper i neurala nätverk och i allmänhet i maskininlärningsalgoritm, djup inlärning (algoritmer och applikationer) Denna utbildning är mer inriktad på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc Exemplen är gjorda i TensorFlow .
14 hours
Overview
Denna klassrumsbaserade träningssession kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar för att genomföra med relevanta neurala och djupa nätverksbibliotek .
14 hours
Overview
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 hours
Overview
i denna instruktörsledda, levande utbildning, kommer deltagarna lära sig att ställa in och använda OpenNMT att utföra översättning av olika exempel data uppsättningar. Kursen inleds med en översikt över neurala nätverk då de gäller maskin översättning. Deltagarna kommer att genomföra Live-övningar genom hela kursen för att visa sin förståelse för de begrepp som lärs ut och få återkoppling från instruktören.

i slutet av denna utbildning, kommer deltagarna att ha den kunskap och praxis som krävs för att genomföra en levande OpenNMT lösning.

källa och mål språks prov kommer att förordnas per mål grupp & #39; s krav.

format för kursen

- del föreläsning, del diskussion, tung praktisk praxis
14 hours
Overview
OpenNN är ett open-source klassbibliotek skrivet i C ++ som implementerar neurala nätverk, för användning i maskininlärning.

I denna kurs går vi över principerna för neurala nätverk och använder OpenNN för att genomföra en provapplikation.

Publik
Programutvecklare och programmerare som vill skapa Deep Learning-applikationer.

Kursens format
Föreläsning och diskussion i kombination med praktiska övningar.
21 hours
Overview
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 hours
Overview
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 hours
Overview
SINGA är en allmän distribuerad djupläringsplattform för utbildning av stora djupa inlärningsmodeller över stora dataset Den är utformad med en intuitiv programmeringsmodell baserad på lagerabstraktionen En rad populära djupa inlärningsmodeller stöds, nämligen feedforward-modeller, inklusive convolutional neuron networks (CNN), energimodeller som begränsad Boltzmann-maskin (RBM) och återkommande neurala nätverk (RNN) Många inbyggda lager finns för användarna SINGA-arkitekturen är tillräckligt flexibel för att driva synkrona, asynkrona och hybridutbildningsramar SINGA stöder också olika neurala nätpartitioneringssystem för att parallellisera utbildningen av stora modeller, nämligen partitionering på batchdimension, egenskapsdimension eller hybridpartitionering Publik Kursen riktar sig till forskare, ingenjörer och utvecklare som vill utnyttja Apache SINGA som en djup inlärningsram Efter avslutad kurs kommer deltagare 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, inbäddning av termer, bygggrafer och loggning .
14 hours
Overview
I den här instruktionsledda träningen lär deltagarna att lära sig att använda Matlab för att designa, bygga och visualisera ett fällande neuralt nätverk för bildigenkänning Vid slutet av denna utbildning kommer deltagarna att kunna: Bygg en djup inlärningsmodell Automatisera datamärkning Arbeta med modeller från Caffe och TensorFlowKeras Träna data med flera GPU: er, molnet eller klustren Publik utvecklare ingenjörer Domänexperter Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .
7 hours
Overview
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 .
7 hours
Overview
TensorFlow Serving är ett system för servering av maskinlärande (ML) modeller till produktion I den här instruktionsledda träningen lär deltagarna att konfigurera och använda TensorFlow Serving för att distribuera och hantera ML-modeller i en produktionsmiljö Vid slutet av denna utbildning kommer deltagarna att kunna: Tåg, exportera och betjäna olika TensorFlow-modeller Testa och distribuera algoritmer med en enda arkitektur och uppsättning API: er Utök TensorFlow Serving för att betjäna andra typer av modeller utöver TensorFlow-modeller Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .
21 hours
Overview
TensorFlow är ett 2: a generations API för Googles öppna källprogram för Deep Learning Systemet är utformat för att underlätta forskning i 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 deltagare att: förstå TensorFlows struktur och implementeringsmekanismer kunna utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration kunna bedöma kodkvalitet, utföra felsökning, övervakning kunna genomföra avancerad produktion som träningsmodeller, bygggrafer och loggning .
28 hours
Overview
Denna kurs undersöker, med specifika exempel, tillämpningen av Tensor Flow i syfte att bildigenkänning Publik Kursen är avsedd för ingenjörer som vill utnyttja TensorFlow för bildigenkänning Efter avslutad kurs kommer deltagare att kunna: förstå TensorFlows struktur och implementeringsmekanismer utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration bedöma kodkvalitet, utföra felsökning, övervakning implementera avancerad produktion som träningsmodeller, bygggrafer och loggning .
21 hours
Overview
Torch är ett open source-maskininlärningsbibliotek och en vetenskaplig beräkningsram baserad på Lua-programmeringsspråket Det ger en utvecklingsmiljö för numerik, maskininlärning och datorsyn, med särskild tonvikt på djupt lärande och falsningsnät Det är en av de snabbaste och mest flexibla ramarna för maskin och djupt lärande och används av företag som Facebook, Google, Twitter, NVIDIA, AMD, Intel och många andra I den här kursen täcker vi principerna för Torch, dess unika egenskaper och hur det kan appliceras i realworld applikationer Vi går igenom många handsonövningar hela tiden, demonstrerar och övar de begrepp som lärt sig Efter kursens slut kommer deltagarna att ha en grundlig förståelse för Torchs underliggande egenskaper och förmågor samt dess roll och bidrag inom AI-rymden jämfört med andra ramar och bibliotek Deltagarna kommer också att ha fått den praxis som krävs för att implementera Torch i sina egna projekt Publik Programutvecklare och programmerare som vill aktivera maskin och djupt lärande inom sina applikationer Kursens format Översikt över maskin och djupt lärande Inclass-kodning och integrationsövningar Testfrågor ströks under vägen för att kontrollera förståelsen .
7 hours
Overview
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 hours
Overview
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 hours
Overview
Kursen börjar med att ge dig konceptuell kunskap i neurala nätverk och i allmänhet i maskininlärningsalgoritm, djup inlärning (algoritmer och applikationer) Del 1 (40%) av denna utbildning är mer inriktad på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc Part2 (20%) av denna utbildning introducerar Theano ett pythonbibliotek som gör det enkelt att skriva djupa inlärningsmodeller Del 3 (40%) av utbildningen skulle i hög grad baseras på Tensorflow 2nd Generation API för Googles öppna källprogram 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 deltagare att: ha en god förståelse för djupa neurala nätverk (DNN), CNN och RNN förstå TensorFlows struktur och implementeringsmekanismer kunna utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration kunna bedöma kodkvalitet, utföra felsökning, övervakning kunna genomföra avancerad produktion som träningsmodeller, bygggrafer och loggning Inte alla ämnen skulle täckas i ett offentligt klassrum med 35 timmars varaktighet på grund av ämnets storhet Varaktigheten av hela kursen är cirka 70 timmar och inte 35 timmar .
21 hours
Overview
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 hours
Overview
Typ: Teoretisk träning med applikationer bestämd uppströms med studenterna på Lasagne eller Keras enligt den pedagogiska gruppen Undervisningsmetod: presentation, utbyte och fallstudier Artificiell intelligens, efter att ha stört många vetenskapliga områden, började revolutionera ett stort antal ekonomiska sektorer (industri, medicin, kommunikation etc) Ändå är dess presentation i de stora medierna ofta fantasi, väldigt långt från vad som verkligen är områdena Maskininlärning eller Deep Learning Syftet med denna utbildning är att ge ingenjörer som redan har behärskar datorverktyg (inklusive en programvarubaserad bas) en introduktion till Deep Learning och dess olika specialiseringsområden och därmed till de viktigaste befintliga nätverksarkitekturerna idag Om de matematiska baserna återkallas under kursen rekommenderas en nivå av matematik av typ BAC + 2 för ökad komfort Det är absolut möjligt att hoppa över den matematiska axeln för att bara behålla en "systemvision", men detta tillvägagångssätt kommer att begränsa din förståelse av ämnet enormt .
21 hours
Overview
Artificial Neural Network är en beräkningsmodell som används för att utveckla system för intelligent intelligens (AI) som kan utföra "intelligenta" uppgifter. Neurala nätverk används vanligtvis i maskinlärande (ML) applikationer, som själva är en implementering av AI. Deep Learning är en delmängd av ML.
28 hours
Overview
Maskininlärning är en gren av artificiell intelligens där datorer har förmåga att lära sig utan att uttryckligen programmeras Djupinlärning är ett underfält av maskininlärning som använder metoder baserade på att lära sig datarepresentationer och strukturer som neurala nätverk R är ett populärt programmeringsspråk i finansbranschen Den används i finansiella applikationer, allt från grundläggande handelsprogram till riskhanteringssystem I den här instruktörsledda träningen kommer deltagarna att lära sig att implementera djupa inlärningsmodeller för finansiering genom att använda R, eftersom de går igenom skapandet av en djup inlärning av aktiekursutvecklingsmodell Vid slutet av denna utbildning kommer deltagarna att kunna: Förstå de grundläggande begreppen djupt lärande Lär dig applikationer och användningsområden för djupt lärande i ekonomi Använd R för att skapa djupa inlärningsmodeller för ekonomi Bygg din egen djupt lärande aktiekurs förutsägelse modell med hjälp av R Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .
28 hours
Overview
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 hours
Overview
Artificial Neural Network är en beräkningsmodell som används för att utveckla system för intelligent intelligens (AI) som kan utföra "intelligenta" uppgifter. Neurala nätverk används vanligtvis i maskinlärande (ML) applikationer, som själva är en implementering av AI. Deep Learning är en delmängd av ML.
21 hours
Overview
Caffe är ett djupt lärande ramverk med uttryck, hastighet och modularitet i åtanke Kursen undersöker tillämpningen av Caffe som ett djupt lärande för bildigenkänning med MNIST som exempel Publik Kursen är lämplig för Deep Learning forskare och ingenjörer intresserade av att använda Caffe som ramverk Efter avslutad kurs kommer deltagare att kunna: förstå Caffes struktur och implementeringsmekanismer utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration bedöma kodkvalitet, utföra felsökning, övervakning implementera avancerad produktion som träningsmodeller, implementera lager och logga .
21 hours
Overview
Kursen är allmän översikt för Deep Learning utan att gå för djupt i några specifika metoder. Den är lämplig för personer som vill börja använda djupt lärande för att förbättra förutsägelsens noggrannhet.
21 hours
Overview
Deeplearning4j är det första kommersiella, open source-distribuerade deeplearning-biblioteket för Java och Scala Integrerad med Hadoop och Spark, är DL4J utformad för att användas i affärsmiljöer på distribuerade GPU och CPU Publik Kursen riktar sig till ingenjörer och utvecklare som vill utnyttja Deeplearning4j i sina projekt Efter kursen kommer deltagare att kunna: .
21 hours
Overview
Deeplearning4j är en OpenSource DeepLearning-programvara för Java och Scala på Hadoop och Spark Publik Kursen är avsedd för ingenjörer och utvecklare som vill utnyttja DeepLearning4J i sina projekt för bildigenkänning .

Kommande utbildning från Deep Learning

Helg Deep Learning kurser, Evening Deep Learning utbildning, Deep Learning boot camp, Deep Learning instructor-led, Helg Deep Learning kurs, KvällDeep Learning kurser, Deep Learning coaching, Deep Learning instruktör, Deep Learning tränare , Deep Learning träningskurser, Deep Learning klasser, Deep Learning on-site, Deep Learning privata kurser, Deep Learning one on one training

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!