Lokala instruktörsutbildningar för levande neurala nätverk visar genom interaktiva diskussioner och handson-övningar hur man konstruerar neurala nätverk med hjälp av ett antal främst opensource-verktyg och bibliotek samt hur man utnyttjar kraften i avancerad maskinvara (GPU) och optimeringstekniker som innefattar distribuerad databehandling och stora data Våra neurala nätverkskurser bygger på populära programmeringsspråk som Python, Java, R-språk och kraftfulla bibliotek, inklusive TensorFlow, Torch, Caffe, Theano och mer Våra neurala nätverkskurser omfattar både teori och implementering med hjälp av ett antal neurala nätverk implementeringar som Deep Neural Networks (DNN), Convolutional Neural Networks (CNN) och Recurrent Neural Networks (RNN) Neural Network Training är tillgänglig som "live training" eller "remote live training" 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
Ann skapade en bra miljö för att ställa frågor och lära sig. Vi hade mycket roligt och lärde oss också mycket på samma gång.
Gudrun Bickelq
Kurs: Introduction to the use of neural networks
Machine Translated
Den interaktiva delen, skräddarsydd för våra specifika behov.
Thomas Stocker
Kurs: Introduction to the use of neural networks
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
Jag gillade de nya insikterna i djup maskininlärning.
Josip Arneric
Kurs: Neural Network in R
Machine Translated
Vi fick lite kunskap om NN i allmänhet, och det som var mest intressant för mig var de nya typerna av NN som är populära idag.
Tea Poklepovic
Kurs: Neural Network in R
Machine Translated
Jag tyckte mest om graferna i R :))).
Faculty of Economics and Business Zagreb
Kurs: Neural Network in R
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
Jag uppskattade verkligen kristallklara svaren på Chris till våra frågor.
Léo Dubus
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Tränaren förklarade mycket enkelt svåra och avancerade ämnen.
Leszek K
Kurs: Artificial Intelligence Overview
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
många övningar som jag direkt kan använda i mitt arbete.
Alior Bank S.A.
Kurs: Neural Network in R
Machine Translated
Exempel på reella data.
Alior Bank S.A.
Kurs: Neural Network in R
Machine Translated
neuralnet, pROC i en slinga.
Alior Bank S.A.
Kurs: Neural Network in R
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
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
Tränaren var en professionell inom ämnesområdet och relaterad teori med tillämpning utmärkt
Fahad Malalla - Tatweer Petroleum
Kurs: Applied AI from Scratch in Python
Machine Translated
Neural Networks underkategorier
Neural Networks 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.
21 timmar
Översikt
Mekatronik (aka mechatronic engineering) är en kombination av mekanik, elektronik och datavetenskap.
Denna instruktörsledda, live-utbildning (på plats eller fjärrkontroll) riktar sig till ingenjörer som vill lära sig om tillämpningen av konstgjord intelligens på mekatroniska system.
I slutet av denna träning kommer deltagarna att kunna:
- Få en översikt över artificiell intelligens, maskininlärning och beräkningsintelligens.
- Förstå begreppen neurala nätverk och olika inlärningsmetoder.
- Välj effektiva metoder för konstgjord intelligens för verkliga problem.
- Implementera AI-applikationer i mekatronisk teknik.
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.
Denna instruktörsledda, live-utbildning (på plats eller fjärrkontroll) riktar sig till ingenjörer som vill lära sig om tillämpningen av konstgjord intelligens på mekatroniska system.
I slutet av denna träning kommer deltagarna att kunna:
- Få en översikt över artificiell intelligens, maskininlärning och beräkningsintelligens.
- Förstå begreppen neurala nätverk och olika inlärningsmetoder.
- Välj effektiva metoder för konstgjord intelligens för verkliga problem.
- Implementera AI-applikationer i mekatronisk teknik.
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.
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 .
7 timmar
Översikt
Snorkel är ett system för snabb skapande, modellering och hantering av träningsdata Det fokuserar på att påskynda utvecklingen av strukturerade eller "mörka" datautvinningsapplikationer för domäner där stora märkta träningssatser inte är tillgängliga eller lättillgängliga I denna instruktionsledda träningspraktik lär deltagarna tekniker för att extrahera värdet från ostrukturerad data, såsom text, tabeller, figurer och bilder genom modellering av träningsdata med Snorkel Vid slutet av denna utbildning kommer deltagarna att kunna: Skapa programmässigt träningssatser för att möjliggöra märkning av massiva träningssatser Träna högkvalitativa slutmodeller genom att först modellera bullriga träningssatser Använd Snorkel för att implementera svaga övervakningstekniker och tillämpa dataprogrammering till svagt lyssnade systeminlärningssystem Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .
14 timmar
Översikt
Denna kurs är en introduktion till tillämpning av neurala nätverk i verkliga problem med R-projektprogram.
14 timmar
Översikt
A recommender system is an information filtering process that predicts the user's preferences. Python can be used to program deep learning, machine learning, and neural network recommender systems to help users discover new products and content.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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 Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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
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 .
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.
14 timmar
Översikt
Denna klassbaserad träning kommer att innehålla presentationer och datorbaserade exempel och fallstudieövningar för att genomföra med relevanta neurala och djupa nätbibliotek.
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 .
7 timmar
Översikt
Utbildningen riktar sig till personer som vill lära sig grunderna i neurala nätverk och deras tillämpningar.
21 timmar
Översikt
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 .
14 timmar
Översikt
I denna instruktörsledda, liveträning kommer deltagarna att lära sig att använda Matlab för att designa, bygga och visualisera ett invändigt neuralt nätverk för bildigenkänning.
I slutet av denna träning kommer deltagarna att kunna:
- Bygg en djup inlärningsmodell
- Automatisera datamärkning
- Arbeta med modeller från Caffe och TensorFlow - Keras
- Träna data med hjälp av flera GPU er, molnet eller kluster
Publik
- utvecklare
- ingenjörer
- Domänexperter
Kursformat
- Delföreläsning, delvis diskussion, övningar och tung praktisk övning
I slutet av denna träning kommer deltagarna att kunna:
- Bygg en djup inlärningsmodell
- Automatisera datamärkning
- Arbeta med modeller från Caffe och TensorFlow - Keras
- Träna data med hjälp av flera GPU er, molnet eller kluster
Publik
- utvecklare
- ingenjörer
- Domänexperter
Kursformat
- Delföreläsning, delvis diskussion, övningar och tung praktisk övning
7 timmar
Översikt
Kursen har skapats för chefer, lösningar arkitekter, innovationsofficer, CTOs, software arkitekter och alla som är intresserade av en överblick över tillämpad artificiell intelligens och närmaste prognos för sin utveckling.
21 timmar
Översikt
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.
14 timmar
Översikt
Encog är en open source-maskininlärningsram för Java ochNet I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig hur man skapar olika neurala nätverkskomponenter med hjälp av ENCOG Realworld fallstudier diskuteras och maskinbaserade lösningar på dessa problem kommer att undersökas Vid slutet av denna utbildning kommer deltagarna att kunna: Förbered data för neurala nätverk med hjälp av normaliseringsprocessen Genomföra foder framåt nätverk och propagation träning metoder Genomföra klassificerings- och regressionsuppgifter Modell och träna neurala nätverk med hjälp av Encogs GUI-baserade arbetsbänk Integrera neuralt nätverkstöd till realworld-applikationer Publik utvecklare analytiker Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .
14 timmar
Översikt
Encog är en open source-maskininlärningsram för Java ochNet I den här instruktörsledda träningen kommer deltagarna att lära sig avancerade maskininlärningstekniker för att bygga exakta neurala nätverksprediktiga modeller Vid slutet av denna utbildning kommer deltagarna att kunna: Implementera olika optimeringstekniker för neurala nätverk för att lösa underfitting och överfitting Förstå och välj från ett antal neurala nätverksarkitekturer Implementera övervakade feed forward och feedback nätverk Publik utvecklare analytiker Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .
21 timmar
Översikt
Deep Reinforcement Learning hänvisar till förmågan hos ett "konstgjordt medel" att lära genom prövning och fel och belöningar och straff. Ett konstgjort medel syftar till att efterlikna människans förmåga att få och konstruera kunskap på egen hand, direkt från råa insatser som vision. För att förverkliga förstärkningslärande används djup inlärning och neurala nätverk. Förstärkningslärande skiljer sig från maskininlärning och förlitar sig inte på övervakade och oövervakade inlärningsmetoder.
I denna instruktörsledda, liveträning kommer deltagarna att lära sig grunderna för Deep Reinforcement Learning när de går igenom skapandet av ett Deep Learning Agent.
I slutet av denna träning kommer deltagarna att kunna:
- Förstå nyckelbegreppen bakom Deep Reinforcement Learning och kunna skilja det från Machine Learning
- Använd avancerade algoritmer för förstärkning av lärande för att lösa problem i verkliga världen
- Bygg ett Deep Learning Agent
Publik
- utvecklare
- Datavetare
Kursformat
- Delföreläsning, delvis diskussion, övningar och tung praktisk övning
I denna instruktörsledda, liveträning kommer deltagarna att lära sig grunderna för Deep Reinforcement Learning när de går igenom skapandet av ett Deep Learning Agent.
I slutet av denna träning kommer deltagarna att kunna:
- Förstå nyckelbegreppen bakom Deep Reinforcement Learning och kunna skilja det från Machine Learning
- Använd avancerade algoritmer för förstärkning av lärande för att lösa problem i verkliga världen
- Bygg ett Deep Learning Agent
Publik
- utvecklare
- Datavetare
Kursformat
- Delföreläsning, delvis diskussion, övningar och tung praktisk övning
21 timmar
Översikt
Denna instruktörsledda, livekurs ger en introduktion till området mönsterigenkänning och maskininlärning. Den berör praktiska tillämpningar inom statistik, datavetenskap, signalbehandling, datorvision, data mining och bioinformatik.
Kursen är interaktiv och innehåller massor av praktiska övningar, instruktöråterkoppling och testning av förvärvade kunskaper och färdigheter.
Kursen är interaktiv och innehåller massor av praktiska övningar, instruktöråterkoppling och testning av förvärvade kunskaper och färdigheter.
21 timmar
Översikt
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.
14 timmar
Översikt
Denna utbildning är för människor som vill använda Machine Learning i praktiska tillämpningar.
Publik
Denna kurs är för datavetare och statistiker som känner till statistik och vet hur man programmerar R (eller Python eller annat valt språk). Tyngdpunkten i denna kurs ligger på de praktiska aspekterna av data / modellberedning, exekvering, post hoc-analys och visualisering.
Syftet är att ge praktiska applikationer för Machine Learning till deltagare som är intresserade av att tillämpa metoderna på jobbet.
Sektorspecifika exempel används för att göra utbildningen relevant för publiken.
Publik
Denna kurs är för datavetare och statistiker som känner till statistik och vet hur man programmerar R (eller Python eller annat valt språk). Tyngdpunkten i denna kurs ligger på de praktiska aspekterna av data / modellberedning, exekvering, post hoc-analys och visualisering.
Syftet är att ge praktiska applikationer för Machine Learning till deltagare som är intresserade av att tillämpa metoderna på jobbet.
Sektorspecifika exempel används för att göra utbildningen relevant för publiken.
28 timmar
Översikt
Detta är en fyra dagars kurs som introducerar AI och dess applikation med Python programmeringsspråket. Det finns ett alternativ att ha en ytterligare dag för att genomföra ett AI-projekt efter avslutad kurs.
28 timmar
Översikt
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 timmar
Översikt
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.
35 timmar
Översikt
Kursen är skapad för personer som inte har tidigare erfarenhet av sannolikhet och statistik .
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
Andra länder
Konsult
Helg Neural Networks kurs, kvällNeural Networks utbildning, Neural Networks bootcamp, Neural Networks instruktörledd, Helg Neural Networks utbildning, Kväll Neural Networks kurs, Neural Networks coaching, Neural Networks instruktör, Neural Networks tränare, Neural Networks kurs, Neural Networks klasser, Neural Networks on-site, Neural Networks privata kurser, Neural Networks 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)")
