Deep Learning Kurzusok

A Stable Diffusion egy hatékony mélytanulási modell, amely szöveges leírások alapján tud részletes képeket generálni.Ez az oktató által vezetett, élő képzés (online vagy helyszíni) középhaladó és haladó szintű adattudósoknak, gépi tanulási mérnököknek, mély tanulással foglalkozó kutatóknak és számítógépes látásszakértőknek szól, akik szeretnék bővíteni tudásukat és készségeiket a mélytanulásban a szövegre. - képgenerálás.A képzés végére a résztvevők képesek lesznek:

Ismerje meg a fejlett mély tanulási architektúrákat és technikákat a szövegből képpé generáláshoz. Valósítson meg összetett modelleket és optimalizálásokat a kiváló minőségű képszintézis érdekében. Optimalizálja a teljesítményt és a méretezhetőséget nagy adatkészletekhez és összetett modellekhez. Hangolja be a hiperparamétereket a jobb modellteljesítmény és általánosítás érdekében. Integrálja a Stable Diffusion-t más mély tanulási keretrendszerekkel és eszközökkel.

A tanfolyam formátuma

Interaktív előadás és beszélgetés. Sok gyakorlat és gyakorlat. Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

A DeepSpeed egy mély tanulási optimalizálási könyvtár, amely megkönnyíti a mély tanulási modellek méretezését elosztott hardvereken. Az Microsoft által kifejlesztett DeepSpeed a PyTorch-val integrálva jobb skálázást, gyorsabb képzést és jobb erőforrás-felhasználást biztosít.Ez az oktató által vezetett, élő képzés (online vagy helyszíni) kezdő és középszintű adattudósoknak és gépi tanulási mérnököknek szól, akik szeretnék javítani mélytanulási modelljeik teljesítményét.A képzés végére a résztvevők képesek lesznek:

Ismerje meg az elosztott mély tanulás alapelveit. Telepítse és konfigurálja a DeepSpeed-et. Méretezheti a mély tanulási modelleket elosztott hardveren a DeepSpeed segítségével. Valósítsa meg és kísérletezzen a DeepSpeed funkciókkal az optimalizálás és a memória hatékonysága érdekében.

A tanfolyam formátuma

Interaktív előadás és beszélgetés. Sok gyakorlat és gyakorlat. Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

AlphaFold egy Artificial Intelligence (AI) rendszer, amely a fehérje szerkezetek előrejelzését végzi. Az Alphabet’s/Google’s DeepMind fejlesztette ki, mint egy mély tanulási rendszer, amely pontosan megjósolhatja a fehérje szerkezetek 3D modelleit. Ez az oktató által vezetett, élő képzés (online vagy online) olyan biológusokra irányul, akik meg akarják érteni, hogy AlphaFold hogyan működik és használja AlphaFold modelleket kísérleti tanulmányai útmutatóként. A képzés befejezése után a résztvevők képesek lesznek:

Ismerje meg az alapvető elvek AlphaFold. Ismerje meg, hogyan működik AlphaFold. Ismerje meg, hogyan kell értelmezni AlphaFold előrejelzéseket és eredményeket.

A kurzus formája

Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.

Szakképesítési lehetőségek

Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.

A Stable Diffusion egy erőteljes mély tanulási modell, amely szöveges leírások alapján tud részletes képeket generálni.Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak, gépi tanulási mérnököknek és számítógépes látáskutatóknak szól, akik szeretnék kihasználni Stable Diffusion-t, hogy kiváló minőségű képeket állítsanak elő különféle felhasználási esetekben.A képzés végére a résztvevők képesek lesznek:

Ismerje meg a Stable Diffusion alapelveit és a képgenerálás működését. Építsen és képezzen Stable Diffusion modelleket képgenerálási feladatokhoz. Alkalmazza a Stable Diffusion-t különféle képgenerálási forgatókönyvekre, mint például a befestés, az outpainting és a kép-kép fordítás. Optimalizálja Stable Diffusion modellek teljesítményét és stabilitását.

A tanfolyam formátuma

Interaktív előadás és beszélgetés. Sok gyakorlat és gyakorlat. Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

Ebben az oktatott, élő képzésben a résztvevők megtanulják a legfontosabb és legelterjedtebb gépi tanulási technikákat a Pythonban, miközben olyan demó alkalmazásokat készítenek, amelyek képeket, zenéket, szövegeket és pénzügyi adatokat tartalmaznak A képzés végére a résztvevők képesek lesznek: Gépi tanulási algoritmusok és technikák végrehajtása komplex problémák megoldásához Alapos tanulás és félig felügyelt tanulás alkalmazása a képeket, zenéket, szöveget és pénzügyi adatokat tartalmazó alkalmazásokhoz Nyomja a Python algoritmusokat a maximális potenciáljukhoz Használjon olyan könyvtárakat és csomagokat, mint a NumPy és a Theano Közönség Fejlesztők Az elemzők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

A Deep Reinforcement Learning egy "mesterséges ágens" képességére utal, hogy próba és hiba, valamint jutalom és büntetés útján tanuljon. A mesterséges ágensek célja, hogy utánozzák az ember azon képességét, hogy önálló tudást szerezzenek és alkossanak, közvetlenül a nyers inputokból, például a látásból. A megerősített tanulás megvalósításához mély tanulást és neurális hálózatokat használnak. A megerősített tanulás különbözik a gépi tanulástól, és nem támaszkodik felügyelt és nem felügyelt tanulási megközelítésekre.Ez az oktató által vezetett, élő képzés (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik szeretnék megtanulni a Deep Reinforcement Learning alapjait, miközben egy Deep Learning ügynök létrehozásán lépnek keresztül.A képzés végére a résztvevők képesek lesznek:

Ismerje meg a Deep Reinforcement Learning mögött meghúzódó kulcsfogalmakat, és tudja megkülönböztetni a Machine Learning-tól. Speciális Reinforcement Learning algoritmusok alkalmazása valós problémák megoldására. Építs Deep Learning ügynököt.

A tanfolyam formátuma

Interaktív előadás és beszélgetés. Sok gyakorlat és gyakorlat. Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

A gépi tanulás a mesterséges intelligencia ágazata, amelyben a számítógépek képesek megtanulni anélkül, hogy kifejezetten programozódnának. A mélytanulás a gépi tanulás olyan alterülete, amely a tanulási adatok képviseletén és szerkezetén alapuló módszereket használ, mint például a neurális hálózatok. Python egy magas szintű programozási nyelv híres a világos szintax és a kódolhatóság. Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan kell végrehajtani a mélyreható tanulási modelleket a távközlési használathoz Python miközben a mélyreható tanulási hitelkockázati modell létrehozásán keresztül haladnak. A képzés befejezése után a résztvevők képesek lesznek:

Ismerje meg a mély tanulás alapvető fogalmát. Ismerje meg a mélytanulás alkalmazásait és használatait a telecomban. Használja Python, Keras, és TensorFlow létrehozása mély tanulási modellek a távközlési. Hozzon létre saját mélyreható tanulási ügyfél előrejelzési modell segítségével Python.

A kurzus formája

Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.

Szakképesítési lehetőségek

Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.

A projektor beágyazása egy nyílt forráskódú webes alkalmazás, amely a gépi tanulási rendszerek vonatozásához használt adatok vizualizálására szolgál A Google által létrehozott része a TensorFlow része Ez az oktatott, élő képzés bemutatja az Embedding Projector mögött álló fogalmakat, és a résztvevőket egy demo projekt létrehozásával végzi A képzés végére a résztvevők képesek lesznek: Fedezze fel, hogyan értelmezik az adatokat a gépi tanulási modellek Keresse meg a 3D és a 2D nézet adatokat, hogy megértse, hogyan értelmezi a gépi tanulási algoritmus Megérteni a beágyazások mögött rejlő fogalmakat és azok szerepét a matematikai vektorok ábrázolásához képekhez, szavakhoz és számokhoz Fedezze fel egy adott beágyazás tulajdonságait, hogy megértse a modell viselkedését Alkalmazzon beágyazási projektet a realworld-alkalmazásokra, ilyen például a zenés szerelmeseinek szóló dal ajánlásrendszere Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.

Ez a kurzus általános áttekintés a Deep Learning anélkül, hogy túlságosan mélyen belépnénk a konkrét módszerekbe. Alkalmas azok számára, akik el akarják kezdeni a Deep learning használatát, hogy növeljék az előrejelzés pontosságát.

A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.

A gépi tanulás a mesterséges intelligencia ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. A mélyreható tanulás a gépi tanulás almezője, amely olyan módszereket használ, amelyek tanulási adatok reprezentációján és struktúráin alapulnak, mint például a neurális hálózatok.

Caffe egy mély tanulási keretrendszer, melyet kifejezést, sebességet és modularitást szem előtt tartanak. Ez a kurzus a Caffe alkalmazásának mélyreható tanulási keretrendszerét vizsgálja a képfelismeréshez MNIST példaként Közönség Ez a kurzus alkalmas a Deep Learning kutatók és mérnökök számára, akik érdeklődnek a Caffe keretrendszerének felhasználásáról. A kurzus befejezése után a küldöttek:

• megértsék a Caffe szerkezetét és a telepítési mechanizmusokat
• telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
• a kód minőségének értékelése, hibakeresés, monitorozás
• fejlett gyártást, például képzési modelleket, rétegeket és naplózást valósít meg

Közönség Ez a tanfolyam alkalmas Deep Learning és mérnökök számára, akik a rendelkezésre álló eszközök (többnyire nyílt forráskódú) felhasználásáról érdeklődnek a számítógépes képek elemzése céljából Ez a tanfolyam példákat mutat be.

Ez a kurzus magában foglalja az AI (emphasizing Machine Learning és Deep Learning) az iparban. Segít meghatározni, hogy melyik technológia (potenciálisan) használható több helyzetben egy autóban: az egyszerű automatizálástól, a képfelismeréstől az autonóm döntéshozatalig.

Ez a tanfolyam kiterjed az AI-re (hangsúlyozva a Machine Learning és a Deep Learning )

Ebben az oktató által vezetett, élő képzésben áttekintjük a neurális hálózatok alapelveit, és a OpenNN segítségével megvalósítunk egy minta alkalmazást.A tanfolyam formátumaElőadás és beszélgetés gyakorlati gyakorlatokkal egybekötve.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell az OpenNMT t beállítani és használni a különféle mintaadatok fordításához. A tanfolyam a gépi fordításra alkalmazandó ideghálózatok áttekintésével kezdődik. A résztvevők az egész kurzuson élő gyakorlatokat végeznek, hogy megmutassák a megtanult fogalmak megértését és visszajelzéseket kapnak az oktatóktól. A képzés végére a résztvevők rendelkeznek az élő OpenNMT megoldás megvalósításához szükséges ismeretekkel és gyakorlattal. A forrás- és célnyelvi mintákat a közönség igényei szerint előre elkészítjük.

A tantárgy formátuma

• Rész előadás, rész vita, nehéz gyakorlati gyakorlat

Típus: Elméleti képzés olyan alkalmazásokkal, amelyeket a pedagógiai csoport szerint a Lasagne vagy Keras hallgatókkal előre meghatároztunk Oktatási módszer: prezentáció, csereprogramok és esettanulmányok A mesterséges intelligencia, miután sok tudományos területet felbomlott, számos gazdasági ágazat (ipar, orvostudomány, kommunikáció stb.) Forradalmát kezdte. Ennek ellenére a nagy médiában való bemutatása gyakran fantázia, nagyon messze attól, ami valójában a Machine Learning vagy a Deep Learning . Ez a képzés célja, hogy bemutassa a Deep Learning és annak különféle szakterületeit, és ezáltal a meglévő főbb hálózati architektúrákat a már meglévő számítógépes eszközök elsajátításával (ideértve a szoftveres programozási alapot is). ma. Ha a matematikai alapokat visszahívják a tanfolyam során, akkor a nagyobb kényelem érdekében a BAC + 2 típusú matematikai szint ajánlott. Teljesen lehetséges, hogy kihagyja a matematikai tengelyt, hogy csak "rendszer" látást tartson fenn, de ez a megközelítés nagyban korlátozza a tárgy megértését.

Ebben az oktató-vezérelt, élő képzésben a résztvevők megtanulják, hogyan kell használni Facebook NMT (Fairseq) a minta tartalmának fordításához. A képzés befejezése előtt a résztvevők rendelkeznek a szükséges ismeretekkel és gyakorlatokkal, hogy egy élő Fairseq-alapú gépi fordítási megoldást hajtsanak végre. A kurzus formázása

Részes előadás, részes vita, nehéz gyakorlati gyakorlat

Megjegyzések

Ha konkrét forrás- és célnyelvi tartalmat szeretne használni, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.

A Microsoft Cognitive Toolkit 2x (korábban CNTK) egy nyílt forráskódú, kereskedelmi forgalomba hozatal eszköztár, amely a mély tanulási algoritmusokat tanítja az emberi agyhoz hasonlóan A Microsoft szerint a CNTK 510x-rel gyorsabb lehet, mint a TensorFlow a visszatérő hálózatokon, és 2-3-szor gyorsabb, mint a TensorFlow az imagerelated feladatokhoz Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Microsoft Cognitive Toolkit használatát a mélytengeri tanulási algoritmusok létrehozásához, képzéséhez és értékeléséhez kereskedelmi forgalomban kapható AI alkalmazásokhoz, amelyek többféle típusú adatokat, például adatokat, beszédeket, szövegeket és képeket tartalmaznak A képzés végére a résztvevők képesek lesznek: A CNTK könyvtárként való elérése Python, C # vagy C ++ programból A CNTK mint önálló gépi tanulási eszköz a saját modellleíró nyelvén (BrainScript) Használja a CNTK modellértékelési funkcióját egy Java programból Kombináljuk az előremenő DNN-eket, a konvolúciós hálókat (CNN) és a visszatérő hálózatokat (RNN / LSTM) Méretezési kapacitás CPU-n, GPU-kon és több gépen Hatalmas adatkészletek elérése a meglévő programozási nyelvek és algoritmusok segítségével Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Ha szeretné testre szabni a képzés bármely részét, beleértve a választott programozási nyelvet, kérjük, vegye fel velünk a kapcsolatot .

A PaddlePaddle (PArallel Distributed Deep LEarning) egy skálázható mélytanulási platform, amelyet Baidu fejlesztett ki Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a PaddlePaddle használatát, hogy lehetővé tegyék a mély tanulás lehetőségét a termék- és szolgáltatásalkalmazásokban A képzés végére a résztvevők képesek lesznek: Állítsa be és konfigurálja a PaddlePaddle-t Konvolúciós neurális hálózat (CNN) létrehozása a képfelismeréshez és az objektumok észleléséhez Állítson be egy visszatérő neurális hálózatot (RNN) az érzelemelemzéshez Állítsa be mély tanulásukat az ajánlórendszerekre, hogy segítsen a felhasználóknak megtalálni a válaszokat Az átkattintási arányok (CTR) előrejelzése, nagy méretű képkészletek osztályozása, optikai karakterfelismerés (OCR) végrehajtása, keresések rangsorolása, számítógépes vírusok felderítése és ajánlórendszer alkalmazása Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell használni a DSSTNE-t egy ajánlási alkalmazás felépítéséhez. A képzés végére a résztvevők képesek lesznek:

• Támogassa az ajánlási modellt ritka adatkészletekkel
• Méretezési és előrejelzési modellek több GPU
• Terjessze el a számítást és a tárolást modell-párhuzamos módon
• Készítsen Amazon-szerű, személyre szabott termékjavaslatokat
• Telepítsen egy gyártásra kész alkalmazást, amely méretezhető nagy munkaterhelés esetén

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

A Tensor2Tensor (T2T) egy moduláris, bővíthető könyvtár az AI modellek különböző feladatokban történő kiképzéséhez, különböző típusú képzési adatok felhasználásával, például: képfelismerés, fordítás, elemzés, képaláírás és beszédfelismerés Ezt a Google Brain csapat fenntartja Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan készítsenek mélyreható modellt több feladat megoldására A képzés végére a résztvevők képesek lesznek: Telepítse a tenzor2tenzort, válasszon ki egy adatkészletet, és képelje és értékelje az AI modellt Testreszabhatja a fejlesztői környezetet a Tensor2Tensor által biztosított eszközök és komponensek használatával Egyetlen modell létrehozása és használata egyidejűleg több domainből származó feladatok megtanulásával Használja a modellt, hogy megtanuljon nagy mennyiségű képzési adatból származó feladatokat, és alkalmazza azokat a feladatokra, ahol az adatok korlátozottak Megfelelő feldolgozási eredményeket kap egyetlen GPU használatával Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

Az OpenFace Python és Torch alapú nyílt forráskódú, valós idejű arcfelismerő szoftver, amely a Google FaceNet kutatásán alapul Ebben az oktatott, élő képzésben a résztvevők megtudják, hogyan használják az OpenFace komponenseit egy minta arcfelismerő alkalmazás létrehozásához és telepítéséhez A képzés végére a résztvevők képesek lesznek: Munka OpenFace komponenseivel, beleértve a dlib-t, az OpenVC-t, a Torch-ot és az nn4-et az arcfelismerés, az illesztés és az átalakítás megvalósításához Alkalmazza az OpenFace-et realworld alkalmazásokra, mint például a felügyelet, a személyazonosság ellenőrzése, a virtuális valóság, a játék és az ismétlődő ügyfelek azonosítása stb Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

Ebben az oktatott, élő edzésben a résztvevők megtanulják a gépi tanulás R-vel kapcsolatos fejlett technikáit, miközben áttérnek egy valós világi alkalmazás létrehozására A képzés végére a résztvevők képesek lesznek: Használja a technikákat hiperparaméterek hangolásának és mélytanulásának Értelmezni és végrehajtani a felügyelet nélküli tanulási technikákat Tegyen egy modellt a gyártáshoz egy nagyobb alkalmazáshoz Közönség Fejlesztők Az elemzők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to:

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. A mély tanulás a gépi tanulás alterülete, amely az adatok reprezentációján és struktúráin, például neurális hálókon alapuló módszereket használ. R a pénzügyi iparban népszerű programozási nyelv. A pénzügyi alkalmazásokban használják, az alapkereskedelmi programoktól kezdve a kockázatkezelési rendszerekig. Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan valósítsák meg a mélyreható tanulási modelleket az R felhasználásával, miközben egy mély tanulási részvényárak előrejelzési modelljének létrehozásával lépnek át. A képzés végére a résztvevők képesek lesznek:

• Megérteni a mély tanulás alapvető fogalmait
• Ismerje meg a mélyreható tanulás alkalmazásait és felhasználásait a pénzügyek területén
• Használja az R billentyűt mélyreható tanulási modellek létrehozásához a pénzügyekhez
• Készítsen saját mélyreható tanulási tőzsdei előrejelzési modellt R segítségével

Közönség

• Fejlesztők
• Adattudósok

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:

• Understand the fundamental concepts of deep learning
• Learn the applications and uses of deep learning in banking
• Use Python, Keras, and TensorFlow to create deep learning models for banking
• Build their own deep learning credit risk model using Python

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. A mély tanulás a gépi tanulás alterülete, amely az adatok reprezentációján és struktúráin, például neurális hálókon alapuló módszereket használ. R a pénzügyi iparban népszerű programozási nyelv. A pénzügyi alkalmazásokban használják, az alapkereskedelmi programoktól kezdve a kockázatkezelési rendszerekig. Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan valósíthatók meg mélyreható tanulási modellek a bankok számára az R segítségével, miközben egy mélyreható tanulási hitelkockázati modellt készítenek. A képzés végére a résztvevők képesek lesznek:

• Megérteni a mély tanulás alapvető fogalmait
• Ismerje meg a mélyreható tanulás alkalmazásokat és felhasználásait a banki szolgáltatásokban
• Az R gombbal alapos tanulási modelleket hozhat létre a bankok számára
• Készítsen saját mélyreható tanulási hitelkockázati modellt R segítségével

Közönség

• Fejlesztők
• Adattudósok

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat