Deep Learning Kurzusok

Deep Learning Kurzusok

A helyi, oktatott élő Deep Learning (DL) tanfolyamok demonstrálják a Handson gyakorlatban a Deep Learning alapjait és alkalmazási területeit, és fedezik azokat a témákat, mint a mély gépi tanulás, a mély strukturált tanulás és a hierarchikus tanulás A Deep Learning képzés "helyszíni élő képzés" vagy "távoli élő képzés" formájában érhető el A helyszíni élő képzés helyi szinten valósulhat meg az ügyfél telephelyén Magyarország vagy a NobleProg vállalati oktatóközpontjaiban Magyarország A távoli élőképzés interaktív, távoli asztal segítségével történik NobleProg Az Ön Helyi Képzési Szolgáltatója.

Ajánlások

★★★★★
★★★★★

Kurzusleírás

Title
Duration
Overview
Title
Duration
Overview
14 hours
Overview
Ez a kurzus magában foglalja az AI (hangsúlyozva gépi tanulás és mély tanulás) az autóiparban Segít meghatározni, hogy melyik technológia lehet potenciálisan többféle helyzetben egy autóban: egyszerű automatizálásról, képfelismerésről, autonóm döntéshozatalra .
21 hours
Overview
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 .
21 hours
Overview
Ez a kurzus magában foglalja az AI-t (hangsúlyozva a gépi tanulás és a mély tanulás) .
28 hours
Overview
Ez a tanfolyam tudást ad a neurális hálózatokban és általában a gépi tanulási algoritmusban, a mély tanulásban (algoritmusok és alkalmazások) Ez a képzés nagyobb hangsúlyt fektet a fundamentumokra, de segít kiválasztani a megfelelő technológiát: TensorFlow, Caffe, Teano, DeepDrive, Keras, stb A példák a TensorFlow-ban készültek .
14 hours
Overview
Ez az osztálytermi alapú tréning olyan prezentációkat és számítógépes alapú példákat, valamint esettanulmányi feladatokat fog tartalmazni, amelyek a megfelelő idegi és mély hálózati könyvtárakkal .
14 hours
Overview
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 .
7 hours
Overview
Az OpenNMT egy teljesen kifejlesztett, nyílt forrású (MIT) neurális gépi fordítórendszer, amely a Torch matematikai eszköztárat használja Ebben a képzésben a résztvevők megtudják, hogyan kell létrehozni és használni az OpenNMT-t, hogy különböző mintaadat-készleteket lehessen elvégezni A kurzus a neurális hálózatok áttekintésével kezdődik, mivel a gépi fordításra vonatkozik A résztvevők élő gyakorlatokat végeznek az egész tanfolyamon, hogy bemutassák a megszerzett fogalmak megértését és visszajelzést kapjanak az oktatótól A képzés végére a résztvevők rendelkeznek az élő OpenNMT megoldás megvalósításához szükséges ismeretekkel és gyakorlattal A forrást és a célnyelvi mintákat a közönség igényei szerint kell előkészíteni Közönség Helyi szakemberek műszaki háttérrel Globális tartalomkezelők Helyi mérnökök A globális tartalomkezelési megoldásokért felelős szoftverfejlesztők A tanfolyam formátuma Részelőadás, részbeszélgetés, nehéz handson gyakorlat .
14 hours
Overview
Az OpenNN egy nyílt forráskódú osztálykönyvtár, amelyet C ++ -re írtak, és amely neurális hálózatokat valósít meg, gépi tanuláshoz.

Ebben a kurzusban átgondoljuk az ideghálózatok elveit, és használjuk az OpenNN-t egy mintaalkalmazás megvalósítására.

Közönség
A Deep Learning alkalmazások létrehozását kívánó szoftverfejlesztők és programozók.

A tanfolyam formátuma
Előadás és beszélgetés gyakorlati gyakorlattal párosulva.
21 hours
Overview
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 .
21 hours
Overview
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 .
21 hours
Overview
A SINGA egy általánosan elterjedt mélytanulási platform nagyméretű mélytanulási modellek képzésére nagy adattárak felett Intuitív programozási modellt tervez a réteg absztrakció alapján Különféle népszerű mélytanulási modelleket támogatnak, nevezetesen olyan előremenő modelleket, mint a konvolúciós neurális hálózatok (CNN), az energiamodellek, mint például a korlátozott Boltzmann-gép (RBM) és a visszatérő neurális hálózatok (RNN) Számos beépített réteg található a felhasználók számára A SINGA architektúra elég rugalmas ahhoz, hogy szinkron, aszinkron és hibrid képzési kereteket futtasson A SINGA támogatja a különbözõ idegi hálóelosztási rendszereket is, amelyek párhuzamozzák a nagyméretû modellek képzését, nevezetesen a kötegdimenzióra, a funkcióméretre vagy a hibrid particionálásra való felosztást Közönség Ez a kurzus olyan kutatókra, mérnökökre és fejlesztőkre irányul, akik az Apache SINGA-t mély tanulási keretként kívánják felhasználni A kurzus befejezése után a küldöttek: megérteni a SINGA struktúráját és telepítési mechanizmusait képes legyen telepítési / gyártási környezet / építészeti feladatok és konfiguráció végrehajtására képes a kódminőség felmérésére, a hibakeresés végrehajtására, a monitorozásra képesek lesznek olyan fejlett gyártást megvalósítani, mint a képzési modellek, beágyazott kifejezések, grafikonok készítése és naplózás .
14 hours
Overview
Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Matlab használatát a képfelismeréshez szükséges konvolúciós neurális hálózat tervezéséhez, felépítéséhez és megjelenítéséhez A képzés végére a résztvevők képesek lesznek: Építs egy mély tanulási modellt Az adatok címkézésének automatizálása Munka a Caffe és a TensorFlowKeras modelljeivel Vonatadatok több GPU, felhő vagy klaszter használatával Közönség Fejlesztők mérnökök Domain szakértők A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
7 hours
Overview
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 .
7 hours
Overview
A TensorFlow Serving egy olyan rendszer, amely a gépi tanulás (ML) modellek gyártására szolgál Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan konfigurálják és használják a TensorFlow Serving-ot az ML-modellek telepítési környezetben történő telepítéséhez és kezeléséhez A képzés végére a résztvevők képesek lesznek: Vonattal, exportálással és különböző TensorFlow modellek szolgáltatásaival Algoritmusok tesztelése és telepítése egyetlen architektúrával és API-k készletével TensorFlow Támogatás kiterjesztése a TensorFlow modelleken kívüli más típusok kiszolgálására Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
21 hours
Overview
A TensorFlow a Google nyílt forráskódú szoftverkönyvtárának második generációs API-ja a Deep Learning számára A rendszert úgy tervezték, hogy megkönnyítse a kutatást a gépi tanulásban, és gyors és könnyű legyen áttérni a kutatási prototípusról a termelési rendszerre Közönség Ez a tanfolyam célja azoknak a mérnököknek, akik a TensorFlow-t a Deep Learning projektekhez kívánják használni A kurzus befejezése után a küldöttek: megérteni a TensorFlow struktúráját és telepítési mechanizmusait képes legyen telepítési / gyártási környezet / építészeti feladatok és konfiguráció végrehajtására képes a kódminőség felmérésére, a hibakeresés végrehajtására, a monitorozásra képesek legyenek olyan fejlett gyártási folyamatok bevezetésére, mint a képzési modellek, grafikonok készítése és naplózás .
28 hours
Overview
Ez a kurzus konkrét példákkal vizsgálja a Tenzor Flow alkalmazását a képfelismerés céljára Közönség Ez a kurzus olyan mérnökök számára készült, akik a képfelismerés céljából a TensorFlow-t használják A kurzus befejezése után a küldöttek képesek lesznek: megérteni a TensorFlow struktúráját és telepítési mechanizmusait telepítési / gyártási környezet / architektúra feladatok és konfiguráció végrehajtása értékelje a kódminõséget, végezze el a hibakeresést, ellenõrzi a fejlett gyártást, mint például képzési modelleket, grafikonok készítését és naplózást .
21 hours
Overview
A zseblámpa egy nyílt forráskódú gépi tanulási könyvtár és egy tudományos számítástechnikai keretrendszer, amely a Lua programozási nyelvén alapul Számítógépes, gépi tanuláshoz és számítógépes elképzelésekhez fejlesztési környezetet biztosít, különös tekintettel a mély tanulásra és a konvolúciós hálókra Ez az egyik leggyorsabb és legrugalmasabb keret a Machine and Deep Learning számára, és olyan cégek használják, mint a Facebook, a Google, a Twitter, az NVIDIA, az AMD, az Intel és még sokan mások Ebben a kurzusban lefedi a Torch alapelveit, annak egyedi tulajdonságait, és hogyan alkalmazható a valós világ alkalmazásokban Számos handson-gyakorlatot végzünk az egészben, demonstráljuk és gyakoroljuk a megtanult fogalmakat A kurzus végére a résztvevők alaposan megismerik a Torch alapvető funkcióit és képességeit, valamint szerepét és hozzájárulását az AI térségben a többi kerethez és könyvtárhoz képest A résztvevők megkapják a szükséges gyakorlatot a Torch saját projektjeik megvalósításában Közönség Szoftverfejlesztők és programozók, akik szeretnék lehetővé tenni a gép és a mély tanulás alkalmazásokon belül A tanfolyam formátuma A gép és a mély tanulás áttekintése Inclass kódolási és integrációs gyakorlatok Vizsgálati kérdéseket szórt az út mentén a megértés ellenőrzésére .
7 hours
Overview
A Tenzorfeldolgozó egység (TPU) az a felépítés, amelyet a Google már több éve használ belsőleg, és most már elérhetővé válik a nagyközönség számára Számos optimalizálást tartalmaz, kifejezetten neurális hálózatokban történő használatra, beleértve az egyszerűsített mátrixszaporítást és 8 bites egész számokat a 16 bites helyett, hogy megfelelő szintű precizitást biztosítsanak Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan használják ki a TPU processzorok innovációit, hogy maximalizálják a saját AI-alkalmazások teljesítményét A képzés végén a résztvevők képesek lesznek: A különböző típusú neurális hálózatok nagy mennyiségű adattovábbításra alkalmasak Használja a TPU-kat a következtetési folyamat legfeljebb két nagyságrenddel történő felgyorsításához Használja a TPU-t intenzív alkalmazások feldolgozásához, mint pl Képkeresés, felhőkép és fotók Közönség Fejlesztők kutatók mérnökök Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
35 hours
Overview
A TensorFlow egy nyílt forráskódú szoftverkönyvtár a numerikus számításhoz adatfolyam-grafikonok használatával A SyntaxNet egy neuralnetwork Natural Language Processing keretrendszer a TensorFlow számára A Word2Vec-t arra használják, hogy tanítsa a szavak vektoros reprezentációit, az úgynevezett "szóbeágyazások" A Word2vec egy különösen számítási szempontból hatékony prediktív modell, amely a nyers szövegből származó szóbeágyazások tanulására képes Két ízben jön létre, a Continuous BagofWords modell (CBOW) és a SkipGram modell (31 És 32 Fejezet Mikolov és munkatársai) A tandemben használatos, a SyntaxNet és a Word2Vec lehetővé teszi a felhasználók számára, hogy a Natural Language beviteltől származó tanulási beágyazási modelleket generáljanak Közönség Ez a kurzus olyan fejlesztők és mérnökök számára készült, akik a SyntaxNet és a Word2Vec modellekkel dolgoznak a TensorFlow grafikonokon A kurzus befejezése után a küldöttek: megérteni a TensorFlow struktúráját és telepítési mechanizmusait képes legyen telepítési / gyártási környezet / építészeti feladatok és konfiguráció végrehajtására képes a kódminőség felmérésére, a hibakeresés végrehajtására, a monitorozásra képesek lesznek olyan fejlett gyártást megvalósítani, mint a képzési modellek, beágyazott kifejezések, grafikonok készítése és naplózás .
35 hours
Overview
Ez a kurzus azzal kezdődik, hogy fogalmi ismereteket ad neked a neurális hálózatokban és általában a gépi tanulási algoritmusban, a mély tanulásban (algoritmusokban és alkalmazásokban) A képzés 1 része (40%) nagyobb hangsúlyt fektet a fundamentumokra, de segít a megfelelő technológia kiválasztásában: TensorFlow, Caffe, Theano, DeepDrive, Keras stb A képzés második része (20%) bemutatja a Theano egy python könyvtárat, amely megkönnyíti a mélytanulási modellek írását A képzés harmadik része (40%) nagymértékben a Google nyílt forráskódú szoftverkönyvtárának a Tensorflow második generációs API-jára épül a Deep Learning számára A példák és a handson mind a TensorFlow-ban készültek Közönség Ez a tanfolyam célja azoknak a mérnököknek, akik a TensorFlow-t a Deep Learning projektekhez kívánják használni A kurzus befejezése után a küldöttek: jól értik a mély neurális hálózatokat (DNN), a CNN és ​​az RNN-t megérteni a TensorFlow struktúráját és telepítési mechanizmusait képes legyen telepítési / gyártási környezet / építészeti feladatok és konfiguráció végrehajtására képes a kódminőség felmérésére, a hibakeresés végrehajtására, a monitorozásra képesek legyenek olyan fejlett gyártási folyamatok bevezetésére, mint a képzési modellek, grafikonok készítése és naplózás Nem minden téma lenne egy nyilvános osztályteremben, amely 35 órás időtartamot jelent a téma hatalmas volta miatt A teljes tanfolyam időtartama körülbelül 70 óra, nem pedig 35 óra .
21 hours
Overview
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 .
21 hours
Overview
Típus: Elméleti képzés a pályázókkal a Lasagne vagy a Keras diákjai előtt a pedagógiai csoport szerint Tanítási módszer: prezentáció, cserék és esettanulmányok A mesterséges intelligencia, miután megzavarta számos tudományterületet, nagyszámú gazdasági ágazatot kezdett forradalmasítani (ipar, orvostudomány, kommunikáció stb) Mindazonáltal a nagy médiában való bemutatása gyakran fantázia, nagyon messze attól, ami valójában a gépi tanulás vagy a mély tanulás területe Ennek a képzésnek az a célja, hogy olyan mérnököket biztosítson, akik már rendelkeznek a számítógépes eszközök (beleértve a szoftver programozási bázist is) mestereivel, bemutatva a Deep Learning-ot és a különböző szakterületeket, és ezáltal a meglévő meglévő hálózati architektúrákhoz ma Ha a matematikai alapokat a tanfolyam során visszahívják, a BAC + 2-es matematika szintjét ajánljuk a nagyobb kényelem érdekében Lehetséges, hogy a matematikai tengely csak egy "rendszer" látás maradjon, de ez a megközelítés hatalmas mértékben korlátozza a téma megértését .
21 hours
Overview
A mesterséges neurális hálózat olyan mesterséges intelligencia (AI) rendszerek kifejlesztésében használt számítási adatmodell, amelyet képesek "intelligens" feladatok elvégzésére. A neurális hálózatokat általánosan a Machine Learning (ML) alkalmazásokban használják, amelyek maguk is az AI megvalósításának. A mély tanulás az ML részhalmaza.
28 hours
Overview
A gépi tanulás a Mesterséges Intelligencia ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoztak volna A mély tanulás a gépi tanulás egyik részmezete, amely olyan tanulási adatokon és struktúrákon alapuló módszereket alkalmaz, mint a neurális hálózatok R népszerű programozási nyelv a pénzügyi ágazatban A pénzügyi alkalmazásokban az alapvető kereskedelmi programoktól a kockázatkezelési rendszerekig terjednek Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan valósítsanak meg mélyreható tanulási modelleket a finanszírozáshoz az R használatával, mivel átmennek egy mély tanuló részvényár-előrejelzési modell létrehozásával A képzés végére a résztvevők képesek lesznek: Értsd meg a mélytanulás alapfogalmait Megtanulják a mély tanulás alkalmazását és felhasználását a pénzügyekben Használja az R-t, hogy mély tanulásmodelleket hozzon létre a finanszírozáshoz Építsd meg saját mély tanulási részvényár-előrejelzési modelljét az R használatával Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
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
A mesterséges neurális hálózat olyan mesterséges intelligencia (AI) rendszerek kifejlesztésében használt számítási adatmodell, amelyet képesek "intelligens" feladatok elvégzésére. A neurális hálózatokat általánosan a Machine Learning (ML) alkalmazásokban használják, amelyek maguk is az AI megvalósításának. A mély tanulás az ML részhalmaza.
21 hours
Overview
A Caffe egy mély tanulási keret, amely kifejezetten az expresszióval, a sebességgel és a modularitással foglalkozik Ez a kurzus feltárja a Caffe alkalmazását, mint a Deep Learning Framework-t a képfelismeréshez a MNIST használatával Közönség Ez a kurzus alkalmas a Deep Learning kutatókra és a mérnökökre, akik érdeklődnek a Caffe mint keretek használatára A kurzus befejezése után a küldöttek képesek lesznek: megérteni Caffe struktúráját és telepítési mechanizmusait telepítési / gyártási környezet / architektúra feladatok és konfiguráció végrehajtása értékelje a kódminõséget, végezze el a hibakeresést, ellenõrzi a fejlett gyártást, mint például a képzési modelleket, a rétegek megvalósítását és a naplózást .
21 hours
Overview
Ez a kurzus általános áttekintést nyújt a Deep Learning-ra anélkül, hogy túl mély lenne bármely konkrét módszerhez. Alkalmas azoknak az embereknek, akik el akarták kezdeni a Deep Learning használatát a precizitás pontosságának növelése érdekében.
21 hours
Overview
A Deeplearning4j az első kereskedelmi platform, nyílt forráskódú, megosztott mélytanulási könyvtár Java és Scala számára A HADOOP és a Spark technológiával integrált DL4J a terjesztett GPU-k és CPU-k üzleti környezetében használható Közönség Ez a kurzus olyan mérnökökre és fejlesztőkre irányul, akik a Deeplearning4j projektjeiket szeretnék kihasználni Ezt követően a résztvevők képesek lesznek: .
21 hours
Overview
A Deeplearning4j egy OpenSource DeepLearning szoftver Java és Scala számára a Hadoop és a Spark számára Közönség Ez a kurzus olyan mérnökök és fejlesztők számára készült, akik a DeepLearning4J-t képfelismerési projektjeikbe kívánják használni .

Upcoming Courses

Weekend Deep Learning courses, Evening Deep Learning training, Deep Learning boot camp, Deep Learning instructor-led, Weekend Deep Learning training, Evening Deep Learning courses, Deep Learning coaching, Deep Learning instructor, Deep Learning trainer, Deep Learning training courses, Deep Learning classes, Deep Learning on-site, Deep Learning private courses, Deep Learning one on one training

Course Discounts

Hírlevél kedvezmény

Tiszteletben tartjuk adatai bizalmas jellegét. A NobleProg soha nem továbbítja e-mail címét harmadik személyeknek.
Hírlevelünkről bármikor leiratkozhat.

Kiemelt ügyfeleink

is growing fast!

We are looking to expand our presence in Hungary!

As a Business Development Manager you will:

  • expand business in Hungary
  • 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!