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.
Machine Translated
Vélemények
Nagyon interaktív és nyugodt és informálisabb volt a vártnál. Számos témát fedeztünk fel időben, és a tréner mindig érzékeny volt arra, hogy részletesebben vagy általánosabban beszéljen a témákról és arról, hogy hogyan kapcsolódtak egymáshoz. Úgy érzem, a képzés adott nekem az eszközöket a tanulás folytatásához, szemben azzal, hogy egy egyszeri munkamenet, ahol a tanulás abbahagyja a befejezése után, ami nagyon fontos a téma skálája és összetettsége miatt.
Jonathan Blease
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
A téma nagyon érdekes.
Wojciech Baranowski
Kurzus: Introduction to Deep Learning
Machine Translated
Előkészítő elméleti ismereteket és készségeket kínál a résztvevők problémáinak megoldására a képzés után.
Grzegorz Mianowski
Kurzus: Introduction to Deep Learning
Machine Translated
Téma. Nagyon érdekes!.
Piotr
Kurzus: Introduction to Deep Learning
Machine Translated
Az egyes témák után végzett gyakorlatok nagyon hasznosak voltak, annak ellenére, hogy a végén túl bonyolult volt. Általában a bemutatott anyag nagyon érdekes volt és bevonásával! A képfelismeréssel kapcsolatos gyakorlatok nagyszerűek voltak.
Dolby Poland Sp. z o.o.
Kurzus: Introduction to Deep Learning
Machine Translated
Úgy gondolom, hogy ha a képzés lengyel nyelven zajlik, akkor az oktató hatékonyabbá teheti ismereteit.
Radek
Kurzus: Introduction to Deep Learning
Machine Translated
A mélytanulás globális áttekintése.
Bruno Charbonnier
Kurzus: Advanced Deep Learning
Machine Translated
A gyakorlatok kellően praktikusak és nem igényelnek magas szintű Python ismereteket.
Alexandre GIRARD
Kurzus: Advanced Deep Learning
Machine Translated
Gyakorlatok gyakorlása valódi példákon Eras használatával. Olaszország teljesen megértette a képzésünkre vonatkozó elvárásainkat.
Paul Kassis
Kurzus: Advanced Deep Learning
Machine Translated
Nagyra értékelem Krisztus kristálytiszta válaszát a kérdéseinkre.
Léo Dubus
Kurzus: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Általában élveztem a jól képzett edzőt.
Sridhar Voorakkara
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Meglepődtem ennek az osztálynak a normáljához - azt mondanám, hogy egyetemes volt.
David Relihan
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nagyon jó átfogó áttekintés. Go a hátteret arról, hogy a Tensorflow miért működik úgy, ahogy működik.
Kieran Conboy
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Szeretem a kérdéseket feltenni és mélyebben magyarázni az elméletet.
Sharon Ruane
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nagyobb betekintést nyertünk a tárgyhoz. Néhány szép beszélgetés történt néhány valódi tárgyat a cégünkben.
Sebastiaan Holman
Kurzus: Machine Learning and Deep Learning
Machine Translated
A képzés megteremtette a megfelelő alapot, amely lehetővé teszi számunkra, hogy tovább bővítsük, megmutatva, hogy az elmélet és a gyakorlat hogyan jár együtt. Valójában ennél jobban érdekelt a téma, mint korábban.
Jean-Paul van Tillo
Kurzus: Machine Learning and Deep Learning
Machine Translated
Nagyon élveztem a témák lefedettségét és mélységét.
Anirban Basu
Kurzus: Machine Learning and Deep Learning
Machine Translated
A tréner mély ismerete a témáról.
Sebastian Görg
Kurzus: Introduction to Deep Learning
Machine Translated
Nagyon frissített megközelítés vagy fogyasztói árindex (tenzor áramlás, korszak, tanulás) a gépi tanuláshoz.
Paul Lee
Kurzus: TensorFlow for Image Recognition
Machine Translated
Nagyon rugalmas.
Frank Ueltzhöffer
Kurzus: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Általában élveztem a rugalmasságot.
Werner Philipp
Kurzus: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Tekintettel a technológia kilátásaira: milyen technológia / folyamat válhat a jövőben fontosabbá; nézd meg, milyen technológiát lehet használni.
Commerzbank AG
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
A témaválasztás előnyeit élveztem. A képzés stílusa. Gyakorlati tájékozódás.
Commerzbank AG
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
a vezetés módját és az oktató által adott példát ORAN
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Machine Translated
Lehetőség magad megvitatni a javasolt kérdéseket
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Machine Translated
Kommunikáció az előadókkal
文欣 张
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Tetszik
lisa xie
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
A gépi tanulási témák részletes ismertetése, különösen a neurális hálózatok. A téma nagy részét feldúsította.
Sacha Nandlall
Kurzus: Python for Advanced Machine Learning
Machine Translated
Nagy és naprakész tudás a vezető és gyakorlati alkalmazási példákról.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
Sok gyakorlat, nagyon jó együttműködés a csoporttal.
Janusz Chrobot - ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
dolgozik a kollaborátorokon,
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
Nyilvánvaló volt, hogy a bemutatott témák rajongói vezetettek. Hasznos érdekes példák gyakorlása során.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
A témák széles köre és a vezetők jelentős ismerete.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
hiány
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Az előadók nagy elméleti és gyakorlati ismerete. Az oktatók kommunikációja. A tanfolyam során kérdéseket tehet fel, és kielégítő választ kaphat.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Gyakorlati rész, ahol algoritmusokat vezettünk be. Ez lehetővé tette a téma jobb megértését.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
gyakorlatokat és a rájuk végrehajtott példákat
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Példák és kérdések.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Az anyagi tudás, elkötelezettség, a tudás átadásának szenvedélyes módja. Gyakorlati példák elméleti előadás után.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Maciej úr gyakorlati gyakorlatok
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
A szenvedélyből részesültem, hogy megtanítsam, és arra koncentráljak, hogy a dolog értelmes legyen.
Zaher Sharifi - GOSI
Kurzus: Advanced Deep Learning
Machine Translated
Az emberi azonosítás és áramköri rossz pont detektálás
王 春柱 - 中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Bizonyítani
中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Körülbelül szembenéz terület.
中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Az előadások során már nem hivatalos csereprogramok segítettek mélyíteni a téma megértésének
Explore
Kurzus: Deep Reinforcement Learning with Python
Machine Translated
Sok praktikus tipp
Pawel Dawidowski - ABB Sp. z o.o.
Kurzus: Deep Learning with TensorFlow
Machine Translated
Rengeteg információ a megoldások megvalósításával kapcsolatban
Michał Smolana - ABB Sp. z o.o.
Kurzus: Deep Learning with TensorFlow
Machine Translated
Az AI / IT / SQL / IoT témakörök széles köréből számos praktikus tipp és ismeret az előadónak.
ABB Sp. z o.o.
Kurzus: Deep Learning with TensorFlow
Machine Translated
rengeteg információ, minden kérdés megválaszolva, érdekes példák
A1 Telekom Austria AG
Kurzus: Deep Learning for Telecom (with Python)
Machine Translated
A nulla közeli tudással kezdtem, és végül képesek voltam saját hálózatokat felépíteni és kiképzni.
Huawei Technologies Duesseldorf GmbH
Kurzus: TensorFlow for Image Recognition
Machine Translated
Deep Learning Subcategories
Deep Learning (DL) Course Outlines
Kurzusnév
Időtartalma
Összefoglaló
Kurzusnév
Időtartalma
Összefoglaló
7 hours
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.
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.
21 hours
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
A mély Reinforcement Learning a & quot;artifical ügynök képességére & quot; megtalálásának a hibás- és hibás- és díja- és büntetésével. Egy műszaki ügynök céljából az emberi ' a képessége saját ismeret kapcsolatban és építésére, közvetlenül a hajlési befektetésekből, mint a látmányból. A megerősített tanulmányok megfelelően mély tanulmány és neurál hálózatok használják. A megerősítési tanulmány különböző gép tanulmányból, és nem függ a felügyeleti és nem felügyelő tanulmányos megoldásokra.
E tanácsadóban élő képviselő, a résztvevők megtanulnak a Dühösség alapján Reinforcement Learning, amikor egy Deep Learning ügynök létrehozására lépnek.
E képzés végéig a résztvevők tudnak:
Megértem a Dühösséget mögött kulcskönyvek Reinforcement Learning és tudja el különbözni Machine Learning Felhasznált algoritmikat alkalmazni a valódi világproblémák megoldásához Deep Learning Ügynök
Hivatalosság
Adattudományok fejlesztők
A személy formátunk
Részbemutató, részbeszéd, gyakorlatok és súlyos kezek a gyakorlat
E tanácsadóban élő képviselő, a résztvevők megtanulnak a Dühösség alapján Reinforcement Learning, amikor egy Deep Learning ügynök létrehozására lépnek.
E képzés végéig a résztvevők tudnak:
Megértem a Dühösséget mögött kulcskönyvek Reinforcement Learning és tudja el különbözni Machine Learning Felhasznált algoritmikat alkalmazni a valódi világproblémák megoldásához Deep Learning Ügynök
Hivatalosság
Adattudományok fejlesztők
A személy formátunk
Részbemutató, részbeszéd, gyakorlatok és súlyos kezek a gyakorlat
28 hours
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 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.
14 hours
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 .
21 hours
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.
21 hours
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.
21 hours
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.
28 hours
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.
21 hours
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
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
21 hours
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 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.
14 hours
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.
21 hours
Ez a tanfolyam kiterjed az AI-re (hangsúlyozva a Machine Learning és a Deep Learning )
14 hours
Ebben az oktató-vezérelt, élő képzés, megyünk át az elvek a neurális hálózatok és használja OpenNN végre egy minta alkalmazás.
A kurzus formázása
Az olvasás és a beszélgetés a gyakorlati gyakorlatokkal együtt.
A kurzus formázása
Az olvasás és a beszélgetés a gyakorlati gyakorlatokkal együtt.
7 hours
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
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
21 hours
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.
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.
7 hours
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 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.
21 hours
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
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 .
7 hours
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 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
7 hours
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 .
14 hours
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 .
21 hours
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 .
14 hours
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
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
28 hours
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
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
28 hours
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
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
28 hours
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
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
28 hours
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 A Python egy magas szintű programozási nyelv, amely híres a világos szintaxisról és a kódok olvashatóságáról Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan hajtsanak végre mélytanulási modelleket a pénzügyek felhasználására a Python segítségével, miközben átmegyek egy mély tanulási részvényár-előrejelzési modell létrehozásán A képzés végére a résztvevők képesek lesznek: Értsd meg a mélytanulás alapfogalmait Megtanulják a mély tanulás alkalmazását és felhasználását a pénzügyekben A Python, a Keras és a TensorFlow segítségével mély tanulásmodelleket hozhat létre a finanszírozáshoz Építsen saját mélytanulási részvényár-előrejelzési modellt a Python használatával Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
21 hours
Bevezetés →
A mély tanulás a jövőbeli terméktervezés egyik fő összetevője, amely a mesterséges intelligenciát a modellek középpontjában akarja beépíteni. A következő 5-10 évben a mélyreható tanulási fejlesztési eszközök, könyvtárak és nyelvek minden szoftverfejlesztési eszközkészlet szabványos összetevőjévé válnak. Eddig Google, Sales Force, Facebook, az Amazon sikeresen használja a mélyreható tanulási AI, hogy növelje az üzleti. Az alkalmazások az automatikus gépi fordítás, a képelemzés, a videoelemzés, a mozgáselemzés, a célzott hirdetések generálása és még sok más.
Ez a tanfolyam célja azoknak a szervezeteknek, akik a termék vagy szolgáltatás stratégiájának nagyon fontos részeként szeretnék beépíteni Deep Learning. Az alábbiakban a mély tanulási kurzus kifejezése, amelyet egy szervezet munkatársainak / résztvevőinek különböző szintjeire tudunk alkalmazkodni.
A célközönség:
(A célközönségtől függően a tanfolyam anyagai személyre szabva lesznek)
Végrehajtók
Áttekintés a mesterséges intelligencia és hogyan illeszkedik a vállalati stratégia, a szakadás ülések a stratégiai tervezés, a technológiai útmutatók, és az erőforrások elosztása, hogy a maximális értéket.
Projekt menedzserek
Hogyan kell tervezni egy AI projektet, beleértve az adatok gyűjtését és értékelését, az adatok tisztítását és ellenőrzését, egy bizonyíték-koncept modell kifejlesztését, az üzleti folyamatokba való integrációt és a szervezet egészében történő szállítást.
Fejlesztők
Részletes technikai képzés, amelynek középpontjában a neurális hálózatok és a mély tanulás, kép és videó elemzés (CNNs), hang és szöveg elemzés (NLP), és a AI a meglévő alkalmazásokba.
Eladók
Áttekintés a mesterséges intelligencia és hogyan képes kielégíteni az ügyfelek igényeit, értékesítési javaslatokat a különböző termékek és szolgáltatások, és hogyan lehet megszabadulni a félelmek és előmozdítani az előnyöket a mesterséges intelligencia.
A mély tanulás a jövőbeli terméktervezés egyik fő összetevője, amely a mesterséges intelligenciát a modellek középpontjában akarja beépíteni. A következő 5-10 évben a mélyreható tanulási fejlesztési eszközök, könyvtárak és nyelvek minden szoftverfejlesztési eszközkészlet szabványos összetevőjévé válnak. Eddig Google, Sales Force, Facebook, az Amazon sikeresen használja a mélyreható tanulási AI, hogy növelje az üzleti. Az alkalmazások az automatikus gépi fordítás, a képelemzés, a videoelemzés, a mozgáselemzés, a célzott hirdetések generálása és még sok más.
Ez a tanfolyam célja azoknak a szervezeteknek, akik a termék vagy szolgáltatás stratégiájának nagyon fontos részeként szeretnék beépíteni Deep Learning. Az alábbiakban a mély tanulási kurzus kifejezése, amelyet egy szervezet munkatársainak / résztvevőinek különböző szintjeire tudunk alkalmazkodni.
A célközönség:
(A célközönségtől függően a tanfolyam anyagai személyre szabva lesznek)
Végrehajtók
Áttekintés a mesterséges intelligencia és hogyan illeszkedik a vállalati stratégia, a szakadás ülések a stratégiai tervezés, a technológiai útmutatók, és az erőforrások elosztása, hogy a maximális értéket.
Projekt menedzserek
Hogyan kell tervezni egy AI projektet, beleértve az adatok gyűjtését és értékelését, az adatok tisztítását és ellenőrzését, egy bizonyíték-koncept modell kifejlesztését, az üzleti folyamatokba való integrációt és a szervezet egészében történő szállítást.
Fejlesztők
Részletes technikai képzés, amelynek középpontjában a neurális hálózatok és a mély tanulás, kép és videó elemzés (CNNs), hang és szöveg elemzés (NLP), és a AI a meglévő alkalmazásokba.
Eladók
Áttekintés a mesterséges intelligencia és hogyan képes kielégíteni az ügyfelek igényeit, értékesítési javaslatokat a különböző termékek és szolgáltatások, és hogyan lehet megszabadulni a félelmek és előmozdítani az előnyöket a mesterséges intelligencia.
14 hours
Ez az osztálytermi alapú képzés prezentációkat és számítógépes példákat, valamint esettanulmány-gyakorlatokat fog tartalmazni a releváns neurális és mély hálózati könyvtárakkal együtt.
Last Updated:
Upcoming Deep Learning Courses
Natural Language Processing with TensorFlow
2022-07-04 09:30
35 hours
Neural Networks Fundamentals using TensorFlow as Example
2022-07-04 09:30
28 hours
TensorFlow for Image Recognition
2022-07-04 09:30
28 hours
Deep Learning with TensorFlow
2022-07-05 09:30
21 hours
Deep Learning for Vision
2022-08-03 09:30
21 hours
Other countries
Consulting
Online Deep Learning (DL) courses, Weekend Deep Learning (DL) courses, Evening Deep Learning (DL) training, Deep Learning boot camp, DL (Deep Learning) instructor-led, Weekend DL (Deep Learning) training, Evening Deep Learning courses, Deep Learning coaching, DL (Deep Learning) instructor, DL (Deep Learning) trainer, Deep Learning (DL) training courses, Deep Learning (DL) classes, Deep Learning (DL) on-site, DL (Deep Learning) private courses, Deep Learning (DL) one on one training
