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.

Machine Translated

Ajánlások

★★★★★
★★★★★

Kurzusleírás

Title
Duration
Overview
Title
Duration
Overview
14 hours
Overview
Ez a tanfolyam az AI-t (hangsúlyozza a Machine Learning és a Deep Learning ) az Automotive . Segít meghatározni, hogy mely technológiát lehet (potenciálisan) használni több helyzetben egy autóban: az egyszerű automatizálástól, a képfelismeréstől az autonóm döntéshozatalig.
21 hours
Overview
A mélyreható tanulás a gépi tanulás almezője. Olyan módszereket használ, amelyek a tanulási adatok reprezentációján és struktúráin alapulnak, például a neurális hálózatokon.

Keras egy magas szintű neurális hálózatok API a gyors fejlődéshez és kísérletezéshez. A TensorFlow , a CNTK vagy a TensorFlow tetején fut.

Ez az oktató által vezetett, élő képzés (helyszíni vagy távoli) olyan fejlesztőkre irányul, akik önálló autót kívánnak építeni mély tanulási technikákkal.

E képzés végén a résztvevők:

- Számítógépes látásmódokat használjon a sávok azonosításához.
- Használja Keras ot konvolúciós neurális hálózatok építésére és kiképzésére.
- Képezzünk mély tanulási modellt a közlekedési táblák megkülönböztetésére.
- Egy teljesen autonóm autó szimulálása.

A kurzus formátuma

- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- A gyakorlati megvalósítás élő laboratóriumi környezetben.

A kurzus testreszabási beállításai

- A kurzus személyre szabott képzésének kéréséhez forduljon hozzánk bizalommal.
21 hours
Overview
Ez a tanfolyam kiterjed az AI-re (hangsúlyozva a Machine Learning és a Deep Learning )
28 hours
Overview
Ez a tanfolyam ismereteket fog nyújtani az idegi hálózatokban és általában a gépi tanulási algoritmusban, a mély tanulásban (algoritmusok és alkalmazások).

Ez a képzés nagyobb hangsúlyt alapjait, de segít kiválasztani a megfelelő technológia: TensorFlow , Caffe , Teano, DeepDrive, Keras stb A példák készülnek TensorFlow .
14 hours
Overview
Ez az osztálytermi alapú képzés prezentációkat és számítógépes példákat, valamint esettanulmány-gyakorlatokat fog tartalmazni a releváns neurális és mély hálózati könyvtárakkal együtt.
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
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
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
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
A SINGA egy általánosan elterjedt mély tanulási platform, amely nagy mélyreható tanulási modellek képzését teszi lehetővé nagy adatkészletek felett. A réteg absztrakción alapuló intuitív programozási modellvel van kialakítva. Számos népszerű mély tanulási modellt támogatnak, nevezetesen előremutató modelleket, beleértve a konvolúciós neurális hálózatokat (CNN), az energiamodelleket, mint a korlátozott Boltzmann gép (RBM), és az ismétlődő neurális hálózatokat (RNN). Számos beépített réteg biztosított a felhasználók számára. A SINGA architektúra elég rugalmas ahhoz, hogy szinkron, aszinkron és hibrid képzési kereteket futtasson. A SINGA támogatja a különböző idegháló-partíciós sémákat is, hogy párhuzamosítsák a nagy modellek képzését, nevezetesen a kötegdimenzió, a jellemző dimenzió vagy a hibrid particionálás megosztását.

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:

- megértsék a SINGA struktúráját és telepítési mechanizmusait
- képesnek kell lennie telepítési / gyártási környezet / architektúra feladatok és konfiguráció elvégzésére
- képesnek kell lennie a kód minőségének értékelésére, hibakeresésre, megfigyelésre
- képesnek kell lennie a fejlett gyártás, például a képzési modellek, a beágyazási feltételek, a grafikonok és a naplózás megvalósítására
14 hours
Overview
Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell használni a Matlab-ot egy konvolúciós neurális hálózat megtervezéséhez, felépítéséhez és megjelenítéséhez képfelismerés céljából.

A képzés végére a résztvevők képesek lesznek:

- Készítsen egy mély tanulási modellt
- Automatizálja az adatok címkézését
- Bízza modellek Caffe és TensorFlow - Keras
- Adatok továbbítása több GPU , a felhő vagy a fürtök használatával

Közönség

- Fejlesztők
- mérnökök
- Domain szakértők

A tantárgy formátuma

- Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati 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 .
21 hours
Overview
TensorFlow egy népszerű és gépi tanulási könyvtár, amelyet a Go ogle fejlesztett ki a mély tanulás, numerikus számítás és nagyméretű gépi tanulás céljából. TensorFlow 2.0, amely 2019. TensorFlow jelent meg, a TensorFlow legújabb verziója, amely javítja a lelkes végrehajtást, a kompatibilitást és az API-konzisztenciát.

Ez az oktató által irányított, élő (helyszíni vagy távoli) képzés azon fejlesztőknek és adattudósoknak szól, akik a Tensorflow 2.0-t előrejelzők, osztályozók, generációs modellek, neurális hálózatok stb. Felépítésére kívánják használni.

A képzés végére a résztvevők képesek lesznek:

- Telepítse és konfigurálja a TensorFlow 2.0 TensorFlow .
- Ismerje meg a TensorFlow 2.0 előnyeit a korábbi verziókhoz képest.
- Építsen mély tanulási modelleket.
- Végezzen el egy fejlett képosztályt.
- Telepítse a mélyreható tanulási modellt a felhő, a mobil és az internet tárgyakba.

A tantárgy formátuma

- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- Gyakorlati megvalósítás élő laboratóriumi környezetben.

Tanfolyam testreszabási lehetőségek

- Ahhoz, hogy igényeljen személyre szabott képzést erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljünk.
- Ha többet szeretne megtudni a TensorFlow , látogasson el a https://www.tensorflow.org/ TensorFlow .
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
TensorFlow a Go ogle nyílt forráskódú szoftverkönyvtárának második generációs API-ja a Deep Learning . A rendszer célja a gépi tanulás kutatásának megkönnyítése, valamint a kutatási prototípusról a termelési rendszerbe való átmenet gyors és egyszerű megvalósítása.

Közönség

Ez a kurzus olyan mérnökök számára készült, akik a TensorFlow t szeretnék használni a Deep Learning projektjeikhez

A kurzus befejezése után a küldöttek:

- megértsék a TensorFlow struktúráját és telepítési mechanizmusait
- képesnek kell lennie telepítési / gyártási környezet / architektúra feladatok és konfiguráció elvégzésére
- képesnek kell lennie a kód minőségének értékelésére, hibakeresésre, megfigyelésre
- képesnek kell lennie a fejlett gyártás, például a képzési modellek, grafikonok és naplózás megvalósítására
28 hours
Overview
Ez a kurzus konkrét példákkal vizsgálja a Tensor Flow alkalmazását a képfelismerés céljára

Közönség

Ez a kurzus olyan mérnökök számára készült, akik a TensorFlow t a TensorFlow céljából kívánják felhasználni

A kurzus befejezése után a küldöttek:

- megértsék a TensorFlow struktúráját és telepítési mechanizmusait
- telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
- a kód minőségének értékelése, hibakeresés, monitorozás
- fejlett gyártást, például képzési modelleket, grafikonokat és naplózást valósít meg
21 hours
Overview
Torch egy nyílt forráskódú gépi tanulási könyvtár és egy tudományos számítási keret, amely a Lua programozási nyelvén alapul. Fejlesztési környezetet biztosít a számok, a gépi tanulás és a számítógépes látás számára, különös tekintettel a mélyreható tanulásra és a konvolúciós hálózatokra. Ez a gépi és Deep Learning egyik leggyorsabb és legrugalmasabb kerete, amelyet olyan vállalatok használnak, mint a Facebook , a Go ogle, a Twitter, az NVIDIA, az AMD, az Intel és még sokan mások.

Ebben az oktató által vezetett, élő képzésben bemutatjuk a Torch alapelveit, annak egyedi tulajdonságait és azt, hogy miként lehet alkalmazni a valós alkalmazásokban. Számos gyakorlati gyakorlaton megyünk keresztül, bemutatva és gyakorlva a megtanult fogalmakat.

A tanfolyam végére a résztvevők alaposan megértik a Torch alapvető jellemzőit és képességeit, valamint annak szerepét és hozzájárulását az AI térben a többi kerethez és könyvtárhoz képest. A résztvevők megkapják a szükséges gyakorlatokat is a Torch saját projektekbe történő bevezetéséhez.

A tantárgy formátuma

- A gépi és Deep Learning áttekintése
- Osztályon belüli kódolási és integrációs gyakorlatok
- Az út mentén szórt tesztkérdések a megértés ellenőrzéséhez
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
TensorFlow ™ egy nyílt forráskódú szoftverkönyvtár, amely numerikus számítást végez adatfolyam-grafikonok használatával.

A SyntaxNet egy neurális hálózat természetes nyelvi feldolgozási kerete a TensorFlow .

Word 2Vec-et használják a szavak "reprezentációinak" nevű vektorképeinek megtanulására. Word 2vec egy kifejezetten számítási szempontból hatékony prediktív modell a szavak beágyazásának megismerésére nyers szövegből. Két ízben, a Continuous Bag-of- Word modellben (CBOW) és a Skip-Gram modellben (3.1 és 3.2 fejezet Mikolov és munkatársai).

A tandemben használt SyntaxNet és a Word 2Vec lehetővé teszi a felhasználók számára, hogy a Természetes Nyelvi bemenetből készítsenek Tanulmányos beágyazási modelleket.

Közönség

Ez a kurzus olyan fejlesztők és mérnökök számára készült, akik a SyntaxNet és a Word 2Vec modellekkel a TensorFlow grafikonjaikban kívánnak dolgozni.

A kurzus befejezése után a küldöttek:

- megértsék a TensorFlow struktúráját és telepítési mechanizmusait
- képesnek kell lennie telepítési / gyártási környezet / architektúra feladatok és konfiguráció elvégzésére
- képesnek kell lennie a kód minőségének értékelésére, hibakeresésre, megfigyelésre
- képesnek kell lennie a fejlett gyártás, például a képzési modellek, a beágyazási feltételek, a grafikonok és a naplózás megvalósítására
35 hours
Overview
Ez a tanfolyam azzal kezdődik, hogy fogalmi ismereteket adunk neurális hálózatokban és általában gépi tanulási algoritmusban, mély tanulásban (algoritmusok és alkalmazások).

Part 1 (40%) ez a képzés nagyobb hangsúlyt alapjait, de segítünk választotta a megfelelő technológia: TensorFlow , Caffe , Theano, DeepDrive, Keras stb

A képzés 2. része (20%) bemutatja a Theano-t - egy python könyvtárat, amely megkönnyíti a mély tanulási modellek írását.

A képzés 3. részét (40%) nagymértékben a Tensorflow - a Go ogle nyílt forráskódú szoftverek könyvtárának 2. generációs API-ján alapszik - a Deep Learning . A példákat és a kézbesítést a TensorFlow ban TensorFlow .

Közönség

Ez a tanfolyam azoknak a mérnököknek szól, akik a TensorFlow ot szeretnék használni Deep Learning projektjeikhez

A kurzus befejezése után a küldöttek:

-

jól megértsék a mély ideghálózatokat (DNN), CNN és RNN

-

megérti a TensorFlow szerkezetét és telepítési mechanizmusait

-

képesnek kell lennie a telepítési / gyártási környezet / architektúra feladatok elvégzésére és a konfigurációra

-

képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás elvégzésére

-

képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás
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
keras egy magas szintű neurális hálózatok API a gyors fejlődés és a kísérletezést. Ez fut a tetején TensorFlow, CNTK, vagy theano.

Ez az oktató által vezetett, az élő képzés (helyszíni vagy távoli) célja a műszaki személyek, akik szeretnének alkalmazni mély tanulási modell képfelismerő alkalmazásokhoz.

végére ez a képzés, a résztvevők képesek lesznek:

- telepítse és konfigurálja a keras.
- gyorsan prototípus mély tanulási modellek.
- végre egy konvolúciós hálózatot.
- végre egy visszatérő hálózat.
- Execute mély tanulási modell mind a CPU és a GPU.

formátuma a kurzus

- Interactive előadás és vita.
- sok gyakorlatok és gyakorlat.
- Hands-on végrehajtása élő-labor környezetben.

tanfolyam testreszabási beállításai

- hogy kérje személyre szabott képzés a tanfolyam, kérjük, forduljon hozzánk, hogy gondoskodjon.
- Ha többet szeretne megtudni keras, látogasson el: https://keras.io/
21 hours
Overview
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
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 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 bankok számára a Python használatával, miközben átmegyek egy mély tanulási hitelkockázati modell létrehozásán A képzés végére a résztvevők képesek lesznek: Értsd meg a mélytanulás alapfogalmait Ismerje meg a banki banki alkalmazások alkalmazását és használatát A Python, a Keras és a TensorFlow segítségével mély tanulásmodelleket hozhat létre a bankok számára Építsen saját mélytanulási hitelkockázati modellt Python 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 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
Overview
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
21 hours
Overview
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.

Upcoming Courses

Weekend Deep Learning (DL) courses, Evening Deep Learning (DL) training, Deep Learning (DL) boot camp, Deep Learning instructor-led, Weekend DL (Deep Learning) training, Evening DL (Deep Learning) courses, Deep Learning coaching, Deep Learning instructor, DL (Deep Learning) trainer, DL (Deep Learning) training courses, Deep Learning (DL) classes, Deep Learning (DL) on-site, Deep Learning (DL) private courses, DL (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!