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
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
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 gépi tanulási témák részletes ismertetése, különösen a neurális hálózatok. A téma nagy részét feldúsította.
Sacha Nandlall
Kurzus: Python for Advanced Machine Learning
Machine Translated
Nagyra értékelem Krisztus kristálytiszta válaszát a kérdéseinkre.
Léo Dubus
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
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
Deep Learning Subcategories
Deep Learning (DL) Course Outlines
Kurzusnév
Időtartalma
Összefoglaló
Kurzusnév
Időtartalma
Összefoglaló
14 hours
Összefoglaló
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
Összefoglaló
A mély tanulás a gépi tanulás alterülete. Olyan módszereket használ, amelyek az adatok reprezentációján és struktúrákon, például neurális hálókon alapulnak.
Keras egy magas szintű ideghálózati API a gyors fejlesztéshez és kísérletezéshez. A TensorFlow , CNTK vagy CNTK tetején fut.
Ez az oktató által vezetett, élő képzés (helyszíni vagy távoli) azon fejlesztőknek szól, akik önálló vezetésű autót akarnak készíteni mély tanulási technikák segítségével.
A képzés végére a résztvevők képesek lesznek:
- Használjon számítógépes látástechnikákat a sávok azonosításához.
- Használjon Keras t konvolúciós neurális hálózatok felépítéséhez és kiképzéséhez.
- Képzzen egy mély tanulási modellt a közlekedési táblák megkülönböztetésére.
- Szimulálja a teljesen autonóm autót.
A tantárgy formátuma
- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- Gyakorlati megvalósítás élő laboratóriumi környezetben.
Tanfolyam testreszabási lehetőségek
- Ha személyre szabott képzést szeretne kérni erre a kurzusra, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.
Keras egy magas szintű ideghálózati API a gyors fejlesztéshez és kísérletezéshez. A TensorFlow , CNTK vagy CNTK tetején fut.
Ez az oktató által vezetett, élő képzés (helyszíni vagy távoli) azon fejlesztőknek szól, akik önálló vezetésű autót akarnak készíteni mély tanulási technikák segítségével.
A képzés végére a résztvevők képesek lesznek:
- Használjon számítógépes látástechnikákat a sávok azonosításához.
- Használjon Keras t konvolúciós neurális hálózatok felépítéséhez és kiképzéséhez.
- Képzzen egy mély tanulási modellt a közlekedési táblák megkülönböztetésére.
- Szimulálja a teljesen autonóm autót.
A tantárgy formátuma
- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- Gyakorlati megvalósítás élő laboratóriumi környezetben.
Tanfolyam testreszabási lehetőségek
- Ha személyre szabott képzést szeretne kérni erre a kurzusra, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.
21 hours
Összefoglaló
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 hours
Összefoglaló
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 .
Ez a képzés nagyobb hangsúlyt alapjait, de segít kiválasztani a megfelelő technológia: TensorFlow , Caffe , Teano, DeepDrive, Keras stb A példák készülnek TensorFlow .
14 hours
Összefoglaló
Ez az osztálytermi alapú képzés prezentációkat és számítógépes példákat, valamint esettanulmány-gyakorlatokat fog tartalmazni a releváns neurális és mély hálózati könyvtárakkal együtt.
14 hours
Összefoglaló
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Összefoglaló
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
Összefoglaló
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
14 hours
Összefoglaló
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.
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
Összefoglaló
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
Összefoglaló
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
Összefoglaló
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
Összefoglaló
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
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
21 hours
Összefoglaló
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 .
7 hours
Összefoglaló
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
Összefoglaló
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
- Ha személyre szabott képzést szeretne kérni erre a kurzusra, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.
- Ha többet szeretne megtudni a TensorFlow , látogasson el a https://www.tensorflow.org/ TensorFlow .
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
- Ha személyre szabott képzést szeretne kérni erre a kurzusra, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.
- Ha többet szeretne megtudni a TensorFlow , látogasson el a https://www.tensorflow.org/ TensorFlow .
14 hours
Összefoglaló
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 hours
Összefoglaló
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
Összefoglaló
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
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
Összefoglaló
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
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
Összefoglaló
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Összefoglaló
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
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
Összefoglaló
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
Összefoglaló
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
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
Összefoglaló
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 környezeti / építészeti feladatok elvégzésére és a konfigurációra
-
képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás végrehajtására
-
képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás
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 környezeti / építészeti feladatok elvégzésére és a konfigurációra
-
képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás végrehajtására
-
képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás
21 hours
Összefoglaló
Ez a tanfolyam kiterjed az AI-re (hangsúlyozva a Machine Learning és a Deep Learning )
14 hours
Összefoglaló
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
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
21 hours
Összefoglaló
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
Összefoglaló
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 .
28 hours
Összefoglaló
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.
Upcoming Deep Learning Courses
2020-06-16 09:30:00
Miskolc
28 hours
2020-07-14 09:30:00
Debrecen
28 hours
2020-08-10 09:30:00
Miskolc
28 hours
2020-09-08 09:30:00
Debrecen
28 hours
2020-11-02 09:30:00
Debrecen
28 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
.png "european space agency (esa)")
.png "aeronautical radio, incorporated (arinc)")
.png "new york stock exchange (nyse)")
