A helyi, oktató által vezetett élő gépi tanulás (ML) képzések gyakorlati gyakorlattal mutatják be, hogyan alkalmazzák a gépi tanulási technikákat és eszközöket a különböző iparágakban a valós problémák megoldására. A NobleProg ML tanfolyamok különböző programozási nyelveket és kereteket tartalmaznak, beleértve a Python, R nyelv és a Matlab programokat. Gépi tanfolyamokat kínálnak számos ipari alkalmazáshoz, beleértve a pénzügyeket, bankokat és biztosításokat, és fedezik a gépi tanulás alapjait, valamint a fejlettebb megközelítéseket, mint például a Deep Learning. A gépi tanulás képzése "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 - a helyi oktatási szolgáltató
A későbbi felhasználáshoz használt anyag nagyon jó volt.
PAUL BEALES- Seagate Technology.
Kurzus: Applied Machine Learning
Translated by
Mit szerettél legjobban az edzésről ?: Jó gyakorlást biztosított az R használatával, hogy gépi tanulási rendszereket hozzon létre valódi helyzetekhez. Ezt a munkámban azonnal használhatom. Ez kiváló tanfolyam volt. Az egyik legjobb volt.
Matthew Thomas - British Telecom
Kurzus: Applied Machine Learning
Translated by
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
Translated by
A tréner annyira jól ismertté vált, és olyan területeket érintett, amelyekbe érdekelt.
Mohamed Salama
Kurzus: Data Mining & Machine Learning with R
Translated by
A téma nagyon érdekes.
Wojciech Baranowski
Kurzus: Introduction to Deep Learning
Translated by
Előkészítő elméleti ismereteket és készségeket kínál a résztvevők problémáinak megoldására a képzés után.
Grzegorz Mianowski
Kurzus: Introduction to Deep Learning
Translated by
Téma. Nagyon érdekes!.
Piotr
Kurzus: Introduction to Deep Learning
Translated by
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
Translated by
Úgy gondolom, hogy ha a képzés lengyel nyelven zajlik, akkor az oktató hatékonyabbá teheti ismereteit.
Radek
Kurzus: Introduction to Deep Learning
Translated by
A mélytanulás globális áttekintése.
Bruno Charbonnier
Kurzus: Advanced Deep Learning
Translated by
A gyakorlatok eléggé gyakorlatiak és nincs szükségük magas szintű Python tudásra.
Alexandre GIRARD
Kurzus: Advanced Deep Learning
Translated by
Gyakorlatok gyakorlása valódi példákon Eras használatával. Olaszország teljesen megértette a képzésünkre vonatkozó elvárásainkat.
Paul Kassis
Kurzus: Advanced Deep Learning
Translated by
A téma. Érdekesnek tűnt, de nem sokkal többet tudtam, mint korábban.
Radoslaw Labedzki
Kurzus: Introduction to Deep Learning
Translated by
Tetszett, hogy ez a kurzus nagyon érdekes témát tartalmazott.
Wojciech Wilk
Kurzus: Introduction to Deep Learning
Translated by
Nagyra értékelem Krisztus kristálytiszta válaszát a kérdéseinkre.
Léo Dubus
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Általában élveztem a jól képzett edzőt.
Sridhar Voorakkara
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Meglepődtem ennek az osztálynak a normáljához - azt mondanám, hogy egyetemes volt.
David Relihan
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Nagyon jó áttekintés. Jó háttér, hogy miért működik a Tensorflow.
Kieran Conboy
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Szeretem a kérdéseket feltenni és mélyebben magyarázni az elméletet.
Sharon Ruane
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Nagyobb betekintést nyertünk a tárgyhoz. Néhány szép beszélgetés történt néhány valódi tárgyat a cégünkben.
Sebastiaan Holman
Kurzus: Machine Learning and Deep Learning
Translated by
A képzés biztosította a megfelelő alapot, amely lehetővé teszi számunkra, hogy tovább bővítsük, bemutatva, hogy az elmélet és a gyakorlat kéz a kézben jár. Valójában jobban érdekelt a téma, mint korábban.
Jean-Paul van Tillo
Kurzus: Machine Learning and Deep Learning
Translated by
Nagyon élveztem a témák lefedettségét és mélységét.
Anirban Basu
Kurzus: Machine Learning and Deep Learning
Translated by
A tréner nagyon könnyen megmagyarázta a nehéz és fejlett témákat. Les
Leszek K
Kurzus: Artificial Intelligence Overview
Translated by
A tréner mély ismerete a témáról.
Sebastian Görg
Kurzus: Introduction to Deep Learning
Translated by
Nagyon frissített megközelítés vagy fogyasztói árindex (tenzor áramlás, korszak, tanulás) a gépi tanuláshoz.
Paul Lee
Kurzus: TensorFlow for Image Recognition
Translated by
Nagyon rugalmas.
Frank Ueltzhöffer
Kurzus: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
Általában élveztem a rugalmasságot.
Werner Philipp
Kurzus: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
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
Translated by
A témaválasztás előnyeit élveztem. A képzés stílusa. Gyakorlati tájékozódás.
Commerzbank AG
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Mindenki tetszik
蒙 李
Kurzus: Machine Learning Fundamentals with Python
Translated by
a vezetés módját és az oktató által adott példát ORAN
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Translated by
Lehetőség magad megvitatni a javasolt kérdéseket
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Translated by
Kommunikáció az előadókkal
文欣 张
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Tetszik
lisa xie
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
A gépi tanulási témák részletes ismertetése, különösen a neurális hálózatok. A téma nagy részét feldúsította.
Sacha Nandlall
Kurzus: Python for Advanced Machine Learning
Translated by
tornák
L M ERICSSON LIMITED
Kurzus: Machine Learning
Translated by
a labor gyakorolja
Marcell Lorant - L M ERICSSON LIMITED
Kurzus: Machine Learning
Translated by
A Jupyter notebook formája, amelyben a képzési anyag elérhető
L M ERICSSON LIMITED
Kurzus: Machine Learning
Translated by
Számos gyakorlat és érdekes téma volt.
L M ERICSSON LIMITED
Kurzus: Machine Learning
Translated by
néhány nagyszerű laboratóriumi gyakorlatot, amelyet alaposan elemeztek és magyaráztak a tréner (pl. a lineáris regresszió kovariánsai, amelyek igazolják a valós funkciót)
L M ERICSSON LIMITED
Kurzus: Machine Learning
Translated by
Nagyon jó, hogy minden anyag, beleértve a gyakorlatokat is ugyanazon az oldalon, majd frissítésre kerül. A megoldás a végén látható. Menő! Továbbá értékelem, hogy Krzysztof extra erőfeszítést tett a problémáink megértésére, és javaslatot tett számunkra a lehetséges technikákra.
Attila Nagy - L M ERICSSON LIMITED
Kurzus: Machine Learning
Translated by
Nagy és naprakész tudás a vezető és gyakorlati alkalmazási példákról.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Translated by
Sok gyakorlat, nagyon jó együttműködés a csoporttal.
Janusz Chrobot - ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Translated by
dolgozik a kollaborátorokon,
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Translated by
Nyilvánvaló volt, hogy a bemutatott témák rajongói vezetettek. Hasznos érdekes példák gyakorlása során.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Translated by
A témák széles köre és a vezetők jelentős ismerete.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
hiány
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
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
Translated by
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
Translated by
gyakorlatokat és a rájuk végrehajtott példákat
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
Példák és kérdések.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
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
Translated by
Maciej úr gyakorlati gyakorlatok
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
A szenvedélyből részesültem, hogy megtanítsam, és arra koncentráljak, hogy a dolog értelmes legyen.
Zaher Sharifi - GOSI
Kurzus: Advanced Deep Learning
Translated by
| Kód | Név | Időtartam | Áttekintés |
|---|---|---|---|
| aiint | Artificial Intelligence Overview | 7 óra | Ez a kurzus a menedzserek, a megoldásépítészek, az innovációs tisztek, a CTO-k, a szoftverépítészek és mindenki számára érdekelt, akik az alkalmazott mesterséges intelligencia áttekintését és a fejlesztéshez legközelebbi előrejelzés iránt érdeklődnek. |
| mlios | Machine Learning on iOS | 14 óra | Ebben az oktatott, élő képzésben a résztvevők megtudják, hogyan használják az iOS gépi tanulási (ML) technológiai veremét, miközben átmennek egy iOS mobilalkalmazás létrehozásán és telepítésén A képzés végére a résztvevők képesek lesznek: Hozzon létre egy képes alkalmazást, szövegelemzést és beszédfelismerést lehetővé tevő mobilalkalmazást Hozzáférés az előcsatlakozott ML modellekhez az iOS alkalmazásokba történő integráláshoz Hozzon létre egy egyéni ML modellt Add hozzá Siri Voice támogatás az iOS-alkalmazásokhoz Megérteni és használni olyan kereteket, mint a coreML, a Vision, a CoreGraphics és a GamePlayKit Használjon olyan nyelveket és eszközöket, mint a Python, a Keras, a Caffee, a Tensorflow, a scikit tanul, a libsvm, az Anaconda és a Spyder Közönség Fejlesztők A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| textsum | Text Summarization with Python | 14 óra | A Python Machine Learning programban a szövegösszefüggés funkció képes olvasni a beviteli szöveget és szövegösszefüggést készíteni Ez a képesség a parancssorból vagy Python API-ból / könyvtárból érhető el Egy izgalmas alkalmazás a végrehajtó összefoglalók gyors létrehozása; ez különösen hasznos azoknak a szervezeteknek, amelyeknek nagyobb szövegszövegeket kell átnézniük, mielőtt jelentéseket és előadást készítenének Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Pythonot, hogy létrehozzanak egy egyszerű alkalmazást, amely automatikusan létrehozza a beviteli szöveg összefoglalását A képzés végére a résztvevők képesek lesznek: Használjon parancssori eszközt, amely összefoglalja a szöveget Tervezzen és hozzon létre szöveges összegzési kódot a Python könyvtárakkal Értékelje három Python összefoglaló könyvtárat: Sumy 070, Permanumization 104, Readless 1017 Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| undnn | Understanding Deep Neural Networks | 35 óra | Ez a kurzus azzal kezdődik, hogy fogalmi ismereteket ad neked a neurális hálózatokban és általában a gépi tanulási algoritmusban, a mély tanulásban (algoritmusokban és alkalmazásokban) A képzés 1 része (40%) nagyobb hangsúlyt fektet a fundamentumokra, de segít a megfelelő technológia kiválasztásában: TensorFlow, Caffe, Theano, DeepDrive, Keras stb A képzés második része (20%) bemutatja a Theano egy python könyvtárat, amely megkönnyíti a mélytanulási modellek írását A képzés harmadik része (40%) nagymértékben a Google nyílt forráskódú szoftverkönyvtárának a Tensorflow második generációs API-jára épül a Deep Learning számára A példák és a handson mind a TensorFlow-ban készültek Közönség Ez a tanfolyam célja azoknak a mérnököknek, akik a TensorFlow-t a Deep Learning projektekhez kívánják használni A kurzus befejezése után a küldöttek: jól értik a mély neurális hálózatokat (DNN), a CNN és az RNN-t megérteni a TensorFlow struktúráját és telepítési mechanizmusait képes legyen telepítési / gyártási környezet / építészeti feladatok és konfiguráció végrehajtására képes a kódminőség felmérésére, a hibakeresés végrehajtására, a monitorozásra képesek legyenek olyan fejlett gyártási folyamatok bevezetésére, mint a képzési modellek, grafikonok készítése és naplózás Nem minden téma lenne egy nyilvános osztályteremben, amely 35 órás időtartamot jelent a téma hatalmas volta miatt A teljes tanfolyam időtartama körülbelül 70 óra, nem pedig 35 óra . |
| opennlp | OpenNLP for Text Based Machine Learning | 14 óra | Az Apache OpenNLP könyvtár egy gépi tanulás alapú eszközkészlet a természetes nyelvű szövegek feldolgozásához Támogatja a leggyakoribb NLP-feladatokat, például a nyelvfelismerést, a tokenizálást, a mondatok szegmentálását, a partofspeech címkézést, az entitások kinyerését, a tagolást, az elemzést és a coreference-felbontást Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan lehet modelleket létrehozni szöveges adatok feldolgozásához az OpenNLP használatával A laborgyakorlatok alapjául a mintaképzési adatok és a testreszabott adatkészletek szolgálnak A képzés végére a résztvevők képesek lesznek: Telepítse és konfigurálja az OpenNLP-t A meglévő modellek letöltése, valamint a saját létrehozása Tanítsa a modelleket a különböző mintaadatokra Integrálja az OpenNLP-t meglévő Java-alkalmazásokkal Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| mlbankingpython_ | Machine Learning for Banking (with Python) | 21 óra | A gépi tanulás a mesterséges intelligencia egyik ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoztak volna A Python egy olyan programozási nyelv, amely híres a világos szintaxisáról és olvashatóságáról Kiváló gyűjteményt nyújt a jól vizsgált könyvtáraknak és technikáknak a gépi tanulási alkalmazások fejlesztésében Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan alkalmazzák a gépi tanulási technikákat és eszközöket a valós világ problémáinak megoldására a bankszektorban A résztvevők először megtanulják a kulcsfontosságú alapelveket, majd gyakorlati ismereteiket a saját gépi tanulási modellek elkészítésével és a csapatprojektek befejezésével használják fel Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| mlbankingr | Machine Learning for Banking (with R) | 28 óra | Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan alkalmazzák a gépi tanulási technikákat és eszközöket a valós világ problémáinak megoldására a bankszektorban R programozási nyelvként fogják használni A résztvevők először megtanulják a kulcsfontosságú elveket, majd gyakorlati ismereteiket a saját gépi tanulási modellek megépítésével és felhasználásával valósítják meg számos élő projekt megvalósításához Közönség Fejlesztők Adatkutatók Műszaki háttérrel rendelkező bankszakemberek A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| matlabdl | Matlab for Deep Learning | 14 óra | Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Matlab használatát a képfelismeréshez szükséges konvolúciós neurális hálózat tervezéséhez, felépítéséhez és megjelenítéséhez A képzés végére a résztvevők képesek lesznek: Építs egy mély tanulási modellt Az adatok címkézésének automatizálása Munka a Caffe és a TensorFlowKeras modelljeivel Vonatadatok több GPU, felhő vagy klaszter használatával Közönség Fejlesztők mérnökök Domain szakértők A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| tensorflowserving | TensorFlow Serving | 7 óra | 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 . |
| pythontextml | Python: Machine Learning with Text | 21 óra | Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan használják a megfelelő gépi tanulást és az NLP (Natural Language Processing) technikákat, hogy a szövegbázistól származó adatokból nyerjenek ki értéket A képzés végére a résztvevők képesek lesznek: A szövegalapú adatkommunikációs problémák megoldása magas minőségű, újrafelhasználható kóddal Alkalmazza a scikitlearn különböző aspektusait (osztályozás, csoportosítás, regresszió, dimenziócsökkentés) a problémák megoldásához Építsen hatékony gépi tanulási modelleket szöveges alapú adatok felhasználásával Hozzon létre egy adatkészletet, és kivonatolja a struktúrákból származó elemeket Az adatok megjelenítése a Matplotlib segítségével A bemutatók megszerzése és értékelése A szöveges kódolási hibák elhárítása Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| mlfinancepython | Machine Learning for Finance (with Python) | 21 óra | A gépi tanulás a Mesterséges Intelligencia ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoztak volna A Python egy olyan programozási nyelv, amely híres a világos szintaxisáról és olvashatóságáról Kiváló gyűjteményt nyújt a jól vizsgált könyvtáraknak és technikáknak a gépi tanulási alkalmazások fejlesztésében Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan alkalmazzák a gépi tanulási technikákat és eszközöket a pénzügyi világban rejlő valós problémák megoldásához A résztvevők először megtanulják a kulcsfontosságú alapelveket, majd gyakorlati ismereteiket a saját gépi tanulási modellek elkészítésével és a csapatprojektek befejezésével használják fel A képzés végére a résztvevők képesek lesznek: Ismerje meg a gépi tanulás alapvető fogalmát Ismerje meg a gépi tanulás alkalmazásait és felhasználási lehetőségeit a finanszírozásban Fejlesztse saját algoritmikus kereskedési stratégiáját gépi tanulással Python segítségével Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| encogintro | Encog: Introduction to Machine Learning | 14 óra | A Encog egy nyílt forráskódú gépi tanulási keret a Java és aNet számára Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan lehet különböző neurális hálózati komponenseket létrehozni az ENCOG segítségével A Realworld esettanulmányait megvitatják, és megvizsgálják a gépi nyelv alapú megoldásokat ezekre a problémákra A képzés végére a résztvevők képesek lesznek: Adja meg a neurális hálózatok adatait a normalizációs folyamat segítségével Végrehajtja a feed forward hálózatokat és a szaporítási képzési módszereket Végezzen osztályozási és regressziós feladatokat Modellje és képzése neurális hálózatok segítségével Encog GUI alapú munkaállomás Integrálja a neurális hálózati támogatást a valós világ alkalmazásokba Közönség Fejlesztők Az elemzők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| encogadv | Encog: Advanced Machine Learning | 14 óra | A Encog egy nyílt forráskódú gépi tanulási keret a Java és aNet számára Ebben az oktatott, élő képzésben a résztvevők megtanulják a fejlett gépi tanulási technikákat pontos neurális hálózati prediktív modellek építésére A képzés végére a résztvevők képesek lesznek: Különböző neurális hálózatok optimalizálási technikáit hajtsák végre az alulmûködés és a túlfûzés megoldása érdekében Megérteni és kiválasztani számos neurális hálózati architektúrát Végrehajtja a felügyelt feed forward és visszacsatolási hálózatokat Közönség Fejlesztők Az elemzők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| radvml | Advanced Machine Learning with R | 21 óra | 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 . |
| pythonadvml | Python for Advanced Machine Learning | 21 óra | 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 . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 óra | 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 . |
| embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 óra | 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 . |
| t2t | T2T: Creating Sequence to Sequence Models for Generalized Learning | 7 óra | 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 . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 óra | A Deep Learning NLP lehetővé teszi a gép számára, hogy egyszerűen leegyszerűsítse a nyelvi feldolgozást A jelenleg rendelkezésre álló feladatok közül a nyelvfordítás és a képaláírás-generálás a fotók számára A DL (Deep Learning) az ML (Machine Learning) részhalmaza A Python egy népszerű programozási nyelv, amely könyvtárakat tartalmaz a Deep Learning NLP számára Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Python könyvtárakat az NLP-hez (Natural Language Processing), mivel létrehoznak egy alkalmazást, amely képeket dolgoz fel és képeket generál A képzés végére a résztvevők képesek lesznek: Tervezés és kód NLL számára a Python könyvtárak használatával Hozzon létre egy Python kódot, amely egy lényegesen nagy gyűjteményből álló képet gyűjt össze és kulcsszavakat generál Olyan Python kódot hoz létre, amely feliratokat generál a felderített kulcsszavakból Közönség A nyelvtudással foglalkozó programozók A programozók, akik megértik az NLP (Natural Language Processing) A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| mlfinancer | Machine Learning for Finance (with R) | 28 óra | A gépi tanulás a Mesterséges Intelligencia ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoztak volna R népszerű programozási nyelv a pénzügyi ágazatban A pénzügyi alkalmazásokban az alapvető kereskedelmi programoktól a kockázatkezelési rendszerekig terjednek Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan alkalmazzák a gépi tanulási technikákat és eszközöket a pénzügyi világban rejlő valós problémák megoldásához R programozási nyelvként fogják használni A résztvevők először megtanulják a kulcsfontosságú alapelveket, majd gyakorlati ismereteiket a saját gépi tanulási modellek elkészítésével és a csapatprojektek befejezésével használják fel A képzés végére a résztvevők képesek lesznek: Ismerje meg a gépi tanulás alapvető fogalmát Ismerje meg a gépi tanulás alkalmazásait és felhasználási lehetőségeit a finanszírozásban Fejlesztse saját algoritmikus kereskedési stratégiáját gépi tanulással az R-vel Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| snorkel | Snorkel: Rapidly Process Training Data | 7 óra | A Snorkel egy olyan rendszer, amely gyorsan képes létrehozni, modellezni és kezelni a képzési adatokat Arra összpontosít, hogy felgyorsuljon a strukturált vagy "sötét" adatelnyelési alkalmazások fejlesztése azokon a területeken, ahol a nagy címkézett képzési készletek nem állnak rendelkezésre vagy könnyen beszerezhetők Ebben az oktatott, élő képzésben a résztvevők megtanulják a strukturált adatok - például szöveg, táblázatok, ábrák és képek - kicsinyítésének technikáit a Snorkel-szel végzett képzési adatok modellezésével A képzés végére a résztvevők képesek lesznek: Programszerűen hozzon létre képzési készleteket, amelyek lehetővé teszik a hatalmas edzéskészletek címkézését Vigye végig a csúcsminőségű modelleket a zajos edzéskészletek modellezésével Használja a Snorkelt a gyenge felügyeleti technikák végrehajtására és az adatfeldolgozást a gyengén felügyelt gépi tanulási rendszerekre Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
| ML_LBG | Machine Learning – Data science | 21 óra | Ez az osztálytermi alapú edzés a (javasolt) Python gépi tanulási eszközöket vizsgálja A küldöttek számítógéppel kapcsolatos példákkal és esettanulmányi gyakorlatokkal rendelkeznek . |
| appai | Applied AI from Scratch | 28 óra | 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. |
| dlfortelecomwithpython | Deep Learning for Telecom (with Python) | 28 óra | 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 telecom 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 telecom - Use Python, Keras, and TensorFlow to create deep learning models for telecom - Build their own deep learning customer churn prediction model using Python Format of the course - Part lecture, part discussion, exercises and heavy hands-on practice |
| rapidminer | RapidMiner for Machine Learning and Predictive Analytics | 14 óra | RapidMiner is an open source data science software platform for rapid application prototyping and development. It includes an integrated environment for data preparation, machine learning, deep learning, text mining, and predictive analytics. In this instructor-led, live training, participants will learn how to use RapidMiner Studio for data preparation, machine learning, and predictive model deployment. By the end of this training, participants will be able to: - Install and configure RapidMiner - Prepare and visualize data with RapidMiner - Validate machine learning models - Mashup data and create predictive models - Operationalize predictive analytics within a business process - Troubleshoot and optimize RapidMiner Audience - Data scientists - Engineers - Developers Format of the Course - Part lecture, part discussion, exercises and heavy hands-on practice Note - To request a customized training for this course, please contact us to arrange. |
| aicityplanning | Artificial Intelligence for City Planning | 14 óra | Mit fognak látni a városok a jövőben? Hogyan használható a mesterséges intelligencia (AI) a várostervezés javítására? Hogyan használható az AI a városok hatékonyabbá, életképesebbé, biztonságosabbá és környezetbarátabbá tételére? Ebben az oktatott, élő képzésben (helyszíni vagy távoli) az AI-t alkotó különböző technológiákat, valamint a várostervezéshez szükséges készségek és mentális kereteket vizsgáljuk Szintén lefedi az eszközöket és megközelítéseket a releváns adatok összegyűjtésére és megszervezésére AI-ban, beleértve az adatbányászatot is Közönség Várostervezők Építészek Fejlesztők Közlekedési tisztviselők A tanfolyam formátuma Részelőadás, vitafórum és egy sor interaktív gyakorlat jegyzet Ha erre a kurzusra személyre szabott képzést szeretne kérni, kérjük, vegye fel velünk a kapcsolatot . |
| dlformedicine | Deep Learning for Medicine | 14 óra | A gépi tanulás a mesterséges intelligencia egyik ága, ahol a számítógépek képesek tanulni anélkül, hogy kifejezetten programoztak volna A Deep Learning egy gépi tanulás egyik részmezete, amely megpróbálja utánozni az emberi agy működését a döntések meghozatalában Adatgyűjtéssel rendelkezik, hogy automatikusan megoldja a problémákat A Deep Learning óriási lehetőségeket kínál az orvosi ipar számára, amely egy adatmezőben ül Ebben az oktatott, élő edzésben a résztvevők vegyen részt egy sor megbeszélésen, gyakorlatokon és a casestudy elemzésen, hogy megértse a Deep Learning alapjait A legfontosabb Deep Learning eszközöket és technikákat értékelik, és e- gyakorlatokat fognak végrehajtani, hogy felkészítsék a résztvevőket saját értékelésükre és a Deep Learning megoldások megvalósítására szervezetükön belül A képzés végére a résztvevők képesek lesznek: Értsd meg a Deep Learning alapjait Ismerje meg a Deep Learning technikákat és alkalmazásukat az iparban Vizsgálja meg azokat a problémákat, amelyeket a Deep Learning technológiák megoldhatnak Fedezze fel a Deep Learning esettanulmányait az orvostudományban Készítsen stratégiát a Deep Learning legmodernebb technológiáinak elfogadására az orvosi problémák megoldásában Közönség Menedzserek Orvosi szakemberek a vezetői szerepekben A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Ha erre a kurzusra személyre szabott képzést szeretne kérni, kérjük, vegye fel velünk a kapcsolatot . |
| algebraforml | Algebra for Machine Learning | 14 óra | A lineáris algebra a matematika egyik ágát jelenti, amely vektorokkal, mátrixokkal és lineáris transzformációkkal foglalkozik A lineáris algebra ismerete segít a mérnökök és a fejlesztők számára a gépi tanulási képességek fejlesztésében A lineáris algebra koncepciók megértése lehetővé teszi számukra, hogy jobban megértsék a gépi tanulási technikák mögött álló elveket, és ezáltal gyorsabban megoldják a problémákat Ebben az oktatott, élő képzésben a résztvevők megtanulják a lineáris algebra alapjait, miközben egy gépi tanulási problémát megoldanak a lineáris algebra módszerekkel A képzés végére a résztvevők képesek lesznek: Értsd meg az alapvető lineáris algebra koncepciókat Ismerje meg a gépi tanuláshoz szükséges lineáris algebrai készségeket Használjon lineáris algebra struktúrákat és koncepciókat az adatok, képek, algoritmusok stb A gépi tanulási probléma megoldása lineáris algebra segítségével Közönség Fejlesztők mérnökök A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Ha erre a kurzusra személyre szabott képzést szeretne kérni, kérjük, vegye fel velünk a kapcsolatot . |
| Nue_LBG | Neural computing – Data science | 14 óra | Ez az osztálytermi alapú tréning olyan prezentációkat és számítógépes alapú példákat, valamint esettanulmányi feladatokat fog tartalmazni, amelyek a megfelelő idegi és mély hálózati könyvtárakkal . |
| mllbg | Machine Learning in business – AI/Robotics | 14 óra | Ez a tantermi alapú tréning fel fogja fedezni a gépi tanulási technikákat, számítógépes alapú példákkal és esettanulmány-megoldási gyakorlatokkal, . |
| Kurzus | Dátum | Ár [Távoktatás / Tantermi] |
|---|---|---|
| Pattern Recognition - Budapest, V. kerület | h, 2019-03-04 09:30 | 8750EUR / 9950EUR |
| Pattern Recognition - Debrecen | h, 2019-03-11 09:30 | 8750EUR / 9950EUR |
| Pattern Recognition - Miskolc, Tapolcafürdő | h, 2019-03-18 09:30 | 8750EUR / 9950EUR |
| Pattern Recognition - Kecskemét | h, 2019-03-25 09:30 | 8750EUR / 9950EUR |
| Pattern Recognition - Szeged, Felső Tisza-Part | h, 2019-04-22 09:30 | 8750EUR / 9950EUR |
| Kurzus | Helyszín | Dátum | Ár [Távoktatás / Tantermi] |
|---|---|---|---|
| Business Continuity Practitioner | Debrecen | k, 2019-03-26 09:30 | 3150EUR / 3750EUR |
| Data Mining | Budapest, V. kerület | sze, 2019-04-17 09:30 | 4725EUR / 5525EUR |
| Managing Configuration with Ansible | Debrecen | k, 2019-05-14 09:30 | 4050EUR / 4850EUR |
| R for Data Analysis and Research | Debrecen | cs, 2019-06-13 09:30 | 1575EUR / 1975EUR |
.jpg "food and drug administration (fda)")
.png "new york stock exchange (nyse)")
We are looking to expand our presence in Hungary!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
