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
Machine Translated
Ajánlások
Lehetőség magad megvitatni a javasolt kérdéseket
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Machine Translated
Kommunikáció az előadókkal
文欣 张
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Tetszik
lisa xie
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
A gépi tanulási témák részletes ismertetése, különösen a neurális hálózatok. A téma nagy részét feldúsította.
Sacha Nandlall
Kurzus: Python for Advanced Machine Learning
Machine Translated
Nagyon tetszett a gyakorlatok
L M ERICSSON LIMITED
Kurzus: Machine Learning
Machine Translated
a labor gyakorolja
Marcell Lorant - L M ERICSSON LIMITED
Kurzus: Machine Learning
Machine Translated
A Jupyter notebook formája, amelyben a képzési anyag elérhető
L M ERICSSON LIMITED
Kurzus: Machine Learning
Machine Translated
Számos gyakorlat és érdekes téma volt.
L M ERICSSON LIMITED
Kurzus: Machine Learning
Machine Translated
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
Machine Translated
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
Machine Translated
Nagy és naprakész tudás a vezető és gyakorlati alkalmazási példákról.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
Sok gyakorlat, nagyon jó együttműködés a csoporttal.
Janusz Chrobot - ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
dolgozik a kollaborátorokon,
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
Nyilvánvaló volt, hogy a bemutatott témák rajongói vezetettek. Hasznos érdekes példák gyakorlása során.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
A témák széles köre és a vezetők jelentős ismerete.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
hiány
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Az előadók nagy elméleti és gyakorlati ismerete. Az oktatók kommunikációja. A tanfolyam során kérdéseket tehet fel, és kielégítő választ kaphat.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Gyakorlati rész, ahol algoritmusokat vezettünk be. Ez lehetővé tette a téma jobb megértését.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
gyakorlatokat és a rájuk végrehajtott példákat
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Példák és kérdések.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Az anyagi tudás, elkötelezettség, a tudás átadásának szenvedélyes módja. Gyakorlati példák elméleti előadás után.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Maciej úr gyakorlati gyakorlatok
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
A szenvedélyből részesültem, hogy megtanítsam, és arra koncentráljak, hogy a dolog értelmes legyen.
Zaher Sharifi - GOSI
Kurzus: Advanced Deep Learning
Machine Translated
Az emberi azonosítás és áramköri rossz pont detektálás
王 春柱 - 中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Bizonyítani
中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Körülbelül szembenéz terület.
中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Az előadások során már nem hivatalos csereprogramok segítettek mélyíteni a téma megértésének
Explore
Kurzus: Deep Reinforcement Learning with Python
Machine Translated
Számos módszert mutat be előkészített szkriptekkel - nagyon szépen előkészített anyagok és könnyű nyomon követni
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Kurzus: Machine Learning – Data science
Machine Translated
Szeretek, hogy a képzés a példákra és a kódolásra összpontosított. Azt hittem, hogy nem lehet annyi tartalmat csomagolni három napos képzésbe, de tévedtem. A képzés sok témát ölel fel, és mindent nagyon részletesen végeztünk (különösen a modell paramétereinek hangolása) - nem vártam, hogy erre lesz idő, és meglepődtem.
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kurzus: Machine Learning – Data science
Machine Translated
Alternatív elmélet / gyakorlat hatékony!
CIRAD
Kurzus: Introduction to Machine Learning with MATLAB
Machine Translated
A módszerek progresszív bemutatása és alkalmazása
Aurélien Briffaz - CIRAD
Kurzus: Introduction to Machine Learning with MATLAB
Machine Translated
Elérhetőség és alkalmazkodóképesség, válaszok a kérdésekre
Jean-Michel MEOT - CIRAD
Kurzus: Introduction to Machine Learning with MATLAB
Machine Translated
Megvitatott kérdések, gyakorlatok (példák), képzés légköre, kapcsolat az edzővel, helyszín.
Wojskowe Zakłady Uzbrojenia S.A. w Grudziądzu
Kurzus: Octave not only for programmers
Machine Translated
Sok praktikus tipp
Pawel Dawidowski - ABB Sp. z o.o.
Kurzus: Deep Learning with TensorFlow
Machine Translated
Rengeteg információ a megoldások megvalósításával kapcsolatban
Michał Smolana - ABB Sp. z o.o.
Kurzus: Deep Learning with TensorFlow
Machine Translated
Az AI / IT / SQL / IoT témakörök széles köréből számos praktikus tipp és ismeret az előadónak.
ABB Sp. z o.o.
Kurzus: Deep Learning with TensorFlow
Machine Translated
Tetszik, hogy inkább a különféle szövegösszefoglalási módszerek útmutatójára összpontosít
Kurzus: Text Summarization with Python
Machine Translated
rengeteg információ, minden kérdés megválaszolva, érdekes példák
A1 Telekom Austria AG
Kurzus: Deep Learning for Telecom (with Python)
Machine Translated
Az oktató szakember volt a tantárgy és a kapcsolódó elmélet területén, kiválóan alkalmazva
Fahad Malalla - Tatweer Petroleum
Kurzus: Applied AI from Scratch in Python
Machine Translated
A nulla közeli tudással kezdtem, és végül képesek voltam saját hálózatokat felépíteni és kiképzni.
Huawei Technologies Duesseldorf GmbH
Kurzus: TensorFlow for Image Recognition
Machine Translated
Ewa has a passion for the subject and a huge wealth of knowledge. She impressed all of us with her knowledge and kept us all focused through the day.
Rock Solid Knowledge Ltd
Kurzus: Machine Learning – Data science
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Kurzus: Machine Learning – Data science
So much breadth and topics covered. I felt it was a huge subject to try and cover in 3 days - the trainer did what they could to cover everything almost exactly on time!
Rock Solid Knowledge Ltd
Kurzus: Machine Learning – Data science
Tetszik, hogy inkább a különféle szövegösszefoglalási módszerek útmutatójára összpontosít
Kurzus: Text Summarization with Python
Machine Translated
Machine Learning Subcategories
Machine Learning (ML) Course Outlines
A képzés végére a résztvevők képesek lesznek:
- Telepítse és konfigurálja a Python és a MySql szoftvert.
- Tudja meg, mi az Data Science , és hogyan teremt hozzáadott értéket gyakorlatilag bármely vállalkozás számára.
- Ismerje meg a kódolás alapjait a Python
- Ismerje meg a felügyelt és felügyelet nélküli Machine Learning technikákat, és hogyan alkalmazhatja azokat, valamint hogyan értelmezheti az eredményeket.
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 ehhez a kurzushoz, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.
Közönség
Azok a tudósok és statisztikusok, akik ismerik a gépi tanulást és tudják, hogyan kell R. programozni. A kurzus az adat / modell előkészítésének, végrehajtásának, post hoc elemzésének és vizualizációjának gyakorlati aspektusaira helyezi a hangsúlyt. A cél az, hogy gyakorlati bevezetést nyújtsunk a gépi tanuláshoz a résztvevők érdekeltek a módszerek alkalmazásában
Az ágazatspecifikus példákat arra használják, hogy a képzés a közönség számára releváns legyen.
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.
Ez a képzés nagyobb hangsúlyt alapjait, de segít kiválasztani a megfelelő technológia: TensorFlow , Caffe , Teano, DeepDrive, Keras stb A példák készülnek TensorFlow .
Ez egy széles körű áttekintés a meglévő módszerekről, motivációkról és főbb ötletekről a mintafelismerés összefüggésében.
Rövid elméleti háttér után a résztvevők egyszerű gyakorlatot végeznek nyílt forráskódú (általában R) vagy bármely más népszerű szoftver segítségével.
célunk, hogy megadja a készségeket, hogy megértsék és használja a legalapvetőbb eszközöket a Machine learning eszközkészleten magabiztosan és elkerülni a közös buktatóit Data Sciences alkalmazások.
Célunk az, hogy képességeket nyújtsunk a Machine Learning eszköztár legalapvetőbb eszközeinek magabiztos megértéséhez és használatához, és elkerüljük az Data Science alkalmazásának gyakori hibáit.
Célunk az, hogy képességeket nyújtsunk a Machine Learning eszköztár legalapvetőbb eszközeinek magabiztos megértéséhez és használatához, és elkerüljük az Data Science alkalmazásának gyakori hibáit.
Célunk az, hogy képességeket nyújtsunk a Machine Learning eszköztár legalapvetőbb eszközeinek magabiztos megértéséhez és használatához, és elkerüljük az Data Science alkalmazásának gyakori hibáit.
Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan lehet gépi tanulási technikákat és eszközöket alkalmazni a valós világbeli problémák megoldására a pénzügyi ágazatban. R programozási nyelv lesz.
A résztvevők először megtanulják a fő alapelveket, majd tudásukat a gyakorlatba ültetik saját gépi tanulási modelleik felépítésével és felhasználásával számos csapatprojekt megvalósításához.
A képzés végére a résztvevők képesek lesznek:
- Megérteni a gépi tanulás alapvető fogalmait
- Ismerje meg a gépi tanulás alkalmazásokat és felhasználásait a pénzügyekben
- Fejlesztse ki saját algoritmikus kereskedési stratégiáját az R gépi tanulással
Közönség
- Fejlesztők
- Adattudósok
A tantárgy formátuma
- Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat
Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan lehet gépi tanulási technikákat és eszközöket alkalmazni a valós világbeli problémák megoldására a pénzügyi ágazatban.
A résztvevők először megtanulják a fő alapelveket, majd tudásukat a gyakorlatba ültetik saját gépi tanulási modelleik felépítésével és felhasználásával számos csapatprojekt megvalósításához.
A képzés végére a résztvevők képesek lesznek:
- Megérteni a gépi tanulás alapvető fogalmait
- Ismerje meg a gépi tanulás alkalmazásokat és felhasználásait a pénzügyekben
- Készítsen saját algoritmikus kereskedési stratégiát a Python gépi tanulással
Közönség
- Fejlesztők
- Adattudósok
A tantárgy formátuma
- Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat
Célközönség
- Befektetők és AI vállalkozók
- Vezetők és mérnökök, akiknek vállalata belép az AI térbe
- Business elemzők és befektetők
A képzés végére a résztvevők:
- Megérteni a gépi tanulás fejlődését és trendeit.
- Tudja, hogy a gépi tanulást hogyan használják a különböző iparágakban.
- Ismerkedjen meg a szervezeten belüli gépi tanulás megvalósításához rendelkezésre álló eszközökkel, készségekkel és szolgáltatásokkal.
- Tudja meg, hogyan lehet a gépi tanulást felhasználni az adatbányászat és az elemzés javítására.
- Tudja meg, mi az adatközép háttér és hogyan használják azt a vállalkozások.
- Tudja meg, hogy a nagy adatok és az intelligens alkalmazások milyen szerepet játszanak az iparágakban.
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.
A résztvevők először megtanulják a fő alapelveket, majd tudásukat a gyakorlatba ültetik saját gépi tanulási modelleik felépítésével és számos élő projekt befejezésével.
Közönség
- Fejlesztők
- Adattudósok
- Banki szakemberek, technikai háttérrel
A tantárgy formátuma
- Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat
Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan lehet gépi tanulási technikákat és eszközöket alkalmazni a valós világ problémáinak megoldására a bankiparban.
A résztvevők először megtanulják a fő alapelveket, majd tudásukat a gyakorlatba ültetik saját gépi tanulási modelleik felépítésével és felhasználásával számos csapatprojekt megvalósításához.
Közönség
- Fejlesztők
- Adattudósok
A tantárgy formátuma
- Részleges előadás, részleges beszélgetés, gyakorlatok és 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
Ez az oktató által vezetett, élő képzés (helyszíni vagy távoli) azokra a mérnökökre irányul, akik szeretnének megtudni a mesterséges intelligencia mechatronikus rendszerekre való alkalmazhatóságáról.
E képzés végén a résztvevők:
- Kap egy áttekintést a mesterséges intelligenciáról, a gépi tanulásról és a számítástechnikai intelligenciáról.
- Ismerje meg a neurális hálózatok és a különböző tanulási módszerek fogalmát.
- A mesterséges intelligencia megközelítéseit hatékonyan válassza ki a valós élet problémáira.
- Végezze el az AI alkalmazásokat mechatronikai mérésekben.
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.
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
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
.png "european space agency (esa)")
.png "aeronautical radio, incorporated (arinc)")
.png "new york stock exchange (nyse)")
