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
Vélemények
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
Nagyon interaktív és nyugodt és informálisabb volt a vártnál. Számos témát fedeztünk fel időben, és a tréner mindig érzékeny volt arra, hogy részletesebben vagy általánosabban beszéljen a témákról és arról, hogy hogyan kapcsolódtak egymáshoz. Úgy érzem, a képzés adott nekem az eszközöket a tanulás folytatásához, szemben azzal, hogy egy egyszeri munkamenet, ahol a tanulás abbahagyja a befejezése után, ami nagyon fontos a téma skálája és összetettsége miatt.
Jonathan Blease
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
A tréner annyira jól ismertté vált, és olyan területeket érintett, amelyekbe érdekelt.
Mohamed Salama
Kurzus: Data Mining & Machine Learning with R
Machine Translated
A téma nagyon érdekes.
Wojciech Baranowski
Kurzus: Introduction to Deep Learning
Machine Translated
Előkészítő elméleti ismereteket és készségeket kínál a résztvevők problémáinak megoldására a képzés után.
Grzegorz Mianowski
Kurzus: Introduction to Deep Learning
Machine Translated
Téma. Nagyon érdekes!.
Piotr
Kurzus: Introduction to Deep Learning
Machine Translated
Az egyes témák után végzett gyakorlatok nagyon hasznosak voltak, annak ellenére, hogy a végén túl bonyolult volt. Általában a bemutatott anyag nagyon érdekes volt és bevonásával! A képfelismeréssel kapcsolatos gyakorlatok nagyszerűek voltak.
Dolby Poland Sp. z o.o.
Kurzus: Introduction to Deep Learning
Machine Translated
Úgy gondolom, hogy ha a képzés lengyel nyelven zajlik, akkor az oktató hatékonyabbá teheti ismereteit.
Radek
Kurzus: Introduction to Deep Learning
Machine Translated
A mélytanulás globális áttekintése.
Bruno Charbonnier
Kurzus: Advanced Deep Learning
Machine Translated
A gyakorlatok kellően praktikusak és nem igényelnek magas szintű Python ismereteket.
Alexandre GIRARD
Kurzus: Advanced Deep Learning
Machine Translated
Gyakorlatok gyakorlása valódi példákon Eras használatával. Olaszország teljesen megértette a képzésünkre vonatkozó elvárásainkat.
Paul Kassis
Kurzus: Advanced Deep Learning
Machine Translated
Nagyra értékelem Krisztus kristálytiszta válaszát a kérdéseinkre.
Léo Dubus
Kurzus: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Általában élveztem a jól képzett edzőt.
Sridhar Voorakkara
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Meglepődtem ennek az osztálynak a normáljához - azt mondanám, hogy egyetemes volt.
David Relihan
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nagyon jó átfogó áttekintés. Go a hátteret arról, hogy a Tensorflow miért működik úgy, ahogy működik.
Kieran Conboy
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Szeretem a kérdéseket feltenni és mélyebben magyarázni az elméletet.
Sharon Ruane
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nagyobb betekintést nyertünk a tárgyhoz. Néhány szép beszélgetés történt néhány valódi tárgyat a cégünkben.
Sebastiaan Holman
Kurzus: Machine Learning and Deep Learning
Machine Translated
A képzés megteremtette a megfelelő alapot, amely lehetővé teszi számunkra, hogy tovább bővítsük, megmutatva, hogy az elmélet és a gyakorlat hogyan jár együtt. Valójában ennél jobban érdekelt a téma, mint korábban.
Jean-Paul van Tillo
Kurzus: Machine Learning and Deep Learning
Machine Translated
Nagyon élveztem a témák lefedettségét és mélységét.
Anirban Basu
Kurzus: Machine Learning and Deep Learning
Machine Translated
A tréner nagyon könnyen megmagyarázta a nehéz és fejlett témákat. Les
Leszek K
Kurzus: Artificial Intelligence Overview
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
Mindenki tetszik
蒙 李
Kurzus: Machine Learning Fundamentals with Python
Machine Translated
a vezetés módját és az oktató által adott példát ORAN
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Machine Translated
Lehetőség magad megvitatni a javasolt kérdéseket
ORANGE POLSKA S.A.
Kurzus: Machine Learning and Deep Learning
Machine Translated
Kommunikáció az előadókkal
文欣 张
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Tetszik
lisa xie
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
A gépi tanulási témák részletes ismertetése, különösen a neurális hálózatok. A téma nagy részét feldúsította.
Sacha Nandlall
Kurzus: Python for Advanced Machine Learning
Machine Translated
Nagy és naprakész tudás a vezető és gyakorlati alkalmazási példákról.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
Sok gyakorlat, nagyon jó együttműködés a csoporttal.
Janusz Chrobot - ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
dolgozik a kollaborátorokon,
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
Nyilvánvaló volt, hogy a bemutatott témák rajongói vezetettek. Hasznos érdekes példák gyakorlása során.
ING Bank Śląski S.A.
Kurzus: Introduction to Deep Learning
Machine Translated
A témák széles köre és a vezetők jelentős ismerete.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
hiány
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Az előadók nagy elméleti és gyakorlati ismerete. Az oktatók kommunikációja. A tanfolyam során kérdéseket tehet fel, és kielégítő választ kaphat.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Machine Translated
Machine Learning Subcategories
Machine Learning (ML) Course Outlines
Kurzusnév
Időtartalma
Összefoglaló
Kurzusnév
Időtartalma
Összefoglaló
7 hours
This instructor-led, live training in Magyarország (online or onsite) is aimed at software engineers or anyone who wish to learn how to use Vertex AI to perform and complete machine learning activities.
By the end of this training, participants will be able to:
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
By the end of this training, participants will be able to:
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
7 hours
AlphaFold egy Artificial Intelligence (AI) rendszer, amely a fehérje szerkezetek előrejelzését végzi. Az Alphabet’s/Google’s DeepMind fejlesztette ki, mint egy mély tanulási rendszer, amely pontosan megjósolhatja a fehérje szerkezetek 3D modelleit.
Ez az oktató által vezetett, élő képzés (online vagy online) olyan biológusokra irányul, akik meg akarják érteni, hogy AlphaFold hogyan működik és használja AlphaFold modelleket kísérleti tanulmányai útmutatóként.
A képzés befejezése után a résztvevők képesek lesznek:
Ismerje meg az alapvető elvek AlphaFold. Ismerje meg, hogyan működik AlphaFold. Ismerje meg, hogyan kell értelmezni AlphaFold előrejelzéseket és eredményeket.
A kurzus formája
Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
Ez az oktató által vezetett, élő képzés (online vagy online) olyan biológusokra irányul, akik meg akarják érteni, hogy AlphaFold hogyan működik és használja AlphaFold modelleket kísérleti tanulmányai útmutatóként.
A képzés befejezése után a résztvevők képesek lesznek:
Ismerje meg az alapvető elvek AlphaFold. Ismerje meg, hogyan működik AlphaFold. Ismerje meg, hogyan kell értelmezni AlphaFold előrejelzéseket és eredményeket.
A kurzus formája
Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
14 hours
Waikato Environment for Knowledge Analysis (Weka) egy nyílt forráskódú adatbányászat vizualizációs szoftver. A gépi tanulási algoritmusok gyűjteményét biztosítja az adatok előkészítésére, osztályozására, csoportosítására és egyéb adatbányászati tevékenységekre.
Ez az oktató által vezetett, élő képzés (online vagy online) célja az adatelemzők és az adattudósok, akik szeretnék használni Weka az adatbányászati feladatok elvégzésére.
A képzés befejezése után a résztvevők képesek lesznek:
Beállítása és konfigurálása Weka Ismerje meg a Weka környezetet és a munkabankot. Az adatbányászati feladatok elvégzése Weka.
A kurzus formája
Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
Ez az oktató által vezetett, élő képzés (online vagy online) célja az adatelemzők és az adattudósok, akik szeretnék használni Weka az adatbányászati feladatok elvégzésére.
A képzés befejezése után a résztvevők képesek lesznek:
Beállítása és konfigurálása Weka Ismerje meg a Weka környezetet és a munkabankot. Az adatbányászati feladatok elvégzése Weka.
A kurzus formája
Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
14 hours
Ennek a kurzusnak a célja, hogy alapvető készségeket biztosítson az Machine Learning módszerek alkalmazásában a gyakorlatban. A Python programozási nyelv és a különböző könyvtárak használatával, és számos gyakorlati példa alapján ez a kurzus tanítja, hogyan kell használni a legfontosabb építési blokkokat Machine Learning, hogyan kell adatmodellezési döntéseket hozni, értelmezni az algoritmusok kimenetelét és érvényesíteni az eredményeket.
Célunk, hogy megadjuk Önnek a készségeket, hogy megértse és használja a legalapvetőbb eszközöket a Machine Learning szerszámdobozban bizalommal, és elkerüljék a közönséges csapások a Data Science alkalmazások.
Célunk, hogy megadjuk Önnek a készségeket, hogy megértse és használja a legalapvetőbb eszközöket a Machine Learning szerszámdobozban bizalommal, és elkerüljék a közönséges csapások a Data Science alkalmazások.
21 hours
Ebben az oktatott, élő képzésben a résztvevők megtanulják a legfontosabb és legelterjedtebb gépi tanulási technikákat a Pythonban, miközben olyan demó alkalmazásokat készítenek, amelyek képeket, zenéket, szövegeket és pénzügyi adatokat tartalmaznak A képzés végére a résztvevők képesek lesznek: Gépi tanulási algoritmusok és technikák végrehajtása komplex problémák megoldásához Alapos tanulás és félig felügyelt tanulás alkalmazása a képeket, zenéket, szöveget és pénzügyi adatokat tartalmazó alkalmazásokhoz Nyomja a Python algoritmusokat a maximális potenciáljukhoz Használjon olyan könyvtárakat és csomagokat, mint a NumPy és a Theano Közönség Fejlesztők Az elemzők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
28 hours
a kurzus célja, hogy általános jártasságot biztosítson a gépi tanulási módszerek gyakorlati alkalmazásában. Segítségével a Python programozási nyelv és a különböző könyvtárak, és számos gyakorlati példa alapján ez a tanfolyam azt tanítja, hogyan kell használni a legfontosabb építőkövei a gépi tanulás, hogyan lehet az adatok modellezés döntéseket, értelmezni a az algoritmusok kimeneteit, és validálja az eredményeket.
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, hogy megadja a készségeket, hogy megértsék és használja a legalapvetőbb eszközöket a Machine learning eszközkészleten magabiztosan és elkerülni a közös buktatóit Data Sciences alkalmazások.
28 hours
Ez egy 4 napos tanfolyam, amely bemutatja az AI és annak alkalmazását a Python programozási nyelv használatával. Van egy lehetőség, hogy egy további napot, hogy elvégezzen egy AI projekt befejezése után ez a kurzus.
21 hours
A mély Reinforcement Learning a & quot;artifical ügynök képességére & quot; megtalálásának a hibás- és hibás- és díja- és büntetésével. Egy műszaki ügynök céljából az emberi ' a képessége saját ismeret kapcsolatban és építésére, közvetlenül a hajlési befektetésekből, mint a látmányból. A megerősített tanulmányok megfelelően mély tanulmány és neurál hálózatok használják. A megerősítési tanulmány különböző gép tanulmányból, és nem függ a felügyeleti és nem felügyelő tanulmányos megoldásokra.
E tanácsadóban élő képviselő, a résztvevők megtanulnak a Dühösség alapján Reinforcement Learning, amikor egy Deep Learning ügynök létrehozására lépnek.
E képzés végéig a résztvevők tudnak:
Megértem a Dühösséget mögött kulcskönyvek Reinforcement Learning és tudja el különbözni Machine Learning Felhasznált algoritmikat alkalmazni a valódi világproblémák megoldásához Deep Learning Ügynök
Hivatalosság
Adattudományok fejlesztők
A személy formátunk
Részbemutató, részbeszéd, gyakorlatok és súlyos kezek a gyakorlat
E tanácsadóban élő képviselő, a résztvevők megtanulnak a Dühösség alapján Reinforcement Learning, amikor egy Deep Learning ügynök létrehozására lépnek.
E képzés végéig a résztvevők tudnak:
Megértem a Dühösséget mögött kulcskönyvek Reinforcement Learning és tudja el különbözni Machine Learning Felhasznált algoritmikat alkalmazni a valódi világproblémák megoldásához Deep Learning Ügynök
Hivatalosság
Adattudományok fejlesztők
A személy formátunk
Részbemutató, részbeszéd, gyakorlatok és súlyos kezek a gyakorlat
28 hours
A gépi tanulás a mesterséges intelligencia ágazata, amelyben a számítógépek képesek megtanulni anélkül, hogy kifejezetten programozódnának.
A mélytanulás a gépi tanulás olyan alterülete, amely a tanulási adatok képviseletén és szerkezetén alapuló módszereket használ, mint például a neurális hálózatok.
Python egy magas szintű programozási nyelv híres a világos szintax és a kódolhatóság.
Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan kell végrehajtani a mélyreható tanulási modelleket a távközlési használathoz Python miközben a mélyreható tanulási hitelkockázati modell létrehozásán keresztül haladnak.
A képzés befejezése után a résztvevők képesek lesznek:
Ismerje meg a mély tanulás alapvető fogalmát. Ismerje meg a mélytanulás alkalmazásait és használatait a telecomban. Használja Python, Keras, és TensorFlow létrehozása mély tanulási modellek a távközlési. Hozzon létre saját mélyreható tanulási ügyfél előrejelzési modell segítségével Python.
A kurzus formája
Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
A mélytanulás a gépi tanulás olyan alterülete, amely a tanulási adatok képviseletén és szerkezetén alapuló módszereket használ, mint például a neurális hálózatok.
Python egy magas szintű programozási nyelv híres a világos szintax és a kódolhatóság.
Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan kell végrehajtani a mélyreható tanulási modelleket a távközlési használathoz Python miközben a mélyreható tanulási hitelkockázati modell létrehozásán keresztül haladnak.
A képzés befejezése után a résztvevők képesek lesznek:
Ismerje meg a mély tanulás alapvető fogalmát. Ismerje meg a mélytanulás alkalmazásait és használatait a telecomban. Használja Python, Keras, és TensorFlow létrehozása mély tanulási modellek a távközlési. Hozzon létre saját mélyreható tanulási ügyfél előrejelzési modell segítségével Python.
A kurzus formája
Interaktív előadás és vita. Rengeteg gyakorlat és gyakorlat. Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
14 hours
A projektor beágyazása egy nyílt forráskódú webes alkalmazás, amely a gépi tanulási rendszerek vonatozásához használt adatok vizualizálására szolgál A Google által létrehozott része a TensorFlow része Ez az oktatott, élő képzés bemutatja az Embedding Projector mögött álló fogalmakat, és a résztvevőket egy demo projekt létrehozásával végzi A képzés végére a résztvevők képesek lesznek: Fedezze fel, hogyan értelmezik az adatokat a gépi tanulási modellek Keresse meg a 3D és a 2D nézet adatokat, hogy megértse, hogyan értelmezi a gépi tanulási algoritmus Megérteni a beágyazások mögött rejlő fogalmakat és azok szerepét a matematikai vektorok ábrázolásához képekhez, szavakhoz és számokhoz Fedezze fel egy adott beágyazás tulajdonságait, hogy megértse a modell viselkedését Alkalmazzon beágyazási projektet a realworld-alkalmazásokra, ilyen például a zenés szerelmeseinek szóló dal ajánlásrendszere Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
7 hours
Ez a kurzus a vezetők, a megoldások építészek, az innovációs tisztviselők, a CTO-k, a szoftver építészek és mindenki számára készült, aki érdekli az alkalmazott mesterséges intelligencia áttekintését és a legközelebbi előrejelzést a fejlesztéshez.
7 hours
Ez a tanfolyam olyan emberek számára készült, akik gyakorlati alkalmazásokban szeretnék alkalmazni az alapvető Machine Learning technikákat.
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.
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.
14 hours
Ez a tanfolyam azoknak szól, akik gyakorlati alkalmazásokban szeretnék alkalmazni a Machine Learning .
Közönség
Ez a kurzus olyan tudósok és statisztikusok számára készült, akik ismerik a statisztikákat és tudják, hogyan programozzák az R-et (vagy Python vagy más választott nyelvet). A kurzus középpontjában az adatok / modellkészítés, a végrehajtás, a post hoc elemzés és a vizualizáció gyakorlati aspektusai állnak.
A cél az, hogy gyakorlati alkalmazásokat nyújtson a Machine Learning azoknak a résztvevőknek, akik érdeklődnek a módszerek alkalmazásából.
Az ágazatspecifikus példákat arra használják, hogy a képzés a közönség számára releváns legyen.
Közönség
Ez a kurzus olyan tudósok és statisztikusok számára készült, akik ismerik a statisztikákat és tudják, hogyan programozzák az R-et (vagy Python vagy más választott nyelvet). A kurzus középpontjában az adatok / modellkészítés, a végrehajtás, a post hoc elemzés és a vizualizáció gyakorlati aspektusai állnak.
A cél az, hogy gyakorlati alkalmazásokat nyújtson a Machine Learning azoknak a résztvevőknek, akik érdeklődnek a módszerek alkalmazásából.
Az ágazatspecifikus példákat arra használják, hogy a képzés a közönség számára releváns legyen.
14 hours
Ez a kurzus célja alapvető jártasság biztosítása a Machine Learning módszerek gyakorlati alkalmazásában. Az R programozási platformon és annak különféle könyvtárain keresztül, valamint számos gyakorlati példán alapul, ez a tanfolyam megtanítja, hogyan kell felhasználni a Machine Learning legfontosabb építőköveit, hogyan kell modellezési döntéseket hozni, értelmezni az algoritmusok kimeneteit és érvényesítse az eredményeket.
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.
21 hours
A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.
21 hours
This course will be a combination of theory and practical work with specific examples used throughout the event.
21 hours
Ez a kurzus bemutatja a gépi tanulási módszereket a robotika alkalmazásokban.
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.
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.
21 hours
MATLAB is a numerical computing environment and programming language developed by MathWorks.
14 hours
Ez a kurzus célja alapvető jártasság biztosítása a Machine Learning módszerek gyakorlati alkalmazásában. A Scala programozási nyelv és különféle könyvtárainak használatával, valamint számos gyakorlati példán alapul, ez a tanfolyam megtanítja, hogyan kell felhasználni a Machine Learning legfontosabb építőköveit, hogyan kell modellezési döntéseket hozni, hogyan kell értelmezni az algoritmusok kimeneteit és érvényesítse az eredményeket.
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.
14 hours
R egy nyílt forráskódú ingyenes programozási nyelv a statisztikai számítástechnika, az adatok elemzése és a grafika. A kutatást egyre több menedzser és adatelemző használja a vállalatok és az akadémia területén. Az R-nek számos adatbányászati csomagja van.
21 hours
PredictionIO egy nyílt forráskódú Machine Learning kiszolgáló, amely a legmodernebb nyílt forráskódú verem tetején épült.
Közönség
Ez a kurzus olyan fejlesztőkre és adatkutatókra irányul, akik prediktív motorokat kívánnak létrehozni bármely gépi tanulási feladathoz.
Közönség
Ez a kurzus olyan fejlesztőkre és adatkutatókra irányul, akik prediktív motorokat kívánnak létrehozni bármely gépi tanulási feladathoz.
35 hours
Ez a kurzus azon emberek számára készült, akiknek nincs korábbi tapasztalata a valószínűséggel és a statisztikában .
21 hours
A tanfolyamot azoknak ajánljuk, akik szeretnének egy alternatív programot megismerni a kereskedelmi MATLAB csomaggal A háromnapos képzés átfogó tájékoztatást nyújt a környezet körüli mozgatásáról és az OCTAVE csomag végrehajtásáról adatelemzési és mérnöki számításokhoz A képzésben résztvevők kezdők, de azok is, akik ismerik a programot, és szeretnék rendszeresíteni tudásukat és javítani tudásukat Más programozási nyelv ismerete nem szükséges, de nagyban megkönnyíti a tanulók tudásszerzését A kurzus megmutatja, hogyan kell használni a programot számos gyakorlati példában .
21 hours
Ez a tanfolyam azoknak szól, akik a Machine Learning gyakorlati alkalmazásokban szeretnék alkalmazni a csapatuk számára. A képzés nem merül a műszaki tudnivalókban, és az alapfogalmak, valamint az üzleti / operatív alkalmazások körül mozog.
Célközönség
- Befektetők és AI vállalkozók
- Vezetők és mérnökök, akiknek vállalata belép az AI térbe
- Business elemzők és befektetők
Célközönség
- Befektetők és AI vállalkozók
- Vezetők és mérnökök, akiknek vállalata belép az AI térbe
- Business elemzők és befektetők
7 hours
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 .
14 hours
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 .
14 hours
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 .
21 hours
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 .
14 hours
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 .
28 hours
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. R programozási nyelv lesz.
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
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
Last Updated:
Upcoming Machine Learning Courses
Machine Learning
2022-06-20 09:30
21 hours
Machine Learning with Python – 2 Days
2022-06-22 09:30
14 hours
Machine Learning Fundamentals with R
2022-07-12 09:30
14 hours
Artificial Neural Networks, Machine Learning, Deep Thinking
2022-07-25 09:30
21 hours
Applied Machine Learning
2022-07-28 09:30
14 hours
Other countries
Consulting
Online Machine Learning (ML) courses, Weekend Machine Learning (ML) courses, Evening Machine Learning (ML) training, Machine Learning boot camp, ML (Machine Learning) instructor-led, Weekend ML (Machine Learning) training, Evening Machine Learning courses, Machine Learning coaching, ML (Machine Learning) instructor, ML (Machine Learning) trainer, Machine Learning (ML) training courses, Machine Learning (ML) classes, Machine Learning (ML) on-site, ML (Machine Learning) private courses, Machine Learning (ML) one on one training
