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
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
Adjusting to our needs
Sumitomo Mitsui Finance and Leasing Company, Limited
Kurzus: Kubeflow
Tetszik, hogy inkább a különféle szövegösszefoglalási módszerek útmutatójára összpontosít
Kurzus: Text Summarization with Python
Machine Translated
Machine Learning Subcategories
Machine Learning (ML) 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 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.
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 .
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.
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 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 .
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 .
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 (online or onsite) 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 (online or onsite) 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.
21 hours
Összefoglaló
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 .
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.
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 .
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 (online or onsite) 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 (online or onsite) 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.
21 hours
Összefoglaló
Ez az osztálytermi alapú edzés gépi tanulási eszközöket fedez fel a (javasolt) Python . A küldöttek számítógépes példákkal és esettanulmány-gyakorlatokkal fognak rendelkezni.
21 hours
Összefoglaló
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.
14 hours
Összefoglaló
MLOps (Machine Learning Operations) is the practice of integrating data science and operations to help manage the ML lifecycle. MLOps provides the ability to automate the reproduction of machine learning model development and training.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Azure Machine Learning and Azure DevOps to facilitate MLOps practices.
By the end of this training, participants will be able to:
- Build reproducible workflows and machine learning models.
- Manage the machine learning lifecycle.
- Track and report model version history, assets, and more.
- Deploy production ready machine learning models anywhere.
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 (online or onsite) is aimed at data scientists who wish to use Azure Machine Learning and Azure DevOps to facilitate MLOps practices.
By the end of this training, participants will be able to:
- Build reproducible workflows and machine learning models.
- Manage the machine learning lifecycle.
- Track and report model version history, assets, and more.
- Deploy production ready machine learning models anywhere.
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
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
Összefoglaló
MLOps is a set of tools and methodologies for combining Machine Learning and DevOps practices. The goal of MLOps is to automate and optimize the deployment and maintenance of ML systems in production.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to evaluate the approaches and tools available today to make an intelligent decision on the path forward in adopting MLOps within their organization.
By the end of this training, participants will be able to:
- Install and configure various MLOps frameworks and tools.
- Assemble the right kind of team with the right skills for constructing and supporting an MLOps system.
- Prepare, validate and version data for use by ML models.
- Understand the components of an ML Pipeline and the tools needed to build one.
- Experiment with different machine learning frameworks and servers for deploying to production.
- Operationalize the entire Machine Learning process so that it's reproduceable and maintainable.
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 (online or onsite) is aimed at engineers who wish to evaluate the approaches and tools available today to make an intelligent decision on the path forward in adopting MLOps within their organization.
By the end of this training, participants will be able to:
- Install and configure various MLOps frameworks and tools.
- Assemble the right kind of team with the right skills for constructing and supporting an MLOps system.
- Prepare, validate and version data for use by ML models.
- Understand the components of an ML Pipeline and the tools needed to build one.
- Experiment with different machine learning frameworks and servers for deploying to production.
- Operationalize the entire Machine Learning process so that it's reproduceable and maintainable.
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
Ez a tantermi alapú tréning fel fogja fedezni a gépi tanulási technikákat, számítógépes alapú példákkal és esettanulmány-megoldási gyakorlatokkal, .
14 hours
Összefoglaló
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 .
7 hours
Összefoglaló
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
Összefoglaló
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.
14 hours
Összefoglaló
Ez a kurzus célja alapvető jártasság biztosítása a Machine Learning módszerek gyakorlati alkalmazásában. A Python programozási nyelv és annak különféle könyvtárainak felhasználásával, 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.
14 hours
Összefoglaló
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.
21 hours
Összefoglaló
MLflow is an open source platform for streamlining and managing the machine learning lifecycle. It supports any ML (machine learning) library, algorithm, deployment tool or language. Simply add MLflow to your existing ML code to share the code across any ML library being used within your organization.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go beyond building ML models and optimize the ML model creation, tracking, and deployment process.
By the end of this training, participants will be able to:
- Install and configure MLflow and related ML libraries and frameworks.
- Appreciate the importance of trackability, reproducability and deployability of an ML model
- Deploy ML models to different public clouds, platforms, or on-premise servers.
- Scale the ML deployment process to accommodate multiple users collaborating on a project.
- Set up a central registry to experiment with, reproduce, and deploy ML models.
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 (online or onsite) is aimed at data scientists who wish to go beyond building ML models and optimize the ML model creation, tracking, and deployment process.
By the end of this training, participants will be able to:
- Install and configure MLflow and related ML libraries and frameworks.
- Appreciate the importance of trackability, reproducability and deployability of an ML model
- Deploy ML models to different public clouds, platforms, or on-premise servers.
- Scale the ML deployment process to accommodate multiple users collaborating on a project.
- Set up a central registry to experiment with, reproduce, and deploy ML models.
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
A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. R a pénzügyi iparban népszerű programozási nyelv. A pénzügyi alkalmazásokban használják, az alapkereskedelmi programoktól kezdve a kockázatkezelési rendszerekig.
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. 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
21 hours
Összefoglaló
A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek képesek tanulni anélkül, hogy kifejezetten programoznák őket. Python egy programozási nyelv, amely tiszta szintaxisáról és olvashatóságáról híres. Kiválóan bevált, jól bevált könyvtárak és technikák gyűjteményét kínálja a gépi tanulási alkalmazások fejlesztéséhez.
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
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
21 hours
Összefoglaló
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
21 hours
Összefoglaló
Ez a tanfolyam kiterjed az AI-re (hangsúlyozva a Machine Learning és a Deep Learning )
14 hours
Összefoglaló
A mintaegyeztetés egy olyan módszer, amellyel meghatározzák a képen meghatározott mintákat. Ez felhasználható annak meghatározására, hogy a rögzített képen belül vannak-e meghatározott jellemzők, például a hibás termék várt címkéje a gyári sorban vagy az alkatrész meghatározott méretei. Ez különbözik a " Pattern Recognition " -től (amely a kapcsolódó minták nagyobb gyűjteményein alapuló általános mintákat ismeri fel) abban, hogy kifejezetten diktálja, mit keresünk, majd megmondja nekünk, hogy a várt minta létezik-e vagy sem.
A tantárgy formátuma
- Ez a tanfolyam bemutatja a mintázat-illesztés területén alkalmazott megközelítéseket, technológiákat és algoritmusokat, ahogy ez a Machine Vision .
A tantárgy formátuma
- Ez a tanfolyam bemutatja a mintázat-illesztés területén alkalmazott megközelítéseket, technológiákat és algoritmusokat, ahogy ez a Machine Vision .
14 hours
Összefoglaló
Pandas is a Python library for data manipulation and analysis. Using Pandas, users can perform predictive analysis through machine learning.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Pandas to preform predictive analysis with machine learning.
By the end of this training, participants will be able to:
- Perform data wrangling in Python.
- Conduct ETL operations for machine learning.
- Create data visualizations with Pandas
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 (online or onsite) is aimed at data scientists who wish to use Pandas to preform predictive analysis with machine learning.
By the end of this training, participants will be able to:
- Perform data wrangling in Python.
- Conduct ETL operations for machine learning.
- Create data visualizations with Pandas
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.
Upcoming Machine Learning Courses
2020-11-18 09:30:00
7 hours
2020-11-30 09:30:00
7 hours
2021-01-20 09:30:00
7 hours
2021-03-12 09:30:00
7 hours
2021-05-03 09:30:00
7 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
.png "european space agency (esa)")
.png "aeronautical radio, incorporated (arinc)"){kind=small}
.png "new york stock exchange (nyse)")
