A helyi, oktatott élő Neural Network tanfolyamok interaktív megbeszéléseken és kézenfekvő gyakorlatokon keresztül demonstrálják, hogyan építsék ki a Neurális Hálózatokat több főként nyílt forráskódú eszközkészlet és könyvtár használatával, valamint a korszerű hardverek (GPU-k) és az elosztott számítástechnikai és optimalizálási technikák kihasználására nagy adat A neurális hálózat kurzusa olyan népszerű programozási nyelveken alapul, mint a Python, a Java, az R nyelv és az erőteljes könyvtárak, beleértve a TensorFlow, a Torch, a Caffe, a Theano és így tovább Mi Neurális Hálózat tanfolyamok mind az elméletet, mind a megvalósítást egy sor neurális hálózat megvalósításával, például a Deep Neural Networks (DNN), a Konvolúciós Neurális Hálózatok (CNN) és a visszatérő Neurális Hálózatok (RNN) segítségével fedezik A Neurális Hálózat képzés "helyszíni élő képzés" vagy "távoli élő képzés" formájában érhető el A helyszíni élő képzés helyi szinten valósulhat meg az ügyfél telephelyén Magyarország vagy a NobleProg vállalati oktatóközpontjaiban Magyarország A távoli élőképzés interaktív, távoli asztal segítségével történik NobleProg Az Ön Helyi Képzési Szolgáltatója.
Machine Translated
Vélemények
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
Ann nagyszerű környezetet teremtett kérdéseket feltenni és tanulni. Sokat szórakoztattunk, és sokat tanultam egyszerre.
Gudrun Bickelq
Kurzus: Introduction to the use of neural networks
Machine Translated
Az interaktív rész, a saját igényeinknek megfelelően.
Thomas Stocker
Kurzus: Introduction to the use of neural networks
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
A tréner nagyon könnyen megmagyarázta a nehéz és fejlett témákat. Les
Leszek K
Kurzus: Artificial Intelligence Overview
Machine Translated
Tetszett a mély gépi tanulás új betekintése.
Josip Arneric
Kurzus: Neural Network in R
Machine Translated
Némi tudást szereztünk az NN-ről általában, és ami számomra a legérdekesebb volt, az új NN típusok ma népszerűek.
Tea Poklepovic
Kurzus: Neural Network in R
Machine Translated
Leginkább a R :) grafikonokat élveztem)).
Faculty of Economics and Business Zagreb
Kurzus: Neural Network in R
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
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
sok olyan gyakorlatot, amit közvetlenül a munkámban felhasználhatok.
Alior Bank S.A.
Kurzus: Sieci Neuronowe w R
Machine Translated
Példák a valós adatokra.
Alior Bank S.A.
Kurzus: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC egy hurokban.
Alior Bank S.A.
Kurzus: Sieci Neuronowe w R
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
Az előadások során már nem hivatalos csereprogramok segítettek mélyíteni a téma megértésének
Explore
Kurzus: Deep Reinforcement Learning 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
témák, barátságos hozzáállása a műsorvezető
Fujitsu Technology Solutions Sp. z o.o.
Kurzus: Artificial Intelligence Overview
Machine Translated
Neural Networks Subcategories
Neural Networks Course Outlines
Kurzusnév
Időtartalma
Összefoglaló
Kurzusnév
Időtartalma
Összefoglaló
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
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
A képzés célja azoknak az embereknek a célja, akik meg szeretnék tanulni a neurális hálózatok és alkalmazásuk alapjait.
14 hours
Ez a kurzus bemutatja a neurális hálózatok valós világban történő alkalmazását az R-projekt szoftver segítségével.
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.
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
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.
35 hours
Ez a kurzus azon emberek számára készült, akiknek nincs korábbi tapasztalata a valószínűséggel és a statisztikában .
14 hours
Ez a kurzus magában foglalja az AI (emphasizing Machine Learning és Deep Learning) az iparban. Segít meghatározni, hogy melyik technológia (potenciálisan) használható több helyzetben egy autóban: az egyszerű automatizálástól, a képfelismeréstől az autonóm döntéshozatalig.
28 hours
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
Ez az oktató által irányított, élő kurzus bevezetést nyújt a mintafelismerés és a gépi tanulás területébe. A statisztika, a számítástechnika, a jelfeldolgozás, a számítógépes látás, az adatbányászat és a bioinformatika gyakorlati alkalmazásaira vonatkozik.
A tanfolyam interaktív, és rengeteg gyakorlati gyakorlatot, oktató visszajelzést, valamint a megszerzett tudás és készségek tesztelését tartalmazza.
A tanfolyam interaktív, és rengeteg gyakorlati gyakorlatot, oktató visszajelzést, valamint a megszerzett tudás és készségek tesztelését tartalmazza.
21 hours
Típus: Elméleti képzés olyan alkalmazásokkal, amelyeket a pedagógiai csoport szerint a Lasagne vagy Keras hallgatókkal előre meghatároztunk
Oktatási módszer: prezentáció, csereprogramok és esettanulmányok
A mesterséges intelligencia, miután sok tudományos területet felbomlott, számos gazdasági ágazat (ipar, orvostudomány, kommunikáció stb.) Forradalmát kezdte. Ennek ellenére a nagy médiában való bemutatása gyakran fantázia, nagyon messze attól, ami valójában a Machine Learning vagy a Deep Learning . Ez a képzés célja, hogy bemutassa a Deep Learning és annak különféle szakterületeit, és ezáltal a meglévő főbb hálózati architektúrákat a már meglévő számítógépes eszközök elsajátításával (ideértve a szoftveres programozási alapot is). ma. Ha a matematikai alapokat visszahívják a tanfolyam során, akkor a nagyobb kényelem érdekében a BAC + 2 típusú matematikai szint ajánlott. Teljesen lehetséges, hogy kihagyja a matematikai tengelyt, hogy csak "rendszer" látást tartson fenn, de ez a megközelítés nagyban korlátozza a tárgy megértését.
Oktatási módszer: prezentáció, csereprogramok és esettanulmányok
A mesterséges intelligencia, miután sok tudományos területet felbomlott, számos gazdasági ágazat (ipar, orvostudomány, kommunikáció stb.) Forradalmát kezdte. Ennek ellenére a nagy médiában való bemutatása gyakran fantázia, nagyon messze attól, ami valójában a Machine Learning vagy a Deep Learning . Ez a képzés célja, hogy bemutassa a Deep Learning és annak különféle szakterületeit, és ezáltal a meglévő főbb hálózati architektúrákat a már meglévő számítógépes eszközök elsajátításával (ideértve a szoftveres programozási alapot is). ma. Ha a matematikai alapokat visszahívják a tanfolyam során, akkor a nagyobb kényelem érdekében a BAC + 2 típusú matematikai szint ajánlott. Teljesen lehetséges, hogy kihagyja a matematikai tengelyt, hogy csak "rendszer" látást tartson fenn, de ez a megközelítés nagyban korlátozza a tárgy megértését.
7 hours
A Tenzorfeldolgozó egység (TPU) az a felépítés, amelyet a Google már több éve használ belsőleg, és most már elérhetővé válik a nagyközönség számára Számos optimalizálást tartalmaz, kifejezetten neurális hálózatokban történő használatra, beleértve az egyszerűsített mátrixszaporítást és 8 bites egész számokat a 16 bites helyett, hogy megfelelő szintű precizitást biztosítsanak Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan használják ki a TPU processzorok innovációit, hogy maximalizálják a saját AI-alkalmazások teljesítményét A képzés végén a résztvevők képesek lesznek: A különböző típusú neurális hálózatok nagy mennyiségű adattovábbításra alkalmasak Használja a TPU-kat a következtetési folyamat legfeljebb két nagyságrenddel történő felgyorsításához Használja a TPU-t intenzív alkalmazások feldolgozásához, mint pl Képkeresés, felhőkép és fotók Közönség Fejlesztők kutatók mérnökök Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
21 hours
A Microsoft Cognitive Toolkit 2x (korábban CNTK) egy nyílt forráskódú, kereskedelmi forgalomba hozatal eszköztár, amely a mély tanulási algoritmusokat tanítja az emberi agyhoz hasonlóan A Microsoft szerint a CNTK 510x-rel gyorsabb lehet, mint a TensorFlow a visszatérő hálózatokon, és 2-3-szor gyorsabb, mint a TensorFlow az imagerelated feladatokhoz Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Microsoft Cognitive Toolkit használatát a mélytengeri tanulási algoritmusok létrehozásához, képzéséhez és értékeléséhez kereskedelmi forgalomban kapható AI alkalmazásokhoz, amelyek többféle típusú adatokat, például adatokat, beszédeket, szövegeket és képeket tartalmaznak A képzés végére a résztvevők képesek lesznek: A CNTK könyvtárként való elérése Python, C # vagy C ++ programból A CNTK mint önálló gépi tanulási eszköz a saját modellleíró nyelvén (BrainScript) Használja a CNTK modellértékelési funkcióját egy Java programból Kombináljuk az előremenő DNN-eket, a konvolúciós hálókat (CNN) és a visszatérő hálózatokat (RNN / LSTM) Méretezési kapacitás CPU-n, GPU-kon és több gépen Hatalmas adatkészletek elérése a meglévő programozási nyelvek és algoritmusok segítségével Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Ha szeretné testre szabni a képzés bármely részét, beleértve a választott programozási nyelvet, kérjük, vegye fel velünk a kapcsolatot .
21 hours
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 .
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 .
14 hours
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
35 hours
Ez a tanfolyam azzal kezdődik, hogy fogalmi ismereteket adunk neurális hálózatokban és általában gépi tanulási algoritmusban, mély tanulásban (algoritmusok és alkalmazások).
Part 1 (40%) ez a képzés nagyobb hangsúlyt alapjait, de segítünk választotta a megfelelő technológia: TensorFlow , Caffe , Theano, DeepDrive, Keras stb
A képzés 2. része (20%) bemutatja a Theano-t - egy python könyvtárat, amely megkönnyíti a mély tanulási modellek írását.
A képzés 3. részét (40%) nagymértékben a Tensorflow - a Go ogle nyílt forráskódú szoftverek könyvtárának 2. generációs API-ján alapszik - a Deep Learning . A példákat és a kézbesítést a TensorFlow ban TensorFlow .
Közönség
Ez a tanfolyam azoknak a mérnököknek szól, akik a TensorFlow ot szeretnék használni Deep Learning projektjeikhez
A kurzus befejezése után a küldöttek:
-
jól megértsék a mély ideghálózatokat (DNN), CNN és RNN
-
megérti a TensorFlow szerkezetét és telepítési mechanizmusait
-
képesnek kell lennie a telepítési / gyártási környezeti / építészeti feladatok elvégzésére és a konfigurációra
-
képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás végrehajtására
-
képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás
Part 1 (40%) ez a képzés nagyobb hangsúlyt alapjait, de segítünk választotta a megfelelő technológia: TensorFlow , Caffe , Theano, DeepDrive, Keras stb
A képzés 2. része (20%) bemutatja a Theano-t - egy python könyvtárat, amely megkönnyíti a mély tanulási modellek írását.
A képzés 3. részét (40%) nagymértékben a Tensorflow - a Go ogle nyílt forráskódú szoftverek könyvtárának 2. generációs API-ján alapszik - a Deep Learning . A példákat és a kézbesítést a TensorFlow ban TensorFlow .
Közönség
Ez a tanfolyam azoknak a mérnököknek szól, akik a TensorFlow ot szeretnék használni Deep Learning projektjeikhez
A kurzus befejezése után a küldöttek:
-
jól megértsék a mély ideghálózatokat (DNN), CNN és RNN
-
megérti a TensorFlow szerkezetét és telepítési mechanizmusait
-
képesnek kell lennie a telepítési / gyártási környezeti / építészeti feladatok elvégzésére és a konfigurációra
-
képesnek kell lennie a kódminőség értékelésére, a hibakeresés, a monitorozás végrehajtására
-
képes legyen fejlett termelést megvalósítani, mint például képzési modellek, építési grafikonok és naplózás
14 hours
Ez az osztálytermi alapú képzés prezentációkat és számítógépes példákat, valamint esettanulmány-gyakorlatokat fog tartalmazni a releváns neurális és mély hálózati könyvtárakkal együtt.
28 hours
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.
21 hours
A mechatronika (más néven mechatronikai mérnöki) a mechanikai, elektronikai és informatikai tudományok kombinációja.
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.
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.
14 hours
Az ajánló rendszer egy információszűrő folyamat, amely előrejelzi a felhasználó preferenciáit. Python lehet használni programozni mélyreható tanulás, gépi tanulás, és neurális hálózati ajánló rendszerek, hogy segítsen a felhasználók felfedezni az új termékek és tartalmak.
Ez az oktató által vezetett, élő képzés (online vagy online) célja az adattudósok, akik szeretnék használni Python építeni ajánlott rendszerek.
A képzés befejezése után a résztvevők képesek lesznek:
Készítsen ajánlott rendszereket a skálán. Együttműködő szűrő alkalmazása ajánló rendszerek létrehozásához. Használja Apache Spark az ajánlott rendszerek kiszámítására a klasztereken. Hozzon létre egy keretet az ajánlás algoritmusok tesztelésére 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.
Ez az oktató által vezetett, élő képzés (online vagy online) célja az adattudósok, akik szeretnék használni Python építeni ajánlott rendszerek.
A képzés befejezése után a résztvevők képesek lesznek:
Készítsen ajánlott rendszereket a skálán. Együttműködő szűrő alkalmazása ajánló rendszerek létrehozásához. Használja Apache Spark az ajánlott rendszerek kiszámítására a klasztereken. Hozzon létre egy keretet az ajánlás algoritmusok tesztelésére 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
This instructor-led, live training in Magyarország (online or onsite) is aimed at researchers and developers who wish to use Chainer to build and train neural networks in Python while making the code easy to debug.
By the end of this training, participants will be able to:
- Set up the necessary development environment to start developing neural network models.
- Define and implement neural network models using a comprehensible source code.
- Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
By the end of this training, participants will be able to:
- Set up the necessary development environment to start developing neural network models.
- Define and implement neural network models using a comprehensible source code.
- Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
14 hours
Ebben az oktató-vezérelt, élő képzés, megyünk át az elvek a neurális hálózatok és használja OpenNN végre egy minta alkalmazás.
A kurzus formázása
Az olvasás és a beszélgetés a gyakorlati gyakorlatokkal együtt.
A kurzus formázása
Az olvasás és a beszélgetés a gyakorlati gyakorlatokkal együtt.
Last Updated:
Upcoming Neural Networks Courses
Understanding Deep Neural Networks
2022-07-04 09:30
35 hours
Deep Reinforcement Learning with Python
2022-07-13 09:30
21 hours
Neural computing – Data science
2022-07-18 09:30
14 hours
Applied AI from Scratch
2022-08-01 09:30
28 hours
Applied AI from Scratch in Python
2022-08-01 09:30
28 hours
Other countries
Consulting
Online Neural Networks courses, Weekend Neural Networks courses, Evening Neural Networks training, Neural Networks boot camp, Neural Networks instructor-led, Weekend Neural Networks training, Evening Neural Networks courses, Neural Networks coaching, Neural Networks instructor, Neural Networks trainer, Neural Networks training courses, Neural Networks classes, Neural Networks on-site, Neural Networks private courses, Neural Networks one on one training
