Az online vagy helyszíni, oktatók által vezetett, élő neurális hálózatok képzési kurzusai interaktív beszélgetéseken és gyakorlati gyakorlatokon keresztül mutatják be, hogyan lehet neurális hálózatokat felépíteni számos, többnyire nyílt forráskódú eszköztár és könyvtár segítségével, valamint hogyan lehet kihasználni a fejlett hardver (GPU-k) erejét. ) és optimalizálási technikák, amelyek elosztott számítástechnikát és nagy adatforgalmat foglalnak magukban. Neurális hálózati tanfolyamaink olyan népszerű programozási nyelveken alapulnak, mint a Python, Java, R nyelv, és olyan hatékony könyvtárakon, mint a TensorFlow, Torch, Caffe, Theano és még sok más. A Neurális Hálózati kurzusaink az elméletet és a megvalósítást egyaránt lefedik számos neurális hálózati implementáció használatával, mint például a Deep Neural Networks (DNN), a Convolutional Neural Networks (CNN) és a Recurrent Neural Networks (RNN). A Neurális Hálózati képzés „online élő képzés” vagy „helyszíni élő képzés” formájában érhető el. Az online élő képzés (más néven "távoli élő képzés") egy interaktív, távoli asztalon keresztül történik. Helyszíni élő képzés végezhető helyben az ügyfelek telephelyén Magyarország vagy a NobleProg vállalati képzési központjaiban Magyarország. NobleProg – az Ön helyi képzési szolgáltatója
Machine Translated
Vélemények
A példákat, amiket adott nekünk.
JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
a kísérleteket
JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
A bemutatott gyakorlatok és példák.
Marcos - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
Gépi tanulási témák.
Víctor Edgar - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
A tanár hozzáállása
Ivonne Guadalupe Avendaño Hernandez - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
A tanított fogalmak világosak, praktikusak voltak, és sokat segítettek abban, hogy képet kapjunk arról, hogyan használjuk ezt az AI és ML témát.
Miguel - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
Az oktató tapasztalata és tudása.
SERGIO BRAVO - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
Talán egy kis gyakorlat.
Hilario García - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
az egyik gyakorlat
JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
Az oktató tudása és a téma kezelése
Zaira N. - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
Machine Translated
az innovatív, mert ezt már tapasztaljuk.
jesus isaias - JONATHAN MARIANO, si
Kurzus: Artificial Intelligence (AI) for Managers
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 Deep Reinforcement Learning egy "mesterséges ágens" képességére utal, hogy próba és hiba, valamint jutalom és büntetés útján tanuljon. A mesterséges ágensek célja, hogy utánozzák az ember azon képességét, hogy önálló tudást szerezzenek és alkossanak, közvetlenül a nyers inputokból, például a látásból. A megerősített tanulás megvalósításához mély tanulást és neurális hálózatokat használnak. A megerősített tanulás különbözik a gépi tanulástól, és nem támaszkodik felügyelt és nem felügyelt tanulási megközelítésekre.Ez az oktató által vezetett, élő képzés (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik szeretnék megtanulni a Deep Reinforcement Learning alapjait, miközben egy Deep Learning ügynök létrehozásán lépnek keresztül.A képzés végére a résztvevők képesek lesznek:
- Ismerje meg a Deep Reinforcement Learning mögött meghúzódó kulcsfogalmakat, és tudja megkülönböztetni a Machine Learning-tól. Speciális Reinforcement Learning algoritmusok alkalmazása valós problémák megoldására. Építs Deep Learning ügynököt.
- Interaktív előadás és beszélgetés. Sok gyakorlat és gyakorlat. Gyakorlati megvalósítás élő labor környezetben.
- Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.
7 hours
Ez a kurzus menedzserek, megoldástervezők, innovációs tisztek, technológiai igazgatók, szoftvertervezők és mindazok számára készült, akiket érdekel az alkalmazott mesterséges intelligencia áttekintése és a fejlődésének legközelebbi előrejelzése.
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.
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
This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).
This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in 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.
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.
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
- Developers
- Engineers
- Domain experts
- 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
14 hours
This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries
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.
- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- A gyakorlati megvalósítás élő laboratóriumi környezetben.
- 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.
-
Interaktív előadás és vita.
Rengeteg gyakorlat és gyakorlat.
Hands-on megvalósítás egy élő laboratóriumi környezetben.
-
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.
14 hours
Ebben az oktató által vezetett, élő képzésben áttekintjük a neurális hálózatok alapelveit, és a OpenNN segítségével megvalósítunk egy minta alkalmazást.A tanfolyam formátumaElőadás és beszélgetés gyakorlati gyakorlatokkal egybekötve.
Last Updated:
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
