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.
A későbbi felhasználáshoz használt anyag nagyon jó volt.
PAUL BEALES- Seagate Technology.
Kurzus: Applied Machine Learning
Translated by
Mit szerettél legjobban az edzésről ?: Jó gyakorlást biztosított az R használatával, hogy gépi tanulási rendszereket hozzon létre valódi helyzetekhez. Ezt a munkámban azonnal használhatom. Ez kiváló tanfolyam volt. Az egyik legjobb volt.
Matthew Thomas - British Telecom
Kurzus: Applied Machine Learning
Translated by
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
Translated by
Ann nagyszerű környezetet teremtett kérdéseket feltenni és tanulni. Sokat szórakoztattunk, és sokat tanultam egyszerre.
Gudrun Bickelq
Kurzus: Introduction to the use of neural networks
Translated by
Az interaktív rész, a saját igényeinknek megfelelően.
Thomas Stocker
Kurzus: Introduction to the use of neural networks
Translated by
Nagyra értékelem Krisztus kristálytiszta válaszát a kérdéseinkre.
Léo Dubus
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Általában élveztem a jól képzett edzőt.
Sridhar Voorakkara
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Meglepődtem ennek az osztálynak a normáljához - azt mondanám, hogy egyetemes volt.
David Relihan
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Nagyon jó áttekintés. Jó háttér, hogy miért működik a Tensorflow.
Kieran Conboy
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Szeretem a kérdéseket feltenni és mélyebben magyarázni az elméletet.
Sharon Ruane
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
A tréner nagyon könnyen megmagyarázta a nehéz és fejlett témákat. Les
Leszek K
Kurzus: Artificial Intelligence Overview
Translated by
Tetszett a mély gépi tanulás új betekintése.
Josip Arneric
Kurzus: Neural Network in R
Translated by
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
Translated by
Leginkább a R :) grafikonokat élveztem)).
Faculty of Economics and Business Zagreb
Kurzus: Neural Network in R
Translated by
Nagyon rugalmas.
Frank Ueltzhöffer
Kurzus: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
Általában élveztem a rugalmasságot.
Werner Philipp
Kurzus: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
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
Translated by
A témaválasztás előnyeit élveztem. A képzés stílusa. Gyakorlati tájékozódás.
Commerzbank AG
Kurzus: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Kommunikáció az előadókkal
文欣 张
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Tetszik
lisa xie
Kurzus: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
sok olyan gyakorlatot, amit közvetlenül a munkámban felhasználhatok.
Alior Bank S.A.
Kurzus: Neural Network in R
Translated by
Példák a valós adatokra.
Alior Bank S.A.
Kurzus: Neural Network in R
Translated by
neuralnet, pROC egy hurokban.
Alior Bank S.A.
Kurzus: Neural Network in R
Translated by
A témák széles köre és a vezetők jelentős ismerete.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
hiány
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
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
Translated by
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
Translated by
gyakorlatokat és a rájuk végrehajtott példákat
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
Példák és kérdések.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
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
Translated by
Maciej úr gyakorlati gyakorlatok
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurzus: Understanding Deep Neural Networks
Translated by
Kód | Név | Időtartam | Áttekintés |
---|---|---|---|
aiint | Artificial Intelligence Overview | 7 óra | Ez a kurzus a menedzserek, a megoldásépítészek, az innovációs tisztek, a CTO-k, a szoftverépítészek és mindenki számára érdekelt, akik az alkalmazott mesterséges intelligencia áttekintését és a fejlesztéshez legközelebbi előrejelzés iránt érdeklődnek. |
MicrosoftCognitiveToolkit | Microsoft Cognitive Toolkit 2.x | 21 óra | 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 . |
appai | Applied AI from Scratch | 28 óra | 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. |
Nue_LBG | Neural computing – Data science | 14 óra | Ez az osztálytermi alapú tréning olyan prezentációkat és számítógépes alapú példákat, valamint esettanulmányi feladatokat fog tartalmazni, amelyek a megfelelő idegi és mély hálózati könyvtárakkal . |
drlpython | Deep Reinforcement Learning with Python | 21 óra | A mélyreható tanulás azt jelenti, hogy egy "mesterséges ügynök" képes a trialanderror és a jutalmak, valamint a dossziék megtanulására A mesterséges ágens arra törekszik, hogy emulálja az ember képességeit a tudás megszerzésére és építésére, akár közvetlenül a nyersanyagokból, mint például a látásból A megerősítő tanulás megvalósításához mély tanulás és neurális hálózatok használatosak A megerősítési tanulás eltér a gépi tanulástól, és nem támaszkodik felügyelt és felügyelet nélküli tanulási megközelítésekre Ebben az oktatott, élő képzésben a résztvevők megtanulják a Deep Reinforcement Learning alapjait, miközben átmegyek egy Deep Learning Agent létrehozásán A képzés végére a résztvevők képesek lesznek: Értsd meg a Deep Reinforcement Learning mögötti kulcsfogalmakat, és megkülönböztessd a gépi tanulástól Fejlett megerősítési tanítási algoritmusok alkalmazása a valós problémák megoldásához Építsen egy mély tanító ügynököt Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
undnn | Understanding Deep Neural Networks | 35 óra | Ez a kurzus azzal kezdődik, hogy fogalmi ismereteket ad neked a neurális hálózatokban és általában a gépi tanulási algoritmusban, a mély tanulásban (algoritmusokban és alkalmazásokban) A képzés 1 része (40%) nagyobb hangsúlyt fektet a fundamentumokra, de segít a megfelelő technológia kiválasztásában: TensorFlow, Caffe, Theano, DeepDrive, Keras stb A képzés második része (20%) bemutatja a Theano egy python könyvtárat, amely megkönnyíti a mélytanulási modellek írását A képzés harmadik része (40%) nagymértékben a Google nyílt forráskódú szoftverkönyvtárának a Tensorflow második generációs API-jára épül a Deep Learning számára A példák és a handson mind a TensorFlow-ban készültek Közönség Ez a tanfolyam célja azoknak a mérnököknek, akik a TensorFlow-t a Deep Learning projektekhez kívánják használni A kurzus befejezése után a küldöttek: jól értik a mély neurális hálózatokat (DNN), a CNN és az RNN-t megérteni a TensorFlow struktúráját és telepítési mechanizmusait képes legyen telepítési / gyártási környezet / építészeti feladatok és konfiguráció végrehajtására képes a kódminőség felmérésére, a hibakeresés végrehajtására, a monitorozásra képesek legyenek olyan fejlett gyártási folyamatok bevezetésére, mint a képzési modellek, grafikonok készítése és naplózás Nem minden téma lenne egy nyilvános osztályteremben, amely 35 órás időtartamot jelent a téma hatalmas volta miatt A teljes tanfolyam időtartama körülbelül 70 óra, nem pedig 35 óra . |
matlabdl | Matlab for Deep Learning | 14 óra | Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Matlab használatát a képfelismeréshez szükséges konvolúciós neurális hálózat tervezéséhez, felépítéséhez és megjelenítéséhez A képzés végére a résztvevők képesek lesznek: Építs egy mély tanulási modellt Az adatok címkézésének automatizálása Munka a Caffe és a TensorFlowKeras modelljeivel Vonatadatok több GPU, felhő vagy klaszter használatával Közönség Fejlesztők mérnökök Domain szakértők A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat . |
encogintro | Encog: Introduction to Machine Learning | 14 óra | 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 . |
encogadv | Encog: Advanced Machine Learning | 14 óra | 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 . |
snorkel | Snorkel: Rapidly Process Training Data | 7 óra | 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 . |
PaddlePaddle | PaddlePaddle | 21 óra | 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 . |
tpuprogramming | TPU Programming: Building Neural Network Applications on Tensor Processing Units | 7 óra | 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 . |
neuralnet | Introduction to the use of neural networks | 7 óra | A képzés olyan emberekre irányul, akik szeretnék megtanulni a neurális hálózatok alapjait és alkalmazásukat. |
intrdplrngrsneuing | Introduction Deep Learning & Neural Networks for Engineers | 21 óra | Típus: Elméleti képzés a pályázókkal a Lasagne vagy a Keras diákjai előtt a pedagógiai csoport szerint Tanítási módszer: prezentáció, cserék és esettanulmányok A mesterséges intelligencia, miután megzavarta számos tudományterületet, nagyszámú gazdasági ágazatot kezdett forradalmasítani (ipar, orvostudomány, kommunikáció stb) Mindazonáltal a nagy médiában való bemutatása gyakran fantázia, nagyon messze attól, ami valójában a gépi tanulás vagy a mély tanulás területe Ennek a képzésnek az a célja, hogy olyan mérnököket biztosítson, akik már rendelkeznek a számítógépes eszközök (beleértve a szoftver programozási bázist is) mestereivel, bemutatva a Deep Learning-ot és a különböző szakterületeket, és ezáltal a meglévő meglévő hálózati architektúrákhoz ma Ha a matematikai alapokat a tanfolyam során visszahívják, a BAC + 2-es matematika szintjét ajánljuk a nagyobb kényelem érdekében Lehetséges, hogy a matematikai tengely csak egy "rendszer" látás maradjon, de ez a megközelítés hatalmas mértékben korlátozza a téma megértését . |
OpenNN | OpenNN: Implementing Neural Networks | 14 óra | 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. |
datamodeling | Pattern Recognition | 35 óra | Ez a kurzus bevezetést nyújt a mintafelismerés és a gépi tanulás területén Érinti a gyakorlati alkalmazásokat a statisztikában, a számítástechnika, a jelfeldolgozás, a számítógépes látás, az adatbányászat és a bioinformatika területén A kurzus interaktív, és rengeteg handson gyakorlatot, oktatói visszajelzést, valamint a megszerzett ismeretek és készségek tesztelését tartalmazza Közönség Adatelemzők PhD hallgatók, kutatók és gyakorlók . |
Neuralnettf | Neural Networks Fundamentals using TensorFlow as Example | 28 óra | Ez a tanfolyam tudást ad a neurális hálózatokban és általában a gépi tanulási algoritmusban, a mély tanulásban (algoritmusok és alkalmazások) Ez a képzés nagyobb hangsúlyt fektet a fundamentumokra, de segít kiválasztani a megfelelő technológiát: TensorFlow, Caffe, Teano, DeepDrive, Keras, stb A példák a TensorFlow-ban készültek . |
aiauto | Artificial Intelligence in Automotive | 14 óra | Ez a kurzus magában foglalja az AI (hangsúlyozva gépi tanulás és mély tanulás) az autóiparban Segít meghatározni, hogy melyik technológia lehet potenciálisan többféle helyzetben egy autóban: egyszerű automatizálásról, képfelismerésről, autonóm döntéshozatalra . |
aiintrozero | From Zero to AI | 35 óra | Ez a kurzus azon emberek számára készült, akiknek nincs korábbi tapasztalata a valószínűséggel és a statisztikában . |
bspkannmldt | Artificial Neural Networks, Machine Learning and Deep Thinking | 21 óra | A mesterséges neurális hálózat olyan mesterséges intelligencia (AI) rendszerek kifejlesztésében használt számítási adatmodell, amelyet képesek "intelligens" feladatok elvégzésére. A neurális hálózatokat általánosan a Machine Learning (ML) alkalmazásokban használják, amelyek maguk is az AI megvalósításának. A mély tanulás az ML részhalmaza. |
annmldt | Artificial Neural Networks, Machine Learning, Deep Thinking | 21 óra | A mesterséges neurális hálózat olyan mesterséges intelligencia (AI) rendszerek kifejlesztésében használt számítási adatmodell, amelyet képesek "intelligens" feladatok elvégzésére. A neurális hálózatokat általánosan a Machine Learning (ML) alkalmazásokban használják, amelyek maguk is az AI megvalósításának. A mély tanulás az ML részhalmaza. |
appliedml | Applied Machine Learning | 14 óra | Ez a tanfolyam azoknak az embereknek szól, akik gyakorlati alkalmazásokban szeretnék alkalmazni a gépi tanulást. Közönség Ez a kurzus azoknak az adatkutatóknak és statisztikusoknak szól, akik ismertek a statisztikákkal és tudják, hogyan programozzák az R (vagy a Python vagy más választott nyelvet). Ennek a kurzusnak a hangsúlya az adatok / modellek előkészítése, végrehajtása, post hoc elemzés és vizualizáció gyakorlati vonatkozásai. Célja, hogy gyakorlati alkalmazásokat nyújtson a gépi tanulásnak azoknak a résztvevőknek, akik a módszerek alkalmazásában érdekeltek. Az ágazatspecifikus példák arra használatosak, hogy a képzés releváns legyen a közönség számára. |
rneuralnet | Neural Network in R | 14 óra | Ez a kurzus bemutatja a neurális hálózatok valós problémákban való alkalmazását az Rproject szoftver használatával . |
appaipy | Applied AI from Scratch in Python | 28 óra | This is a 4 day course introducing AI and it's application using the Python programming language. There is an option to have an additional day to undertake an AI project on completion of this course. |
Kurzus | Dátum | Ár [Távoktatás / Tantermi] |
---|---|---|
Applied Machine Learning - Miskolc, Tapolcafürdő | cs, 2019-03-14 09:30 | 3500EUR / 4100EUR |
Applied Machine Learning - Budapest, V. kerület | h, 2019-03-18 09:30 | 3500EUR / 4100EUR |
Applied Machine Learning - Debrecen | sze, 2019-03-20 09:30 | 3500EUR / 4100EUR |
Applied Machine Learning - Pécs, belváros | cs, 2019-03-21 09:30 | 3500EUR / 4100EUR |
Applied Machine Learning - Szeged, Felső Tisza-Part | k, 2019-03-26 09:30 | 3500EUR / 4100EUR |
Kurzus | Helyszín | Dátum | Ár [Távoktatás / Tantermi] |
---|---|---|---|
Business Continuity Practitioner | Debrecen | k, 2019-03-26 09:30 | 3150EUR / 3750EUR |
Data Mining | Budapest, V. kerület | sze, 2019-04-17 09:30 | 4725EUR / 5525EUR |
Managing Configuration with Ansible | Debrecen | k, 2019-05-14 09:30 | 4050EUR / 4850EUR |
R for Data Analysis and Research | Debrecen | cs, 2019-06-13 09:30 | 1575EUR / 1975EUR |
We are looking to expand our presence in Hungary!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!