A helyi, oktatott élő TensorFlow tanfolyamok interaktív megbeszéléseken és gyakorlatokon keresztül demonstrálják a TensorFlow rendszer használatát, hogy megkönnyítsék a géptanulási kutatásokat, és gyors és könnyű legyen áttérni a kutatási prototípusról a termelési rendszerre A TensorFlow 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.
Ajánlások
★★★★★
★★★★★
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
Nagyon frissített megközelítés vagy fogyasztói árindex (tenzor áramlás, korszak, tanulás) a gépi tanuláshoz.
Paul Lee
Kurzus: TensorFlow for Image Recognition
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
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
Az emberi azonosítás és áramköri rossz pont detektálás
王 春柱 - 中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Translated by
Bizonyítani
中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
Translated by
Körülbelül szembenéz terület.
中移物联网
Kurzus: Deep Learning for NLP (Natural Language Processing)
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.
A Deep Learning NLP lehetővé teszi a gép számára, hogy egyszerűen leegyszerűsítse a nyelvi feldolgozást A jelenleg rendelkezésre álló feladatok közül a nyelvfordítás és a képaláírás-generálás a fotók számára A DL (Deep Learning) az ML (Machine Learning) részhalmaza A Python egy népszerű programozási nyelv, amely könyvtárakat tartalmaz a Deep Learning NLP számára Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a Python könyvtárakat az NLP-hez (Natural Language Processing), mivel létrehoznak egy alkalmazást, amely képeket dolgoz fel és képeket generál A képzés végére a résztvevők képesek lesznek: Tervezés és kód NLL számára a Python könyvtárak használatával Hozzon létre egy Python kódot, amely egy lényegesen nagy gyűjteményből álló képet gyűjt össze és kulcsszavakat generál Olyan Python kódot hoz létre, amely feliratokat generál a felderített kulcsszavakból Közönség A nyelvtudással foglalkozó programozók A programozók, akik megértik az NLP (Natural Language Processing) A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
Közönség Ez a kurzus alkalmas a Deep Learning kutatók és mérnökök számára, akik a rendelkezésre álló eszközök (főként nyílt forráskód) felhasználásával foglalkoznak számítógépes képek elemzésével Ez a tanfolyam példákat mutat be .
A projektor beágyazása egy nyílt forráskódú webes alkalmazás, amely a gépi tanulási rendszerek vonatozásához használt adatok vizualizálására szolgál A Google által létrehozott része a TensorFlow része Ez az oktatott, élő képzés bemutatja az Embedding Projector mögött álló fogalmakat, és a résztvevőket egy demo projekt létrehozásával végzi A képzés végére a résztvevők képesek lesznek: Fedezze fel, hogyan értelmezik az adatokat a gépi tanulási modellek Keresse meg a 3D és a 2D nézet adatokat, hogy megértse, hogyan értelmezi a gépi tanulási algoritmus Megérteni a beágyazások mögött rejlő fogalmakat és azok szerepét a matematikai vektorok ábrázolásához képekhez, szavakhoz és számokhoz Fedezze fel egy adott beágyazás tulajdonságait, hogy megértse a modell viselkedését Alkalmazzon beágyazási projektet a realworld-alkalmazásokra, ilyen például a zenés szerelmeseinek szóló dal ajánlásrendszere Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
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 .
TensorFlow van egy népszerű és gép tanulás könyvtár fejlett mellett Google részére mély tanulás, megszámolható számítás, és nagy-arány gép tanulás. TensorFlow 2,0, megjelent január 2019, a legújabb változata TensorFlow, és magában foglalja a fejlesztések buzgó végrehajtás, kompatibilitás és API összhang.
Ez az oktató által vezetett, az élő képzés (helyszíni vagy távoli) célja a fejlesztők és az adatok tudósok, akik szeretnék használni Tensorflow 2,0 építeni előrejelzők, osztályozók, generatív modellek, neurális hálózatok és így tovább.
végére ez a képzés, a résztvevők képesek lesznek:
- telepítése és konfigurálása TensorFlow 2,0. - megérteni az előnyeit TensorFlow 2,0 az előző verziók. - Build mély tanulási modellek. - implementálja a fejlett képosztályozót. - telepíteni mély tanulási modellt a felhő, a mobil és a IoT eszközök.
formátuma a kurzus
- Interactive előadás és vita. - sok gyakorlatok és gyakorlat. - Hands-on végrehajtása élő-labor környezetben.
tanfolyam testreszabási beállításai
- hogy kérje személyre szabott képzés a tanfolyam, kérjük, forduljon hozzánk, hogy gondoskodjon. - Ha többet szeretne megtudni TensorFlow, kérjük, látogasson el: https://www.tensorflow.org/
A TensorFlow Serving egy olyan rendszer, amely a gépi tanulás (ML) modellek gyártására szolgál Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan konfigurálják és használják a TensorFlow Serving-ot az ML-modellek telepítési környezetben történő telepítéséhez és kezeléséhez A képzés végére a résztvevők képesek lesznek: Vonattal, exportálással és különböző TensorFlow modellek szolgáltatásaival Algoritmusok tesztelése és telepítése egyetlen architektúrával és API-k készletével TensorFlow Támogatás kiterjesztése a TensorFlow modelleken kívüli más típusok kiszolgálására Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .
A TensorFlow a Google nyílt forráskódú szoftverkönyvtárának második generációs API-ja a Deep Learning számára A rendszert úgy tervezték, hogy megkönnyítse a kutatást a gépi tanulásban, és gyors és könnyű legyen áttérni a kutatási prototípusról a termelési rendszerre Közönség Ez a tanfolyam célja azoknak a mérnököknek, akik a TensorFlow-t a Deep Learning projektekhez kívánják használni A kurzus befejezése után a küldöttek: 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 .
Ez a kurzus konkrét példákkal vizsgálja a Tenzor Flow alkalmazását a képfelismerés céljára Közönség Ez a kurzus olyan mérnökök számára készült, akik a képfelismerés céljából a TensorFlow-t használják A kurzus befejezése után a küldöttek képesek lesznek: megérteni a TensorFlow struktúráját és telepítési mechanizmusait telepítési / gyártási környezet / architektúra feladatok és konfiguráció végrehajtása értékelje a kódminõséget, végezze el a hibakeresést, ellenõrzi a fejlett gyártást, mint például képzési modelleket, grafikonok készítését és naplózást .
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 .
A TensorFlow egy nyílt forráskódú szoftverkönyvtár a numerikus számításhoz adatfolyam-grafikonok használatával A SyntaxNet egy neuralnetwork Natural Language Processing keretrendszer a TensorFlow számára A Word2Vec-t arra használják, hogy tanítsa a szavak vektoros reprezentációit, az úgynevezett "szóbeágyazások" A Word2vec egy különösen számítási szempontból hatékony prediktív modell, amely a nyers szövegből származó szóbeágyazások tanulására képes Két ízben jön létre, a Continuous BagofWords modell (CBOW) és a SkipGram modell (31 És 32 Fejezet Mikolov és munkatársai) A tandemben használatos, a SyntaxNet és a Word2Vec lehetővé teszi a felhasználók számára, hogy a Natural Language beviteltől származó tanulási beágyazási modelleket generáljanak Közönség Ez a kurzus olyan fejlesztők és mérnökök számára készült, akik a SyntaxNet és a Word2Vec modellekkel dolgoznak a TensorFlow grafikonokon A kurzus befejezése után a küldöttek: 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 lesznek olyan fejlett gyártást megvalósítani, mint a képzési modellek, beágyazott kifejezések, grafikonok készítése és naplózás .
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 .
.jpg "food and drug administration (fda)")
.png "new york stock exchange (nyse)")
