Місцеві, інструктор під керівництвом живої глибокої навчання (DL) навчальних курсів продемонструвати через практичний практиці основи та застосування глибокого навчання і охоплюють такі предмети, як глибоке навчання машини, глибоке структуроване навчання і ієрархічне навчання.
Поглиблена підготовка навчання доступна як "на місці навчання" або "дистанційне навчання жити". На місці навчання в прямому ефірі може здійснюватися на місцевому рівні в україні або в Неbleprog корпоративні навчальні центри в україні. Дистанційне навчання в прямому ефірі здійснюється шляхом інтерактивного, віддаленого робочого стола.
Nobleпрога-ваш місцевий навчальний провайдер
Machine Translated
Відгуки
Глобальний огляд глибокого навчання.
Bruno Charbonnier
Курси: Advanced Deep Learning
Machine Translated
Вправи достатньо практичні і не потребують високих знань з Python .
Alexandre GIRARD
Курси: Advanced Deep Learning
Machine Translated
Виконання вправ на реальних прикладах за допомогою епох. Італія повністю розуміла наші очікування щодо цього навчання.
Paul Kassis
Курси: Advanced Deep Learning
Machine Translated
Я дуже ціную кришталево чіткі відповіді Кріса на наші запитання.
Léo Dubus
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Я взагалі користувався знаючими тренера.
Sridhar Voorakkara
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Я був вражений стандартом цього класу-я хотів би сказати, що це був університетський стандарт.
David Relihan
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Дуже хороший всебічний огляд. Go оди фону в чому Tensorflow працює , як це робить.
Kieran Conboy
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Мені сподобалися можливості задавати питання і отримати більш глибокі пояснення теорії.
Sharon Ruane
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ми отримали набагато більше розуміння в питанні. Деякі цікаві дискусії були зроблені з деякими реальними предметами в нашій компанії.
Sebastiaan Holman
Курси: Machine Learning and Deep Learning
Machine Translated
Навчання дало правильну основу, яка дозволяє нам далі розширюватися, показуючи, як теорія та практика йдуть рука об руку. Це насправді мене більше зацікавило цю тему, ніж я раніше.
Jean-Paul van Tillo
Курси: Machine Learning and Deep Learning
Machine Translated
Мені дуже сподобався охоплення і глибину теми.
Anirban Basu
Курси: Machine Learning and Deep Learning
Machine Translated
Глибокі знання тренера про тему.
Sebastian Görg
Курси: Introduction to Deep Learning
Machine Translated
Дуже оновлений підхід чи ІСЦ (течія тензора, ера, вчитися) робити Машинне навчання.
Paul Lee
Курси: TensorFlow for Image Recognition
Machine Translated
Дуже гнучким.
Frank Ueltzhöffer
Курси: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Я взагалі користувався гнучкістю.
Werner Philipp
Курси: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Враховуючи перспективи технології: які технології/процесу можуть стати більш важливими в майбутньому; Дивіться, які технології можна використовувати для.
Commerzbank AG
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Я отримав вигоду від вибору теми. Стиль навчання. Практична орієнтація.
Commerzbank AG
Курси: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Як вони вводять і застосовуються тренером
ORANGE POLSKA S.A.
Курси: Machine Learning and Deep Learning
Machine Translated
Можливість обговорити запропоновані питання
ORANGE POLSKA S.A.
Курси: Machine Learning and Deep Learning
Machine Translated
Зв'язок з викладачем
文欣 张
Курси: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Як це
lisa xie
Курси: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Поглиблене висвітлення тем машинного навчання, зокрема нейронних мереж. Дуже багато тем.
Sacha Nandlall
Курси: Python for Advanced Machine Learning
Machine Translated
Великий і актуальний Орієнтир знань і практичних прикладів застосування.
ING Bank Śląski S.A.
Курси: Introduction to Deep Learning
Machine Translated
Deep Learning Підкатегорії
Deep Learning Зміст курсу
Назва курсу
Тривалість
Огляд
Назва курсу
Тривалість
Огляд
14 годин
Огляд
Цей курс охоплює AI (підкреслюючи Machine Learning та Deep Learning ) в Automotive промисловості. Це допомагає визначити, яку технологію можна (потенційно) використовувати в різних ситуаціях в автомобілі: від простої автоматизації, розпізнавання зображень до автономного прийняття рішень.
21 годин
Огляд
TensorFlow - популярна бібліотека та машинне навчання, розроблена Go ogle для глибокого навчання, чисельних обчислень та масштабного машинного навчання. TensorFlow 2.0, випущений у січні 2019 року, є новітньою версією TensorFlow і включає вдосконалення в прагненні до виконання, сумісності та послідовності API.
Ця навчальна програма під керівництвом інструкторів (на місці або на віддаленому рівні) спрямована на розробників та науковців даних, які бажають використовувати Tensorflow 2.0 для створення прогнозів, класифікаторів, генеративних моделей, нейронних мереж тощо.
Після закінчення цього тренінгу учасники зможуть:
- Встановлення та налаштування TensorFlow 2.0.
- Зрозумійте переваги TensorFlow 2.0 над попередніми версіями.
- Побудувати моделі глибокого навчання.
- Вкажіть розширений класифікатор зображення.
- Розгорніть модель глибокого навчання до хмарних, мобільних та IoT-пристроїв.
Формат курсу
- Інтерактивна лекція та дискусія.
- Багато вправ і вправ.
- Ручна реалізація в умовах лабораторії.
Параметри налаштування курсу
- Щоб подати заявку на індивідуальне навчання для цього курсу, будь ласка, зв'яжіться з нами, щоб домовитись.
- Щоб дізнатися більше про TensorFlow , відвідайте: https://www.tensorflow.org/
Ця навчальна програма під керівництвом інструкторів (на місці або на віддаленому рівні) спрямована на розробників та науковців даних, які бажають використовувати Tensorflow 2.0 для створення прогнозів, класифікаторів, генеративних моделей, нейронних мереж тощо.
Після закінчення цього тренінгу учасники зможуть:
- Встановлення та налаштування TensorFlow 2.0.
- Зрозумійте переваги TensorFlow 2.0 над попередніми версіями.
- Побудувати моделі глибокого навчання.
- Вкажіть розширений класифікатор зображення.
- Розгорніть модель глибокого навчання до хмарних, мобільних та IoT-пристроїв.
Формат курсу
- Інтерактивна лекція та дискусія.
- Багато вправ і вправ.
- Ручна реалізація в умовах лабораторії.
Параметри налаштування курсу
- Щоб подати заявку на індивідуальне навчання для цього курсу, будь ласка, зв'яжіться з нами, щоб домовитись.
- Щоб дізнатися більше про TensorFlow , відвідайте: https://www.tensorflow.org/
14 годин
Огляд
Це навчальне заняття на основі аудиторії буде містити презентації та приклади на комп’ютері та приклади навчальних занять для відповідних нейронних та глибоких мережевих бібліотек
14 годин
Огляд
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.
14 годин
Огляд
OpenFace - це програмне забезпечення для розпізнавання обличчя з відкритим вихідним кодом на базі Python і Torch на базі дослідження Google FaceNet.
У цій інструкції під керівництвом тренера, учасники навчаться використовувати компоненти OpenFace для створення та розгортання прикладів розпізнавання обличчя.
До кінця цього тренінгу учасники зможуть:
- Працюйте з компонентами OpenFace, включаючи dlib, OpenVC, Torch та nn4 для реалізації виявлення, вирівнювання та перетворення обличчя.
- Застосуйте OpenFace до реальних додатків, таких як стеження, перевірка особи, віртуальна реальність, ігри та ідентифікація повторюваних клієнтів тощо.
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
У цій інструкції під керівництвом тренера, учасники навчаться використовувати компоненти OpenFace для створення та розгортання прикладів розпізнавання обличчя.
До кінця цього тренінгу учасники зможуть:
- Працюйте з компонентами OpenFace, включаючи dlib, OpenVC, Torch та nn4 для реалізації виявлення, вирівнювання та перетворення обличчя.
- Застосуйте OpenFace до реальних додатків, таких як стеження, перевірка особи, віртуальна реальність, ігри та ідентифікація повторюваних клієнтів тощо.
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
7 годин
Огляд
У цьому тренінгу під керівництвом інструкторів учасники дізнаються, як налаштувати та використовувати OpenNMT для здійснення перекладу різних зразків наборів даних. Курс починається з огляду нейронних мереж, оскільки вони застосовуються до машинного перекладу. Учасники будуть виконувати живі вправи протягом усього курсу, щоб продемонструвати своє розуміння засвоєних понять та отримати зворотній зв’язок з інструктором.
Після закінчення цього тренінгу учасники отримають знання та практику, необхідну для впровадження живого рішення OpenNMT .
Зразки джерел та мови мови будуть попередньо узгоджені відповідно до потреб аудиторії.
Формат курсу
- Частина лекції, частина дискусії, важкі практичні практики
Після закінчення цього тренінгу учасники отримають знання та практику, необхідну для впровадження живого рішення OpenNMT .
Зразки джерел та мови мови будуть попередньо узгоджені відповідно до потреб аудиторії.
Формат курсу
- Частина лекції, частина дискусії, важкі практичні практики
14 годин
Огляд
У цій навчальній програмі під керівництвом інструкторів ми переходимо до принципів нейронних мереж і використовуємо OpenNN для реалізації зразкового додатку.
Формат курсу
- Лекція та обговорення в поєднанні з практичними вправами.
Формат курсу
- Лекція та обговорення в поєднанні з практичними вправами.
21 годин
Огляд
PaddlePaddle (Distributed Deer LEARRING) - масштабована глибока навчальна платформа, розроблена компанією Baidu.
У цьому навчанні під керівництвом інструктора, учасники навчаться використовувати PaddlePaddle для забезпечення глибокого навчання у своїх продуктах і сервісних програмах.
До кінця цього тренінгу учасники зможуть:
- Налаштування та налаштування PaddlePaddle
- Налаштуйте нейронну мережу Convolutional (CNN) для розпізнавання зображень та виявлення об'єктів
- Налаштуйте повторювану нейронну мережу (RNN) для аналізу настроїв
- Налаштуйте глибоке вивчення систем рекомендацій, щоб допомогти користувачам знаходити відповіді
- Прогнозувати рейтинг кліків (CTR), класифікувати великомасштабні набори зображень, виконувати оптичне розпізнавання символів (OCR), виконувати пошук за рангом, виявляти комп'ютерні віруси та впроваджувати систему рекомендацій.
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
У цьому навчанні під керівництвом інструктора, учасники навчаться використовувати PaddlePaddle для забезпечення глибокого навчання у своїх продуктах і сервісних програмах.
До кінця цього тренінгу учасники зможуть:
- Налаштування та налаштування PaddlePaddle
- Налаштуйте нейронну мережу Convolutional (CNN) для розпізнавання зображень та виявлення об'єктів
- Налаштуйте повторювану нейронну мережу (RNN) для аналізу настроїв
- Налаштуйте глибоке вивчення систем рекомендацій, щоб допомогти користувачам знаходити відповіді
- Прогнозувати рейтинг кліків (CTR), класифікувати великомасштабні набори зображень, виконувати оптичне розпізнавання символів (OCR), виконувати пошук за рангом, виявляти комп'ютерні віруси та впроваджувати систему рекомендацій.
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
21 годин
Огляд
У цій інструкції під керівництвом живих тренінгів учасники вивчать найбільш відповідні та найсучасніші технології машинного навчання в Python, будуючи серію демонстраційних програм, що включають зображення, музику, текст та фінансові дані.
До кінця цього тренінгу учасники зможуть:
- Впровадження алгоритмів машинного навчання та методів вирішення складних задач
- Застосовуйте глибоке навчання та напірний нагляд навчання до програм, що включають зображення, музику, текст та фінансові дані
- Натискайте алгоритми Python на максимальний потенціал
- Використовуйте бібліотеки та пакунки, такі як NumPy та Theano
Аудиторія
- Розробники
- Аналітики
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
До кінця цього тренінгу учасники зможуть:
- Впровадження алгоритмів машинного навчання та методів вирішення складних задач
- Застосовуйте глибоке навчання та напірний нагляд навчання до програм, що включають зображення, музику, текст та фінансові дані
- Натискайте алгоритми Python на максимальний потенціал
- Використовуйте бібліотеки та пакунки, такі як NumPy та Theano
Аудиторія
- Розробники
- Аналітики
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
21 годин
Огляд
У цій інструкції під керівництвом живих тренінгів учасники вивчатимуть передові технології машинного навчання з R, оскільки вони крокують до створення реального застосування.
До кінця цього тренінгу учасники зможуть:
- Використовуйте методи, такі як настроювання гіперпараметрів та глибоке вивчення
- Зрозуміти та застосувати безконтрольні методи навчання
- Покладіть модель у виробництво для використання у великому додатку
Аудиторія
- Розробники
- Аналітики
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
До кінця цього тренінгу учасники зможуть:
- Використовуйте методи, такі як настроювання гіперпараметрів та глибоке вивчення
- Зрозуміти та застосувати безконтрольні методи навчання
- Покладіть модель у виробництво для використання у великому додатку
Аудиторія
- Розробники
- Аналітики
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
21 годин
Огляд
Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
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.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
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 годин
Огляд
SINGA є загальнопоширеною платформою для глибокого навчання для підготовки великих моделей глибокого навчання на великих наборах даних. Він розроблений з інтуїтивною моделлю програмування на основі абстракції шарів. Підтримуються різноманітні популярні моделі глибокого навчання, а саме моделі перенаправлення, включаючи згорткові нейронні мережі (CNN), енергетичні моделі, такі як обмежена машина Больцмана (RBM), і рекурентні нейронні мережі (RNN). Для користувачів передбачено багато вбудованих шарів. Архітектура SINGA є досить гнучким для виконання синхронних, асинхронних і гібридних кадрів навчання. SINGA також підтримує різні схеми розділення нейронних мереж для паралелізації підготовки великих моделей, а саме розбиття на вимір партії, розмірності функцій або гібридного розбиття.
Аудиторія
Цей курс спрямований на дослідників, інженерів і розробників, які прагнуть використовувати Apache SINGA як глибоку структуру навчання.
Після завершення цього курсу делегати:
- розуміти структуру та механізми розгортання SINGA
- вміти виконувати завдання встановлення / виробничого середовища / архітектури та конфігурації
- вміти оцінювати якість коду, виконувати налагодження, моніторинг
- мати можливість впроваджувати передові технології, такі як навчальні моделі, терміни вбудовування, побудова графіків і ведення журналу
Аудиторія
Цей курс спрямований на дослідників, інженерів і розробників, які прагнуть використовувати Apache SINGA як глибоку структуру навчання.
Після завершення цього курсу делегати:
- розуміти структуру та механізми розгортання SINGA
- вміти виконувати завдання встановлення / виробничого середовища / архітектури та конфігурації
- вміти оцінювати якість коду, виконувати налагодження, моніторинг
- мати можливість впроваджувати передові технології, такі як навчальні моделі, терміни вбудовування, побудова графіків і ведення журналу
7 годин
Огляд
Tensor2Tensor (T2T) - це модульна, розширювана бібліотека для навчання моделей AI в різних завданнях, використовуючи різні типи навчальних даних, наприклад: розпізнавання образів, переклад, аналіз, підписування зображення та розпізнавання мовлення. Це підтримується командою Google Brain.
У цьому навчанні під керівництвом інструктора, учасники навчаться, як підготувати глибоку навчальну модель для вирішення багатьох завдань.
До кінця цього тренінгу учасники зможуть:
- Встановіть tensor2tensor, виберіть набір даних, навчіть та оцініть модель AI
- Налаштуйте середовище розробки, використовуючи інструменти та компоненти, включені в Tensor2Tensor
- Створіть та використовуйте одну модель, щоб одночасно вивчати ряд завдань з кількох доменів
- Використовуйте модель для вивчення завдань із великою кількістю навчальних даних і застосовуйте ці знання до завдань, де дані обмежені
- Отримати задовільні результати обробки за допомогою одного GPU
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
У цьому навчанні під керівництвом інструктора, учасники навчаться, як підготувати глибоку навчальну модель для вирішення багатьох завдань.
До кінця цього тренінгу учасники зможуть:
- Встановіть tensor2tensor, виберіть набір даних, навчіть та оцініть модель AI
- Налаштуйте середовище розробки, використовуючи інструменти та компоненти, включені в Tensor2Tensor
- Створіть та використовуйте одну модель, щоб одночасно вивчати ряд завдань з кількох доменів
- Використовуйте модель для вивчення завдань із великою кількістю навчальних даних і застосовуйте ці знання до завдань, де дані обмежені
- Отримати задовільні результати обробки за допомогою одного GPU
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
14 годин
Огляд
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
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 TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
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 годин
Огляд
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 годин
Огляд
TensorFlow Lite is an open source deep learning framework for executing models on mobile and embedded devices with limited compute and memory resources.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
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 developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
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 годин
Огляд
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
21 годин
Огляд
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
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 developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
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 годин
Огляд
TensorFlow Lite for Microcontrollers is a port of TensorFlow Lite designed to run machine learning models on microcontrollers and other devices with limited memory.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
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 write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
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.
7 годин
Огляд
TensorFlow служить система для обслуговування машинного навчання (ML) моделі для виробництва.
У цьому під керівництвом інструктора, живого навчання, учасники дізнаються, як налаштувати і використовувати TensorFlow служить для розгортання і управління ML моделей у виробничому середовищі.
До кінця тренінгу учасники зможуть:
- Тренуйте, експортуйте та обслуговуємо різні TensorFlow моделі
- Алгоритми тестування та розгортання з використанням єдиної архітектури та набору API
- Розширюйте TensorFlow служіння для обслуговування інших типів моделей поза межами TensorFlow моделей
Формат курсу
- Частина лекції, обговорення частини, вправи і важкі практичний досвід
Параметри налаштування курсу
- Щоб запросити індивідуальну підготовку до цього курсу, будь ласка, зв'яжіться з нами для організації.
У цьому під керівництвом інструктора, живого навчання, учасники дізнаються, як налаштувати і використовувати TensorFlow служить для розгортання і управління ML моделей у виробничому середовищі.
До кінця тренінгу учасники зможуть:
- Тренуйте, експортуйте та обслуговуємо різні TensorFlow моделі
- Алгоритми тестування та розгортання з використанням єдиної архітектури та набору API
- Розширюйте TensorFlow служіння для обслуговування інших типів моделей поза межами TensorFlow моделей
Формат курсу
- Частина лекції, обговорення частини, вправи і важкі практичний досвід
Параметри налаштування курсу
- Щоб запросити індивідуальну підготовку до цього курсу, будь ласка, зв'яжіться з нами для організації.
21 годин
Огляд
TensorFlow - це API 2-го покоління бібліотеки відкритого програмного забезпечення Go ogle для Deep Learning . Система призначена для полегшення досліджень в машинному навчанні, а також для швидкого і легкого переходу від дослідного прототипу до виробничої системи.
Аудиторія
Цей курс призначений для інженерів, які прагнуть використовувати TensorFlow для проектів Deep Learning
Після завершення цього курсу делегати:
- розуміти структуру TensorFlow і механізми розгортання
- вміти виконувати завдання встановлення / виробничого середовища / архітектури та конфігурації
- вміти оцінювати якість коду, виконувати налагодження, моніторинг
- мати можливість впроваджувати передові технології виробництва, такі як навчальні моделі, побудова графіків і ведення журналу
Аудиторія
Цей курс призначений для інженерів, які прагнуть використовувати TensorFlow для проектів Deep Learning
Після завершення цього курсу делегати:
- розуміти структуру TensorFlow і механізми розгортання
- вміти виконувати завдання встановлення / виробничого середовища / архітектури та конфігурації
- вміти оцінювати якість коду, виконувати налагодження, моніторинг
- мати можливість впроваджувати передові технології виробництва, такі як навчальні моделі, побудова графіків і ведення журналу
28 годин
Огляд
Цей курс досліджує, з конкретними прикладами, застосування Tensor Flow для цілей розпізнавання зображень
Аудиторія
Цей курс призначений для інженерів, які прагнуть використовувати TensorFlow для розпізнавання зображень
Після завершення цього курсу делегати зможуть:
- розуміти структуру TensorFlow і механізми розгортання
- виконувати завдання встановлення / виробничого середовища / архітектури та конфігурації
- оцінюють якість коду, виконують налагодження, моніторинг
- запровадити передові технології виробництва, такі як навчальні моделі, побудова графіків і ведення журналу
Аудиторія
Цей курс призначений для інженерів, які прагнуть використовувати TensorFlow для розпізнавання зображень
Після завершення цього курсу делегати зможуть:
- розуміти структуру TensorFlow і механізми розгортання
- виконувати завдання встановлення / виробничого середовища / архітектури та конфігурації
- оцінюють якість коду, виконують налагодження, моніторинг
- запровадити передові технології виробництва, такі як навчальні моделі, побудова графіків і ведення журналу
21 годин
Огляд
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
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 from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
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 годин
Огляд
Torch - це бібліотека машинного навчання з відкритим кодом та наукова обчислювальна база, заснована на мові програмування Lua . Це забезпечує середовище розробки для числення, машинного навчання та комп’ютерного зору, з особливим акцентом на глибоке навчання та складені мережі. Це одна з найшвидших і гнучких рамок для машинного і Deep Learning і використовується такими компаніями, як Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel та багато інших.
У цій навчальній програмі під керівництвом інструкторів ми висвітлюємо принципи Torch , його унікальні особливості та те, як його можна застосовувати в реальних програмах. Ми переглядаємо численні практичні вправи протягом усього часу, демонструючи та практикуючи вивчені поняття.
Після закінчення курсу учасники матимуть глибоке розуміння основних особливостей та можливостей Torch , а також його ролі та внеску в простір ШІ порівняно з іншими рамками та бібліотеками. Учасники також отримають необхідну практику для впровадження Torch у власних проектах.
Формат курсу
- Огляд машинного та Deep Learning
- Вправи на кодування та інтеграцію в класі
- Тестові запитання розсипали по дорозі, щоб перевірити розуміння
У цій навчальній програмі під керівництвом інструкторів ми висвітлюємо принципи Torch , його унікальні особливості та те, як його можна застосовувати в реальних програмах. Ми переглядаємо численні практичні вправи протягом усього часу, демонструючи та практикуючи вивчені поняття.
Після закінчення курсу учасники матимуть глибоке розуміння основних особливостей та можливостей Torch , а також його ролі та внеску в простір ШІ порівняно з іншими рамками та бібліотеками. Учасники також отримають необхідну практику для впровадження Torch у власних проектах.
Формат курсу
- Огляд машинного та Deep Learning
- Вправи на кодування та інтеграцію в класі
- Тестові запитання розсипали по дорозі, щоб перевірити розуміння
7 годин
Огляд
Блок обробки тензорів (TPU) - це архітектура, яку Google використовує всередині компанії протягом декількох років, і зараз вона стає доступною для широкої публіки. Вона включає в себе кілька оптимізацій, спеціально призначених для використання в нейронних мережах, включаючи раціональні множення матриці, і 8-бітні цілі числа замість 16-бітових, для повернення відповідних рівнів точності.
У цій інструкції під керівництвом інструктора, учасники навчаться навчатися використовувати нововведення в процесорах TPU, щоб максимально підвищити продуктивність своїх власних додатків AI.
До кінця тренінгу учасники зможуть:
- Навчання різних типів нейронних мереж на великих обсягах даних
- Використовуйте TPU, щоб прискорити процес висновку на два порядки
- Використовуйте TPU для обробки інтенсивних додатків, таких як пошук зображень, хмарне бачення та фотографії
Аудиторія
- Розробники
- Дослідники
- Інженери
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
У цій інструкції під керівництвом інструктора, учасники навчаться навчатися використовувати нововведення в процесорах TPU, щоб максимально підвищити продуктивність своїх власних додатків AI.
До кінця тренінгу учасники зможуть:
- Навчання різних типів нейронних мереж на великих обсягах даних
- Використовуйте TPU, щоб прискорити процес висновку на два порядки
- Використовуйте TPU для обробки інтенсивних додатків, таких як пошук зображень, хмарне бачення та фотографії
Аудиторія
- Розробники
- Дослідники
- Інженери
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
35 годин
Огляд
TensorFlow ™ - бібліотека програмного забезпечення з відкритим кодом для чисельного обчислення з використанням графіків потоку даних.
SyntaxNet - це структура обробки природних мов для нервової мережі для TensorFlow.
Word2Vec використовується для вивчення векторних уявлень про слова, що називаються "вклади словами". Word2vec - це особливо обчислювально ефективна прогностична модель для вивчення вкладок слів із вихідного тексту. Він поставляється у двох ароматах - моделі безперервного сумок (CBOW) та моделі Skip-Gram (розділи 3.1 та 3.2 у Миколова та ін.).
Використовується в тандемі, SyntaxNet та Word2Vec дозволяють користувачам створювати моделі "Досліджено вбудовування" з введення природної мови.
Аудиторія
Цей курс орієнтований на розробників та інженерів, які мають намір працювати з моделями SyntaxNet та Word2Vec у своїх графіках TensorFlow.
Після закінчення курсу делегати:
- зрозуміти структуру та механізми розгортання TensorFlow
- бути в змозі виконувати установки / виробничого середовища / архітектури завдання та конфігурацію
- бути в змозі оцінити якість коду, виконувати налагодження, моніторинг
- бути в змозі впроваджувати передові технології виробництва, такі як тренувальні моделі, вбудовування термінів, побудова графіків та реєстрації
SyntaxNet - це структура обробки природних мов для нервової мережі для TensorFlow.
Word2Vec використовується для вивчення векторних уявлень про слова, що називаються "вклади словами". Word2vec - це особливо обчислювально ефективна прогностична модель для вивчення вкладок слів із вихідного тексту. Він поставляється у двох ароматах - моделі безперервного сумок (CBOW) та моделі Skip-Gram (розділи 3.1 та 3.2 у Миколова та ін.).
Використовується в тандемі, SyntaxNet та Word2Vec дозволяють користувачам створювати моделі "Досліджено вбудовування" з введення природної мови.
Аудиторія
Цей курс орієнтований на розробників та інженерів, які мають намір працювати з моделями SyntaxNet та Word2Vec у своїх графіках TensorFlow.
Після закінчення курсу делегати:
- зрозуміти структуру та механізми розгортання TensorFlow
- бути в змозі виконувати установки / виробничого середовища / архітектури завдання та конфігурацію
- бути в змозі оцінити якість коду, виконувати налагодження, моніторинг
- бути в змозі впроваджувати передові технології виробництва, такі як тренувальні моделі, вбудовування термінів, побудова графіків та реєстрації
35 годин
Огляд
Цей курс починається з надання концептуальних знань з нейронних мереж і, як правило, з алгоритму машинного навчання, глибокого навчання (алгоритми та програми).
Частина 1 (40%) цього навчання більше уваги на основних принципах, але і допоможе вам вибрати правильну технологію: TensorFlow , Caffe , Theano, DeepDrive, Keras і т.д.
Частина 2 (20%) цього тренінгу представляє Теано - бібліотеку пітонів, яка спрощує написання моделей глибокого навчання.
Частина 3 (40%) навчання буде широко базуватися на Tensorflow - API другого покоління з бібліотеки програмного забезпечення з відкритим кодом Go ogle для Deep Learning . Усі приклади та досвід роботи будуть зроблені в TensorFlow .
Аудиторія
Цей курс призначений для інженерів, які прагнуть використовувати TensorFlow для своїх проектів Deep Learning
Після закінчення цього курсу делегати:
-
добре розуміти глибокі нейронні мережі (DNN), CNN та RNN
-
зрозуміти структуру та механізми розгортання TensorFlow
-
вміти виконувати установки / виробниче середовище / архітектурні завдання та конфігурацію
-
вміти оцінювати якість коду, виконувати налагодження, моніторинг
-
вміти впроваджувати передові виробництва, такі як навчальні моделі, складання графіків та ведення журналів
Частина 1 (40%) цього навчання більше уваги на основних принципах, але і допоможе вам вибрати правильну технологію: TensorFlow , Caffe , Theano, DeepDrive, Keras і т.д.
Частина 2 (20%) цього тренінгу представляє Теано - бібліотеку пітонів, яка спрощує написання моделей глибокого навчання.
Частина 3 (40%) навчання буде широко базуватися на Tensorflow - API другого покоління з бібліотеки програмного забезпечення з відкритим кодом Go ogle для Deep Learning . Усі приклади та досвід роботи будуть зроблені в TensorFlow .
Аудиторія
Цей курс призначений для інженерів, які прагнуть використовувати TensorFlow для своїх проектів Deep Learning
Після закінчення цього курсу делегати:
-
добре розуміти глибокі нейронні мережі (DNN), CNN та RNN
-
зрозуміти структуру та механізми розгортання TensorFlow
-
вміти виконувати установки / виробниче середовище / архітектурні завдання та конфігурацію
-
вміти оцінювати якість коду, виконувати налагодження, моніторинг
-
вміти впроваджувати передові виробництва, такі як навчальні моделі, складання графіків та ведення журналів
28 годин
Огляд
Цей курс дасть вам знання з нейронних мереж та загалом з алгоритму машинного навчання, глибокого навчання (алгоритми та програми).
Це навчання більш сфокусовані на основних принципах, але і допоможе вам вибрати правильну технологію: TensorFlow , Caffe , Teano, DeepDrive, Keras і т.д. Приклади зроблені в TensorFlow .
Це навчання більш сфокусовані на основних принципах, але і допоможе вам вибрати правильну технологію: TensorFlow , Caffe , Teano, DeepDrive, Keras і т.д. Приклади зроблені в TensorFlow .
21 годин
Огляд
Цей курс охоплює AI (підкреслюючи Machine Learning та Deep Learning )
21 годин
Огляд
Штучна нейронна мережа - це обчислювальна модель даних, що використовується в розробці систем Artificial Intelligence (AI) здатних виконувати "розумні" завдання. Neural Networks зазвичай використовуються в програмах Machine Learning (ML), які самі по собі є однією з реалізацій AI. Deep Learning - підмножина ML.
Інші країни
Консалтинг
Online DL (Deep Learning) courses, Weekend Deep Learning courses, Evening Deep Learning (DL) training, Deep Learning boot camp, DL (Deep Learning) instructor-led, Weekend DL (Deep Learning) training, Evening Deep Learning courses, Deep Learning (DL) coaching, Deep Learning (DL) instructor, Deep Learning (DL) trainer, DL (Deep Learning) training courses, DL (Deep Learning) classes, Deep Learning (DL) on-site, Deep Learning (DL) private courses, Deep Learning (DL) one on one training
.jpg "international air transport association (iata)")