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
Тренери теоретичні знання і готовність вирішувати проблеми з учасниками після навчання.
Grzegorz Mianowski
Курси: Introduction to Deep Learning
Machine Translated
Тему. Дуже цікаво!.
Piotr
Курси: Introduction to Deep Learning
Machine Translated
Вправи після кожної теми були дуже корисними, незважаючи на те, що були занадто складні в кінці. Загалом, представлений матеріал був дуже цікавим і за участю! Вправи з розпізнаванням зображення були великими.
Dolby Poland Sp. z o.o.
Курси: Introduction to Deep Learning
Machine Translated
Я думаю, що якщо тренінг буде зроблено польською це дозволить тренеру поділитися своїми знаннями більш ефективними.
Radek
Курси: Introduction to Deep Learning
Machine Translated
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
Суб'єкта. Здавалося цікавим, але я залишив знання не набагато більше, ніж раніше.
Radoslaw Labedzki
Курси: Introduction to Deep Learning
Machine Translated
Мені подобалося, що цей курс мав дуже цікаву тематику.
Wojciech Wilk
Курси: Introduction to Deep Learning
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
Поглиблене висвітлення тем машинного навчання, зокрема нейронних мереж. Дуже багато тем.
Sacha Nandlall
Курси: Python for Advanced Machine 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
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
like it all
lisa xie
Курси: Artificial Neural Networks, Machine Learning, Deep Thinking
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
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 (onsite or remote) 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 (onsite or remote) 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
Цей курс охоплює AI (підкреслюючи Machine Learning та Deep Learning )
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 .
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 (onsite or remote) 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 (onsite or remote) 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
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
14 годин
Огляд
У цьому тренінгу під керівництвом інструкторів учасники дізнаються, як використовувати Matlab для проектування, побудови та візуалізації звивистої нейронної мережі для розпізнавання зображень.
Після закінчення цього тренінгу учасники зможуть:
- Побудуйте модель глибокого навчання
- Автоматизація маркування даних
- Робота з моделями від Caffe та TensorFlow - Keras
- Тренуйте дані, використовуючи декілька GPU , хмари або кластерів
Аудиторія
- Розробники
- Інженери
- Експерти з домену
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
Після закінчення цього тренінгу учасники зможуть:
- Побудуйте модель глибокого навчання
- Автоматизація маркування даних
- Робота з моделями від Caffe та TensorFlow - Keras
- Тренуйте дані, використовуючи декілька GPU , хмари або кластерів
Аудиторія
- Розробники
- Інженери
- Експерти з домену
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
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
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
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 (onsite or remote) 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 (onsite or remote) 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.
7 годин
Огляд
TensorFlow Serving - це система подачі моделей машинного навчання (ML) до виробництва.
У цьому тренінгу під керівництвом інструкторів учасники дізнаються, як налаштувати та використовувати TensorFlow для розгортання та управління моделями ML у виробничих умовах.
Після закінчення цього тренінгу учасники зможуть:
- Тренуйте, експортуйте та обслуговуйте різні моделі TensorFlow
- Тестуйте та розгортайте алгоритми, використовуючи єдину архітектуру та набір API
- Розширення TensorFlow Служить для обслуговування інших типів моделей поза моделями TensorFlow
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
У цьому тренінгу під керівництвом інструкторів учасники дізнаються, як налаштувати та використовувати TensorFlow для розгортання та управління моделями ML у виробничих умовах.
Після закінчення цього тренінгу учасники зможуть:
- Тренуйте, експортуйте та обслуговуйте різні моделі TensorFlow
- Тестуйте та розгортайте алгоритми, використовуючи єдину архітектуру та набір API
- Розширення TensorFlow Служить для обслуговування інших типів моделей поза моделями TensorFlow
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
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
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
21 годин
Огляд
Microsoft Cognitive Toolkit 2.x (раніше CNTK) - це інструментарій з відкритим кодом, комерційним класом, який розробляє алгоритми глибокого навчання, щоб вивчати як людський мозок. За даними Microsoft, CNTK може бути на 5-10 разів швидше, ніж TensorFlow, у рекурентних мережах і в 2 - 3 рази швидше, ніж TensorFlow для завдань, пов'язаних із зображеннями.
У цій навчальному посібнику учасники навчаться використовувати курс когнітивного інструментарію Microsoft для створення, підготовки та оцінки алгоритмів глибокого навчання для використання в комерційних додатках із застосуванням ІР, що включають декілька типів даних, таких як дані, мова, текст та зображення. .
До кінця цього тренінгу учасники зможуть:
- Доступ до CNTK як бібліотеки з програми Python, C # або C ++
- Використовуйте CNTK як автономний інструмент навчання машини за допомогою власної мови опису моделі (BrainScript)
- Використовуйте функцію оцінки моделі CNTK з програми Java
- Об'єднайте канали DNN, канали згортки (CNN) та періодичні мережі (RNN / LSTM)
- Масштабна обчислювальна потужність на процесорах, графічних процесорах та декількох машинах
- Доступ до масивних наборів даних з використанням існуючих мов програмування та алгоритмів
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Примітка
- Якщо ви хочете налаштувати будь-яку частину цього тренінгу, включаючи вибрану мову програмування, зв'яжіться з нами, щоб організувати.
У цій навчальному посібнику учасники навчаться використовувати курс когнітивного інструментарію Microsoft для створення, підготовки та оцінки алгоритмів глибокого навчання для використання в комерційних додатках із застосуванням ІР, що включають декілька типів даних, таких як дані, мова, текст та зображення. .
До кінця цього тренінгу учасники зможуть:
- Доступ до CNTK як бібліотеки з програми Python, C # або C ++
- Використовуйте CNTK як автономний інструмент навчання машини за допомогою власної мови опису моделі (BrainScript)
- Використовуйте функцію оцінки моделі CNTK з програми Java
- Об'єднайте канали DNN, канали згортки (CNN) та періодичні мережі (RNN / LSTM)
- Масштабна обчислювальна потужність на процесорах, графічних процесорах та декількох машинах
- Доступ до масивних наборів даних з використанням існуючих мов програмування та алгоритмів
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Примітка
- Якщо ви хочете налаштувати будь-яку частину цього тренінгу, включаючи вибрану мову програмування, зв'яжіться з нами, щоб організувати.
14 годин
Огляд
Keras є відкритим вихідним кодом Python Нейромережева бібліотека для створення глибоких нейронних мереж. Keras пропонує інтуїтивно зрозумілий набір абстракцій, спрощуючи розвиток глибоких нейронних мереж і моделей.
Це інструктор під керівництвом, живий тренінг (на місці або віддалених), спрямований на інженерів програмного забезпечення, які бажають розвивати передові глибокі навчання нейронних мереж і моделі з використанням Keras і Python.
До кінця тренінгу учасники зможуть:
- Застосовуйте глибоке навчання з контрольованими або неконтрольованими методами навчання.
- Розробляти, тренувати та впроваджувати одночасні нейронні мережі та рекурентні нейронні мережі.
- Використовуйте Keras і Python для створення глибоких моделей навчання для вирішення проблем, пов'язаних з зображеннями, текстом, звуком тощо.
Формат курсу
- Інтерактивна лекція та дискусія.
- Багато вправ і практики.
- Практичний впровадження в середовищі живого Lab.
Параметри налаштування курсу
- Щоб запросити індивідуальну підготовку до цього курсу, будь ласка, зв'яжіться з нами для організації.
Це інструктор під керівництвом, живий тренінг (на місці або віддалених), спрямований на інженерів програмного забезпечення, які бажають розвивати передові глибокі навчання нейронних мереж і моделі з використанням Keras і Python.
До кінця тренінгу учасники зможуть:
- Застосовуйте глибоке навчання з контрольованими або неконтрольованими методами навчання.
- Розробляти, тренувати та впроваджувати одночасні нейронні мережі та рекурентні нейронні мережі.
- Використовуйте Keras і Python для створення глибоких моделей навчання для вирішення проблем, пов'язаних з зображеннями, текстом, звуком тощо.
Формат курсу
- Інтерактивна лекція та дискусія.
- Багато вправ і практики.
- Практичний впровадження в середовищі живого Lab.
Параметри налаштування курсу
- Щоб запросити індивідуальну підготовку до цього курсу, будь ласка, зв'яжіться з нами для організації.
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.
28 годин
Огляд
Машинне навчання - це галузь Штучного інтелекту, в якій комп'ютери мають можливість вчитися без явного запрограмування. Глибоке навчання - це підполе машинного навчання, яке використовує методи, засновані на навчанні подання даних та структур, таких як нейронні мережі. R - популярна мова програмування у фінансовій галузі. Він використовується у фінансових додатках, починаючи від основних торгових програм до систем управління ризиками.
У цьому навчанні на практиці під керівництвом викладачів учасники дізнаються, як реалізувати моделі глибокого навчання для банківської діяльності, використовуючи R, коли вони крокують через створення моделі кредитного ризику з глибоким навчанням.
Після закінчення цього тренінгу учасники зможуть:
- Розуміти основні поняття глибокого навчання
- Дізнайтеся про додатки та способи глибокого навчання в банківській справі
- Використовуйте R для створення глибоких моделей навчання для банківської справи
- Побудувати власну модель кредитного ризику глибокого навчання за допомогою R
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
У цьому навчанні на практиці під керівництвом викладачів учасники дізнаються, як реалізувати моделі глибокого навчання для банківської діяльності, використовуючи R, коли вони крокують через створення моделі кредитного ризику з глибоким навчанням.
Після закінчення цього тренінгу учасники зможуть:
- Розуміти основні поняття глибокого навчання
- Дізнайтеся про додатки та способи глибокого навчання в банківській справі
- Використовуйте R для створення глибоких моделей навчання для банківської справи
- Побудувати власну модель кредитного ризику глибокого навчання за допомогою R
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
28 годин
Огляд
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 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
Weekend DL (Deep Learning) courses, Evening Deep Learning training, Deep Learning (DL) boot camp, Deep Learning instructor-led, Weekend DL (Deep Learning) training, Evening DL (Deep Learning) courses, Deep Learning coaching, Deep Learning (DL) instructor, Deep Learning (DL) trainer, Deep Learning (DL) training courses, DL (Deep Learning) classes, DL (Deep Learning) on-site, Deep Learning (DL) private courses, Deep Learning (DL) one on one training
.jpg "international air transport association (iata)")