
Місцеві, під керівництвом інструктора Live нейронні мережі навчальних курсів демонструють через інтерактивне обговорення і практичний практиці, як побудувати нейронні мережі, використовуючи ряд основному з відкритим вихідним кодом інструментальних засобів і бібліотек, а також як використовувати силу Удосконалене апаратне забезпечення (GPUs) та методи оптимізації за участю розподілених обчислень і великих даних. Наша Нейромережеві курси засновані на популярних мовах програмування, таких як Python, Java, R мови, і потужні бібліотеки, в тому числі TensorFlow, факел, Caffe, Theano і багато іншого. Наша Нейромережеві курси охоплюють як теорію, так і реалізацію, використовуючи низку нейромережевих реалізацій, таких як глибинні нейронні мережі (DNN), Згортуючих нейронних мереж (CNN) та періодичні нейронні мережі (РНН).
Нейромережева підготовка 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
Це було дуже інтерактивним і більш розслабленим і неформальним, ніж очікувалося. Ми розглянули багато тем в той час, і тренер завжди сприйнятливі говорити більш докладно або в цілому про теми і як вони були пов'язані. Я відчуваю, що навчання дав мені інструменти, щоб продовжити навчання на відміну від його час одного сеансу, де навчання зупиняється, як тільки ви закінчили, що дуже важливо з огляду на масштаби і складність теми.
Jonathan Blease
Курси: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Енн створив велике середовище задавати питання і вчитися. У нас було багато веселощів, а також дізналися багато в той же час.
Gudrun Bickelq
Курси: Introduction to the use of neural networks
Machine Translated
Інтерактивна частина, адаптована до наших конкретних потреб.
Thomas Stocker
Курси: Introduction to the use of neural networks
Machine Translated
Я дуже ціную кришталево чіткі відповіді Кріса на наші запитання.
Léo Dubus
Курси: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
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
Дуже зрозумілий тренер пояснив складні та просунуті теми.
Leszek K
Курси: Artificial Intelligence Overview
Machine Translated
Мені сподобався новий погляд на глибоке Машинне навчання.
Josip Arneric
Курси: Neural Network in R
Machine Translated
Ми отримали деякі знання про NN в цілому, і те, що було найбільш цікавим для мене були нові типи н. н., які популярні в наш час.
Tea Poklepovic
Курси: Neural Network in R
Machine Translated
Я в основному користувався графи в R:))).
Faculty of Economics and Business Zagreb
Курси: Neural Network in R
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
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
Багато вправ, які я можу безпосередньо використовувати в моїй роботі
Alior Bank S.A.
Курси: Sieci Neuronowe w R
Machine Translated
Приклади фактичних даних
Alior Bank S.A.
Курси: Sieci Neuronowe w R
Machine Translated
невралнет, процедура w petli
Alior Bank S.A.
Курси: Sieci Neuronowe w R
Machine Translated
Широкий спектр питань охоплює і високі знання керівних.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Відсутність
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Високі теоретичні та практичні знання провідних. Провідні комунікаційні можливості. Під час курсу ви можете задати питання і отримати задовільну відповідь.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Практична частина, де ми реалізували алгоритми. Це дозволило краще зрозуміти цю тему.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Вправи і приклади
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Приклади та теми, які обговорювалися.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Змістовні знання, заручини, захоплюючий спосіб спілкування знань. Практичні приклади після теоретичної лекції.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Практичні вправи, підготовлені паном Матьясом
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Курси: Understanding Deep Neural Networks
Machine Translated
Неформальні обміни ми мали під час лекцій дійсно допомогли мені поглибити своє розуміння предмета
Explore
Курси: Deep Reinforcement Learning with Python
Machine Translated
Тренер був професіоналом у предметній галузі та відмінно пов’язав теорію із застосуванням
Fahad Malalla - Tatweer Petroleum
Курси: Applied AI from Scratch in Python
Machine Translated
Neural Networks Підкатегорії
Neural Networks Зміст курсу
Цей інструктаж, який проводиться під керівництвом викладача (на місці або на відстані), спрямований на інженерів, які хочуть дізнатися про придатність штучного інтелекту до мехатронних систем.
Наприкінці навчання учасники зможуть:
- Отримати огляд штучного інтелекту, машинного навчання та обчислювального інтелекту.
- Розуміти поняття нейронних мереж і різні методи навчання.
- Ефективно підбирайте підходи штучного інтелекту для реальних проблем.
- Впроваджуйте застосування ШІ в мехатронному машинобудуванні.
Формат курсу
- Інтерактивна лекція та дискусія.
- Багато вправ і практики.
- Практична реалізація в середовищі живої лабораторії.
Параметри налаштування курсу
- Щоб запросити індивідуальне навчання для цього курсу, зв'яжіться з нами для організації.
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 навчальній інструкції учасники вивчатимуть методи отримання значень з неструктурованих даних, таких як текст, таблиці, малюнки та зображення, шляхом моделювання тренувальних даних з Snorkel.
До кінця цього тренінгу учасники зможуть:
- Програмувати навчальні комплекти, щоб забезпечити маркування масових тренувальних наборів
- Поїзд високоякісних кінцевих моделей спочатку моделювання шумних тренувальних наборів
- Використовуйте Snorkel для реалізації слабких методів нагляду та застосування програм обробки даних слабко контрольованим системам машинного навчання
Аудиторія
- Розробники
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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.
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
Формат курсу
- Лекція та обговорення в поєднанні з практичними вправами.
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 .
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.
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
Методика навчання: презентація, обмін та тематичні дослідження
Штучний інтелект, порушивши багато наукових галузей, почав революціонувати велику кількість галузей економіки (промисловість, медицина, комунікації тощо). Тим не менш, його представлення у великих ЗМІ часто є фантазією, дуже далеко від тих, що є насправді сферами Machine Learning чи Deep Learning . Мета цього тренінгу - надати інженерам, які вже володіють комп'ютерними інструментами (включаючи базу програмування програмного забезпечення), ознайомлення з Deep Learning та його різними напрямами спеціалізації, а отже, і до основних існуючих мережевих архітектур сьогодні. Якщо під час курсу відкликаються математичні бази, для більшої комфортності рекомендується рівень математики типу BAC + 2. Абсолютно можливо пропустити математичну вісь, щоб зберегти лише "системне" бачення, але такий підхід дуже обмежить ваше розуміння теми.
У цьому навчанні під керівництвом тренера, учасники навчаться створювати різні компоненти нейронної мережі, використовуючи ENCOG. Будуть обговорюватися реальні ситуаційні дослідження, і будуть розглянуті на цих мовах рішення на основі машинного мовлення.
До кінця цього тренінгу учасники зможуть:
- Підготуйте дані для нейронних мереж із використанням процесу нормалізації
- Впроваджувати методологію тренінгових мереж передачі та розповсюдження
- Виконувати класифікаційні та регресійні завдання
- Модель і поїзд нейронні мережі з використанням Encog на графічному інтерфейсі на базі верстатів
- Інтеграція підтримки нейронної мережі в реальних додатках
Аудиторія
- Розробники
- Аналітики
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
У цій інструкції під керівництвом живих тренінгів учасники вивчатимуть передові технології машинного навчання для побудови чітких прогнозних моделей нейронної мережі.
До кінця цього тренінгу учасники зможуть:
- Впроваджуйте різні методи оптимізації нейронних мереж для вирішення проблем, пов'язаних із встановленням та переобладнанням
- Зрозумійте та оберіть з низки архітектур нейронної мережі
- Впроваджувати контрольовані канали прямого та зворотного зв'язку
Аудиторія
- Розробники
- Аналітики
- Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
У цьому тренінгу під керівництвом інструкторів учасники вивчать основи навчання глибокому зміцненню, переходячи до створення агента Deep Learning .
Після закінчення цього тренінгу учасники зможуть:
- Зрозумійте ключові поняття, що стоять за методом глибокого зміцнення та зможете відрізнити його від Machine Learning
- Застосовуйте розширені алгоритми навчання зміцнення для вирішення реальних проблем
- Створіть агент Deep Learning
Аудиторія
- Розробники
- Дані вчені
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
Курс є інтерактивним і включає безліч практичних вправ, зворотній зв'язок інструктора та перевірку набутих знань та навичок.
Аудиторія
Цей курс призначений для вчених даних і статистиків, які мають певне знайомство зі статистикою і знають, як програмувати R (або Python або іншу вибрану мову). Основна увага в курсі приділяється практичним аспектам підготовки даних / моделей, їх виконання, постфактумному аналізу та візуалізації.
Мета полягає в наданні практичних застосувань для Machine Learning учасникам, зацікавленим у застосуванні методів роботи.
Приклади, що стосуються окремих секторів, використовуються для того, щоб зробити навчання відповідним для аудиторії.
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