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
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
Мехатроніка (також мехатронічна інженерія) - це поєднання механіки, електроніки та інформатики.
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.
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.
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
7 годин
Огляд
Snorkel - це система для швидкого створення, моделювання та управління навчальними даними. Вона фокусується на прискоренні розробки структурованих або "темних" додатків для вилучення даних для доменів, у яких великі позначені набори навчальних програм недоступні або їх легко отримати.
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
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
14 годин
Огляд
Цей курс є вступом до застосування нейронних мереж у реальних проблемах світу за допомогою програмного забезпечення R-project.
14 годин
Огляд
A recommender system is an information filtering process that predicts the user's preferences. Python can be used to program deep learning, machine learning, and neural network recommender systems to help users discover new products and content.
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.
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.
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
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.
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
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 .
7 годин
Огляд
Тренінг спрямований на людей, які хочуть вивчити основи нейронних мереж та їх застосування.
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
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
Цей курс був створений для керівників, рішень архітекторів, інноваційних працівників, технічних працівників, програмних архітекторів та всіх, хто цікавиться оглядом прикладного штучного інтелекту та найближчим прогнозом його розвитку.
21 годин
Огляд
Тип: Теоретичне навчання з додатками, що вирішуються вгору за течією зі студентами на Лазаньї чи Keras відповідно до педагогічної групи
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.
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.
14 годин
Огляд
Encog - це платформа навчання для роботи з відкритим кодом для Java та .Net.
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 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
14 годин
Огляд
Encog - це платформа навчання для роботи з відкритим кодом для Java та .Net.
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 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
21 годин
Огляд
Навчання глибокого зміцнення стосується здатності "штучного агента" вчитися шляхом спроб і помилок, нагород та покарань. Штучний агент має на меті наслідувати здатність людини отримувати та конструювати знання самостійно, безпосередньо із сировинних ресурсів, таких як зір. Для реалізації навчального підкріплення використовують глибоке навчання та нейронні мережі. Навчання підсиленням відрізняється від машинного навчання і не покладається на підходи під наглядом та без нагляду.
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
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
21 годин
Огляд
Цей живий курс під керівництвом викладачів забезпечує вступ у поле розпізнавання образів та машинного навчання. Він торкається практичних застосувань у галузі статистики, інформатики, обробки сигналів, комп'ютерного зору, видобутку даних та біоінформатики.
Курс є інтерактивним і включає безліч практичних вправ, зворотній зв'язок інструктора та перевірку набутих знань та навичок.
Курс є інтерактивним і включає безліч практичних вправ, зворотній зв'язок інструктора та перевірку набутих знань та навичок.
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.
14 годин
Огляд
Цей навчальний курс призначений для людей, які хотіли б застосувати Machine Learning у практичних застосуваннях.
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.
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.
28 годин
Огляд
Це 4-денний курс, що представляє AI та його додаток, використовуючи мову програмування Python . Існує можливість мати додатковий день, щоб здійснити проект ШІ після завершення цього курсу.
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.
35 годин
Огляд
Цей курс створюється для людей, які не мають попереднього досвіду у вірогідності та статистиці.
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
Інші країни
Консалтинг
Online Neural Networks courses, Weekend Neural Networks courses, Evening Neural Networks training, Neural Networks boot camp, Neural Networks instructor-led, Weekend Neural Networks training, Evening Neural Networks courses, Neural Networks coaching, Neural Networks instructor, Neural Networks trainer, Neural Networks training courses, Neural Networks classes, Neural Networks on-site, Neural Networks private courses, Neural Networks one on one training
.jpg "international air transport association (iata)")