Τα τοπικά μαθήματα κατάρτισης Artificial Intelligence (AI), καθοδηγούμενα από εκπαιδευτές, καταδεικνύουν μέσω πρακτικών πρακτικών πώς να εφαρμόσουν λύσεις AI για την επίλυση πραγματικών προβλημάτων. Η εκπαίδευση AI είναι διαθέσιμη ως "onsite live training" ή "remote live training". Η επιτόπια κατάρτιση σε πραγματικό χρόνο μπορεί να πραγματοποιηθεί σε τοπικό επίπεδο στις εγκαταστάσεις του πελάτη Ελλάδα ή σε εταιρικά κέντρα κατάρτισης NobleProg στο Ελλάδα . Η απομακρυσμένη ζωντανή προπόνηση πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας. NobleProg - Ο τοπικός παροχέας εκπαίδευσης.
Machine Translated
Testimonials
Ήταν πολύ ενημερωτικό και εξυπηρετικό.
Pratheep Ravy
Course: Predictive Modelling with R
Machine Translated
Ήταν πολύ διαδραστικό και πιο χαλαρό και άτυπο από το αναμενόμενο. Καλύψαμε πολλά θέματα την εποχή εκείνη και ο εκπαιδευτής ήταν πάντα δεκτικός να μιλάει πιο λεπτομερώς ή γενικότερα για τα θέματα και τον τρόπο με τον οποίο συσχετίζονταν. Αισθάνομαι ότι η κατάρτιση μου έδωσε τα εργαλεία για να συνεχίσω να μαθαίνω, σε αντίθεση με το γεγονός ότι είναι μια μοναδική σύνοδος όπου η μάθηση σταματάει μόλις τελειώσετε κάτι που είναι πολύ σημαντικό δεδομένης της κλίμακας και της πολυπλοκότητας του θέματος.
Jonathan Blease
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Η Ann δημιούργησε ένα εξαιρετικό περιβάλλον για να κάνει ερωτήσεις και να μάθει. Είχαμε πολύ διασκέδαση και μάθαμε πολλά ταυτόχρονα.
Gudrun Bickelq
Course: Introduction to the use of neural networks
Machine Translated
το διαδραστικό μέρος, προσαρμοσμένο στις συγκεκριμένες ανάγκες μας
Thomas Stocker
Course: Introduction to the use of neural networks
Machine Translated
Μου άρεσαν οι ασκήσεις
Office for National Statistics
Course: Natural Language Processing with Python
Machine Translated
Η πρακτική προσέγγιση
Kevin De Cuyper
Course: Computer Vision with OpenCV
Machine Translated
εύρος υλικού
Maciej Jonczyk
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
συστηματική γνώση στον τομέα του ML
Orange Polska
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
Ο εκπαιδευτής ήταν τόσο γνώστης και περιείχε τομείς στους οποίους με ενδιέφερε
Mohamed Salama
Course: Data Mining & Machine Learning with R
Machine Translated
Το θέμα είναι πολύ ενδιαφέρον
Wojciech Baranowski
Course: Introduction to Deep Learning
Machine Translated
Οι εκπαιδευτές θεωρητικές γνώσεις και προθυμία να λύσουν τα προβλήματα με τους συμμετέχοντες μετά την εκπαίδευση
Grzegorz Mianowski
Course: Introduction to Deep Learning
Machine Translated
Θέμα. Πολύ ενδιαφέρον!
Piotr
Course: Introduction to Deep Learning
Machine Translated
Οι ασκήσεις μετά από κάθε θέμα ήταν πραγματικά χρήσιμες, παρά το γεγονός ότι ήταν πολύ περίπλοκες στο τέλος. Γενικά, το υλικό που παρουσιάστηκε ήταν πολύ ενδιαφέρον και ενδιαφέροντα! Οι ασκήσεις με αναγνώριση εικόνας ήταν εξαιρετικές.
Dolby Poland Sp. z o.o.
Course: Introduction to Deep Learning
Machine Translated
Νομίζω ότι εάν η εκπαίδευση θα γίνει στη βουλγαρία θα επιτρέψει στον εκπαιδευτή να μοιραστεί τις γνώσεις του πιο αποτελεσματικά
Radek
Course: Introduction to Deep Learning
Machine Translated
Η γενική επισκόπηση της βαθιάς μάθησης
Bruno Charbonnier
Course: Advanced Deep Learning
Machine Translated
Οι ασκήσεις είναι επαρκώς πρακτικές και δεν χρειάζονται μεγάλη γνώση στην Python για να γίνουν.
Alexandre GIRARD
Course: Advanced Deep Learning
Machine Translated
Να κάνετε ασκήσεις με πραγματικά παραδείγματα χρησιμοποιώντας Keras. Ο Μιχάλυ κατανόησε πλήρως τις προσδοκίες μας για αυτή την εκπαίδευση.
Paul Kassis
Course: Advanced Deep Learning
Machine Translated
Εκτιμώ πραγματικά τις πεντακάθαρες απαντήσεις του Chris στις ερωτήσεις μας.
Léo Dubus
Course: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Γνωστός εκπαιδευτής
Sridhar Voorakkara
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ήμουν έκπληκτος με το πρότυπο αυτής της κατηγορίας - θα έλεγα ότι ήταν πανεπιστημιακό πρότυπο.
David Relihan
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Πολύ καλή γενική επισκόπηση. Go από το φόντο στο γιατί ο Tensorflow λειτουργεί όπως έχει.
Kieran Conboy
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Μου άρεσαν οι ευκαιρίες να θέσω ερωτήσεις και να δώσω περισσότερες σε βάθος εξηγήσεις για τη θεωρία.
Sharon Ruane
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Έχουμε αποκτήσει πολύ περισσότερη διορατικότητα στο θέμα. Κάποια ωραία συζήτηση έγινε με κάποια πραγματικά θέματα στην εταιρεία μας
Sebastiaan Holman
Course: Machine Learning and Deep Learning
Machine Translated
Η εκπαίδευση μας έδωσε το σωστό υπόβαθρο που μας επιτρέπει να επεκτείνουμε περαιτέρω, δείχνοντας πώς η θεωρία και η πρακτική συμβαδίζουν. Στην πραγματικότητα με ενδιέφερε περισσότερο το θέμα από ό, τι πριν.
Jean-Paul van Tillo
Course: Machine Learning and Deep Learning
Machine Translated
Κάλυψη και βάθος των θεμάτων
Anirban Basu
Course: Machine Learning and Deep Learning
Machine Translated
Ο εκπαιδευτής πολύ εύκολα εξηγούσε τα δύσκολα και προηγμένα θέματα.
Leszek K
Course: Artificial Intelligence Overview
Machine Translated
νέες γνώσεις στη βαθιά μηχανική μάθηση
Josip Arneric
Course: Neural Network in R
Machine Translated
Έχουμε αποκτήσει κάποιες γνώσεις σχετικά με το NN γενικά, και αυτό που ήταν το πιο ενδιαφέρον για μένα ήταν οι νέοι τύποι NN που είναι δημοφιλείς στις μέρες μας.
Tea Poklepovic
Course: Neural Network in R
Machine Translated
Γραφήματα σε R :)))
Faculty of Economics and Business Zagreb
Course: Neural Network in R
Machine Translated
Η βαθιά γνώση του εκπαιδευτή για το θέμα.
Sebastian Görg
Course: Introduction to Deep Learning
Machine Translated
Πολύ ενημερωμένη προσέγγιση ή api (tensorflow, kera, tflearn) για να κάνει μηχανική μάθηση
Paul Lee
Course: TensorFlow for Image Recognition
Machine Translated
Πολύ ευέλικτο
Frank Ueltzhöffer
Course: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
ευκαμψία
Werner Philipp
Course: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Λαμβάνοντας υπόψη τις προοπτικές της τεχνολογίας: ποια τεχνολογία / διαδικασία μπορεί να γίνει πιο σημαντική στο μέλλον; δείτε τι μπορεί να χρησιμοποιηθεί η τεχνολογία
Commerzbank AG
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Επιλογή θέματος. Στυλ εκπαίδευσης. Πρακτικός προσανατολισμός
Commerzbank AG
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Μου αρέσει πάρα πολύ.
蒙 李
Course: Machine Learning Fundamentals with Python
Machine Translated
τρόπος διεξαγωγής και παράδειγμα από τον εκπαιδευτή
ORANGE POLSKA S.A.
Course: Machine Learning and Deep Learning
Machine Translated
Δυνατότητα να συζητήσετε μόνοι σας τα προτεινόμενα θέματα
ORANGE POLSKA S.A.
Course: Machine Learning and Deep Learning
Machine Translated
Επικοινωνία με τον καθηγητή
文欣 张
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Μου αρέσει
lisa xie
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Σε βάθος κάλυψη των θεμάτων μηχανικής μάθησης, ιδιαίτερα των νευρωνικών δικτύων. Απομονώθηκε ένα μεγάλο μέρος του θέματος.
Sacha Nandlall
Course: Python for Advanced Machine Learning
Machine Translated
Αυτό είναι ένα από τα καλύτερα hands-on με ασκήσεις μαθήματα προγραμματισμού που έχω πάρει ποτέ.
Laura Kahn
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Machine Translated
Αυτή είναι μια από τις καλύτερες online εκπαιδευτικές ασκήσεις που έχω πάρει ποτέ στην καριέρα μου για 13 χρόνια. Συνεχίστε την καλή δουλειά!
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Machine Translated
πολλές ασκήσεις που μπορώ να χρησιμοποιήσω άμεσα στη δουλειά μου
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
Παραδείγματα πραγματικών δεδομένων
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC σε βρόχο
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
Το στυλ εκπαίδευσης του Richard το διατήρησε ενδιαφέρον, τα παραδείγματα του πραγματικού κόσμου που χρησιμοποιήθηκαν συνέβαλαν στην οδήγηση των εννοιών στο σπίτι.
Jamie Martin-Royle - NBrown Group
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
Το περιεχόμενο, όπως το βρήκα πολύ ενδιαφέρον και νομίζω ότι θα με βοήθησε στο τελευταίο μου έτος στο Πανεπιστήμιο.
Krishan Mistry - NBrown Group
Course: From Data to Decision with Big Data and Predictive Analytics
Machine Translated
Μου αρέσουν πραγματικά οι ασκήσεις
L M ERICSSON LIMITED
Course: Machine Learning
Machine Translated
τις εργαστηριακές ασκήσεις
Marcell Lorant - L M ERICSSON LIMITED
Course: Machine Learning
Machine Translated
Αυτή είναι μια από τις καλύτερες online εκπαιδευτικές ασκήσεις που έχω πάρει ποτέ στην καριέρα μου για 13 χρόνια. Συνεχίστε την καλή δουλειά!
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Machine Translated
Artificial Intelligence Course Outlines
Course Name
Duration
Overview
Course Name
Duration
Overview
14 hours
Overview
Αυτό το μάθημα καλύπτει το AI (με έμφαση στη Machine Learning και Deep Learning ) στην Automotive . Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (ενδεχομένως) να χρησιμοποιηθεί σε πολλαπλές περιπτώσεις ενός αυτοκινήτου: απλή αυτοματοποίηση, αναγνώριση εικόνας σε αυτόνομη λήψη αποφάσεων.
21 hours
Overview
Αυτό το μάθημα χρησιμοποιεί μια πρακτική προσέγγιση για τη διδασκαλία του OptaPlanner . Παρέχει στους συμμετέχοντες τα εργαλεία που απαιτούνται για την εκτέλεση των βασικών λειτουργιών αυτού του εργαλείου.
21 hours
Overview
Course is dedicated for those who would like to know an alternative program to the commercial MATLAB package. The three-day training provides comprehensive information on moving around the environment and performing the OCTAVE package for data analysis and engineering calculations. The training recipients are beginners but also those who know the program and would like to systematize their knowledge and improve their skills. Knowledge of other programming languages is not required, but it will greatly facilitate the learners' acquisition of knowledge. The course will show you how to use the program in many practical examples.
28 hours
Overview
OpenCV (Open Source Computer Vision Library: http://opencv.org) είναι μια open source BSD-licensed βιβλιοθήκη που περιλαμβάνει αρκετές εκατοντάδες αλγορίθμων υπολογιστικής όρασης.
Κοινό
Αυτό το μάθημα απευθύνεται σε μηχανικούς και αρχιτέκτονες που επιδιώκουν να χρησιμοποιήσουν το OpenCV για έργα οράσεως υπολογιστών
Κοινό
Αυτό το μάθημα απευθύνεται σε μηχανικούς και αρχιτέκτονες που επιδιώκουν να χρησιμοποιήσουν το OpenCV για έργα οράσεως υπολογιστών
14 hours
Overview
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Overview
OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google's FaceNet research.
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
The Apache OpenNLP library is a machine learning based toolkit for processing natural language text. It supports the most common NLP tasks, such as language detection, tokenization, sentence segmentation, part-of-speech tagging, named entity extraction, chunking, parsing and coreference resolution.
In this instructor-led, live training, participants will learn how to create models for processing text based data using OpenNLP. Sample training data as well customized data sets will be used as the basis for the lab exercises.
By the end of this training, participants will be able to:
- Install and configure OpenNLP
- Download existing models as well as create their own
- Train the models on various sets of sample data
- Integrate OpenNLP with existing Java applications
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to create models for processing text based data using OpenNLP. Sample training data as well customized data sets will be used as the basis for the lab exercises.
By the end of this training, participants will be able to:
- Install and configure OpenNLP
- Download existing models as well as create their own
- Train the models on various sets of sample data
- Integrate OpenNLP with existing Java applications
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
7 hours
Overview
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να δημιουργήσουν και να χρησιμοποιήσουν το OpenNMT για να πραγματοποιήσουν μετάφραση διαφόρων δειγμάτων δεδομένων. Το μάθημα ξεκινά με μια επισκόπηση των νευρωνικών δικτύων, όπως ισχύουν για τη μηχανική μετάφραση. Οι συμμετέχοντες θα πραγματοποιήσουν ζωντανές ασκήσεις καθ 'όλη τη διάρκεια του μαθήματος για να καταδείξουν την κατανόησή τους σχετικά με τις έννοιες που έμαθαν και να λάβουν πληροφορίες από τον εκπαιδευτή.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν τις γνώσεις και την πρακτική που απαιτούνται για την υλοποίηση μιας ζωντανής λύσης OpenNMT .
Τα δείγματα γλώσσας προέλευσης και στόχου θα είναι προκαθορισμένα σύμφωνα με τις απαιτήσεις του κοινού.
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, βαριά πρακτική άσκηση
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν τις γνώσεις και την πρακτική που απαιτούνται για την υλοποίηση μιας ζωντανής λύσης OpenNMT .
Τα δείγματα γλώσσας προέλευσης και στόχου θα είναι προκαθορισμένα σύμφωνα με τις απαιτήσεις του κοινού.
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, βαριά πρακτική άσκηση
14 hours
Overview
Το OpenNN είναι μια βιβλιοθήκη κατηγορίας ανοιχτού κώδικα γραμμένη σε C ++ που υλοποιεί νευρωνικά δίκτυα, για χρήση στη μηχανική μάθηση.
Σε αυτό το μάθημα θα ξεπεράσουμε τις αρχές των νευρωνικών δικτύων και θα χρησιμοποιήσουμε το OpenNN για την υλοποίηση μιας δειγματοληπτικής εφαρμογής.
Κοινό
Προγραμματιστές λογισμικού και προγραμματιστές που επιθυμούν να δημιουργήσουν εφαρμογές Deep Learning.
Μορφή του μαθήματος
Διάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.
Σε αυτό το μάθημα θα ξεπεράσουμε τις αρχές των νευρωνικών δικτύων και θα χρησιμοποιήσουμε το OpenNN για την υλοποίηση μιας δειγματοληπτικής εφαρμογής.
Κοινό
Προγραμματιστές λογισμικού και προγραμματιστές που επιθυμούν να δημιουργήσουν εφαρμογές Deep Learning.
Μορφή του μαθήματος
Διάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.
21 hours
Overview
PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
Overview
This classroom based training session will explore NLP techniques in conjunction with the application of AI and Robotics in business. Delegates will undertake computer based examples and case study solving exercises using Python
14 hours
Overview
Η αντιστοίχιση μοτίβων είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό συγκεκριμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης συγκεκριμένων χαρακτηριστικών μέσα σε μια ληφθείσα εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια γραμμή εργοστασίου ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Είναι διαφορετικό από το " Pattern Recognition " (το οποίο αναγνωρίζει τα γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι επιβάλλει συγκεκριμένα αυτό που ψάχνουμε και μας λέει εάν υπάρχει το αναμενόμενο πρότυπο ή όχι.
Μορφή του μαθήματος
- Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .
Μορφή του μαθήματος
- Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .
21 hours
Overview
PredictionIO είναι ένας Machine Learning ανοιχτού κώδικα που είναι ενσωματωμένος στην κορυφαία στοίβα ανοιχτής πηγής.
Κοινό
Αυτό το μάθημα απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που θέλουν να δημιουργήσουν μηχανές πρόβλεψης για οποιαδήποτε εργασία εκμάθησης μηχανών.
Κοινό
Αυτό το μάθημα απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που θέλουν να δημιουργήσουν μηχανές πρόβλεψης για οποιαδήποτε εργασία εκμάθησης μηχανών.
14 hours
Overview
R είναι μια ελεύθερη γλώσσα προγραμματισμού ανοικτού κώδικα για στατιστικούς υπολογιστές, ανάλυση δεδομένων και γραφικά. R χρησιμοποιείται από έναν αυξανόμενο αριθμό διαχειριστών και αναλυτών δεδομένων μέσα σε εταιρείες και ακαδημαϊκούς κύκλους. Το R διαθέτει μια μεγάλη ποικιλία πακέτων για την εξόρυξη δεδομένων.
14 hours
Overview
Pandas is a Python library for data manipulation and analysis. Using Pandas, users can perform predictive analysis through machine learning.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Pandas to preform predictive analysis with machine learning.
By the end of this training, participants will be able to:
- Perform data wrangling in Python.
- Conduct ETL operations for machine learning.
- Create data visualizations with Pandas
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 Pandas to preform predictive analysis with machine learning.
By the end of this training, participants will be able to:
- Perform data wrangling in Python.
- Conduct ETL operations for machine learning.
- Create data visualizations with Pandas
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 hours
Overview
In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data.
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
Computer Vision είναι ένα πεδίο που περιλαμβάνει αυτόματη εξαγωγή, ανάλυση και κατανόηση χρήσιμων πληροφοριών από ψηφιακά μέσα. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα του κώδικα.
Σε αυτόν τον εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία του Computer Vision καθώς περνούν μέσα από τη δημιουργία ενός συνόλου απλών εφαρμογών του Computer Vision χρησιμοποιώντας Python .
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τα βασικά στοιχεία του Computer Vision
- Χρησιμοποιήστε την Python για να υλοποιήσετε τις εργασίες του Computer Vision
- Δημιουργήστε τα δικά τους συστήματα προσώπου, αντικειμένων και ανίχνευσης κίνησης
Κοινό
- Python προγραμματιστές της Python ενδιαφέρονται για το Computer Vision
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Σε αυτόν τον εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία του Computer Vision καθώς περνούν μέσα από τη δημιουργία ενός συνόλου απλών εφαρμογών του Computer Vision χρησιμοποιώντας Python .
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τα βασικά στοιχεία του Computer Vision
- Χρησιμοποιήστε την Python για να υλοποιήσετε τις εργασίες του Computer Vision
- Δημιουργήστε τα δικά τους συστήματα προσώπου, αντικειμένων και ανίχνευσης κίνησης
Κοινό
- Python προγραμματιστές της Python ενδιαφέρονται για το Computer Vision
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
In this instructor-led, live training, participants will learn how to use the right machine learning and NLP (Natural Language Processing) techniques to extract value from text-based data.
By the end of this training, participants will be able to:
- Solve text-based data science problems with high-quality, reusable code
- Apply different aspects of scikit-learn (classification, clustering, regression, dimensionality reduction) to solve problems
- Build effective machine learning models using text-based data
- Create a dataset and extract features from unstructured text
- Visualize data with Matplotlib
- Build and evaluate models to gain insight
- Troubleshoot text encoding errors
Audience
- Developers
- Data Scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Solve text-based data science problems with high-quality, reusable code
- Apply different aspects of scikit-learn (classification, clustering, regression, dimensionality reduction) to solve problems
- Build effective machine learning models using text-based data
- Create a dataset and extract features from unstructured text
- Visualize data with Matplotlib
- Build and evaluate models to gain insight
- Troubleshoot text encoding errors
Audience
- Developers
- Data Scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
Αυτή η εκπαιδευτική συνεδρία θα περιλαμβάνει παρουσιάσεις και παραδείγματα υπολογιστών και ασκήσεις μελέτης περιπτώσεων που θα πραγματοποιηθούν με σχετικές νευρικές και βαθιές βιβλιοθήκες δικτύου
21 hours
Overview
IT εκτιμάται ότι τα μη δομημένα δεδομένα αντιστοιχούν σε περισσότερα από 90 τοις εκατό όλων των δεδομένων, μεγάλο μέρος της σε μορφή κειμένου. Οι δημοσιεύσεις ιστολογίου, τα τουίτ, τα μέσα κοινωνικής δικτύωσης και άλλες ψηφιακές δημοσιεύσεις συνεχώς προσθέτουν σε αυτό το αυξανόμενο σώμα δεδομένων.
αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή πορεία επικεντρώνεται γύρω από την εξαγωγή πληροφοριών και νόημα από αυτά τα δεδομένα. Αξιοποιώντας τις βιβλιοθήκες της επεξεργασίας γλώσσας και φυσικής γλώσσας (ΝΙΠ), συνδυάζουμε έννοιες και τεχνικές από την πληροφορική, την τεχνητή νοημοσύνη και την υπολογιστική γλωσσολογία για να αλγοριθμικά κατανοούμε το νόημα πίσω από τα δεδομένα κειμένου. Τα δείγματα δεδομένων είναι διαθέσιμα σε διάφορες γλώσσες ανά πελάτη.
από το τέλος αυτών των συμμετεχόντων στην εκπαίδευση θα είναι σε θέση να προετοιμάσει σύνολα δεδομένων (μεγάλα και μικρά) από ανόμοιες πηγές, στη συνέχεια, εφαρμόστε τους σωστά αλγόριθμους για να αναλύσετε και να αναφέρετε τη σημασία του.
μορφή του μαθήματος
- PART διάλεξη, μέρος συζήτηση, βαριά πρακτική εξάσκηση, περιστασιακές δοκιμές για να μετρήσει την κατανόηση
αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή πορεία επικεντρώνεται γύρω από την εξαγωγή πληροφοριών και νόημα από αυτά τα δεδομένα. Αξιοποιώντας τις βιβλιοθήκες της επεξεργασίας γλώσσας και φυσικής γλώσσας (ΝΙΠ), συνδυάζουμε έννοιες και τεχνικές από την πληροφορική, την τεχνητή νοημοσύνη και την υπολογιστική γλωσσολογία για να αλγοριθμικά κατανοούμε το νόημα πίσω από τα δεδομένα κειμένου. Τα δείγματα δεδομένων είναι διαθέσιμα σε διάφορες γλώσσες ανά πελάτη.
από το τέλος αυτών των συμμετεχόντων στην εκπαίδευση θα είναι σε θέση να προετοιμάσει σύνολα δεδομένων (μεγάλα και μικρά) από ανόμοιες πηγές, στη συνέχεια, εφαρμόστε τους σωστά αλγόριθμους για να αναλύσετε και να αναφέρετε τη σημασία του.
μορφή του μαθήματος
- PART διάλεξη, μέρος συζήτηση, βαριά πρακτική εξάσκηση, περιστασιακές δοκιμές για να μετρήσει την κατανόηση
28 hours
Overview
Αυτό το μάθημα εισάγει γλωσσολόγους ή προγραμματιστές στην NLP στην Python . Κατά τη διάρκεια αυτού του μαθήματος θα χρησιμοποιήσουμε ως επί το πλείστον το nltk.org (Kit Natural Tool Tool), αλλά θα χρησιμοποιήσουμε και άλλες βιβλιοθήκες σχετικές και χρήσιμες για NLP. Προς το παρόν μπορούμε να διεξάγουμε αυτό το μάθημα σε Python 2.x ή Python 3.x. Παραδείγματα είναι στα αγγλικά ή στα μανδαρίνια (普通话). Άλλες γλώσσες μπορούν επίσης να διατεθούν εάν συμφωνηθούν πριν από την κράτηση.
14 hours
Overview
This classroom based training session will explore machine learning techniques, with computer based examples and case study solving exercises using a relevant programme languauge
28 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. R είναι μια δημοφιλής γλώσσα προγραμματισμού στον χρηματοπιστωτικό κλάδο. Χρησιμοποιείται σε χρηματοοικονομικές εφαρμογές που κυμαίνονται από βασικά προγράμματα διαπραγμάτευσης μέχρι συστήματα διαχείρισης κινδύνου.
Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον χρηματοπιστωτικό κλάδο. R θα χρησιμοποιηθεί ως γλώσσα προγραμματισμού.
Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις θεμελιώδεις έννοιες της μηχανικής μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της μηχανικής μάθησης στη χρηματοδότηση
- Αναπτύξτε τη δική τους στρατηγική αλγοριθμικών συναλλαγών χρησιμοποιώντας την εκμάθηση μηχανών με τον R
Κοινό
- Προγραμματιστές
- Οι επιστήμονες των δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον χρηματοπιστωτικό κλάδο. R θα χρησιμοποιηθεί ως γλώσσα προγραμματισμού.
Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις θεμελιώδεις έννοιες της μηχανικής μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της μηχανικής μάθησης στη χρηματοδότηση
- Αναπτύξτε τη δική τους στρατηγική αλγοριθμικών συναλλαγών χρησιμοποιώντας την εκμάθηση μηχανών με τον R
Κοινό
- Προγραμματιστές
- Οι επιστήμονες των δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
MLflow is an open source platform for streamlining and managing the machine learning lifecycle. It supports any ML (machine learning) library, algorithm, deployment tool or language. Simply add MLflow to your existing ML code to share the code across any ML library being used within your organization.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go beyond building ML models and optimize the ML model creation, tracking, and deployment process.
By the end of this training, participants will be able to:
- Install and configure MLflow and related ML libraries and frameworks.
- Appreciate the importance of trackability, reproducability and deployability of an ML model
- Deploy ML models to different public clouds, platforms, or on-premise servers.
- Scale the ML deployment process to accommodate multiple users collaborating on a project.
- Set up a central registry to experiment with, reproduce, and deploy ML models.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go beyond building ML models and optimize the ML model creation, tracking, and deployment process.
By the end of this training, participants will be able to:
- Install and configure MLflow and related ML libraries and frameworks.
- Appreciate the importance of trackability, reproducability and deployability of an ML model
- Deploy ML models to different public clouds, platforms, or on-premise servers.
- Scale the ML deployment process to accommodate multiple users collaborating on a project.
- Set up a central registry to experiment with, reproduce, and deploy ML models.
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 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Με τη χρήση της γλώσσας προγραμματισμού Scala και των διάφορων βιβλιοθηκών της και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.
Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Μέσω της χρήσης της Python προγραμματισμού Python και των διάφορων βιβλιοθηκών της και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.
Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Μέσα από τη χρήση της πλατφόρμας προγραμματισμού R και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.
Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
7 hours
Overview
Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν τις βασικές τεχνικές Machine Learning σε πρακτικές εφαρμογές.
Κοινό
Οι επιστήμονες δεδομένων και οι στατιστικολόγοι που έχουν κάποια εξοικείωση με τη μηχανική μάθηση και ξέρουν πώς να προγραμματίσουν το R. Η έμφαση σε αυτό το μάθημα αφορά στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης. Ο σκοπός είναι να δοθεί μια πρακτική εισαγωγή στην μηχανική μάθηση σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία
Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.
Κοινό
Οι επιστήμονες δεδομένων και οι στατιστικολόγοι που έχουν κάποια εξοικείωση με τη μηχανική μάθηση και ξέρουν πώς να προγραμματίσουν το R. Η έμφαση σε αυτό το μάθημα αφορά στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης. Ο σκοπός είναι να δοθεί μια πρακτική εισαγωγή στην μηχανική μάθηση σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία
Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.
14 hours
Overview
In this instructor-led, live training, participants will learn how to use the iOS Machine Learning (ML) technology stack as they step through the creation and deployment of an iOS mobile app.
By the end of this training, participants will be able to:
- Create a mobile app capable of image processing, text analysis and speech recognition
- Access pre-trained ML models for integration into iOS apps
- Create a custom ML model
- Add Siri Voice support to iOS apps
- Understand and use frameworks such as coreML, Vision, CoreGraphics, and GamePlayKit
- Use languages and tools such as Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda, and Spyder
Audience
- Developers
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Create a mobile app capable of image processing, text analysis and speech recognition
- Access pre-trained ML models for integration into iOS apps
- Create a custom ML model
- Add Siri Voice support to iOS apps
- Understand and use frameworks such as coreML, Vision, CoreGraphics, and GamePlayKit
- Use languages and tools such as Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda, and Spyder
Audience
- Developers
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
35 hours
Overview
MLOps is a set of tools and methodologies for combining Machine Learning and DevOps practices. The goal of MLOps is to automate and optimize the deployment and maintenance of ML systems in production.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to evaluate the approaches and tools available today to make an intelligent decision on the path forward in adopting MLOps within their organization.
By the end of this training, participants will be able to:
- Install and configure various MLOps frameworks and tools.
- Assemble the right kind of team with the right skills for constructing and supporting an MLOps system.
- Prepare, validate and version data for use by ML models.
- Understand the components of an ML Pipeline and the tools needed to build one.
- Experiment with different machine learning frameworks and servers for deploying to production.
- Operationalize the entire Machine Learning process so that it's reproduceable and maintainable.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to evaluate the approaches and tools available today to make an intelligent decision on the path forward in adopting MLOps within their organization.
By the end of this training, participants will be able to:
- Install and configure various MLOps frameworks and tools.
- Assemble the right kind of team with the right skills for constructing and supporting an MLOps system.
- Prepare, validate and version data for use by ML models.
- Understand the components of an ML Pipeline and the tools needed to build one.
- Experiment with different machine learning frameworks and servers for deploying to production.
- Operationalize the entire Machine Learning process so that it's reproduceable and maintainable.
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.
Upcoming AI (Artificial Intelligence) Courses
2021-02-16 09:30:00
28 hours
2021-03-08 09:30:00
28 hours
2021-03-16 09:30:00
21 hours
2021-03-23 09:30:00
14 hours
2021-04-01 09:30:00
14 hours
Other countries
Consulting
Online AI (Artificial Intelligence) courses, Weekend Artificial Intelligence courses, Evening Artificial Intelligence training, Artificial Intelligence boot camp, AI instructor-led, Weekend AI (Artificial Intelligence) training, Evening AI (Artificial Intelligence) courses, AI coaching, AI (Artificial Intelligence) instructor, Artificial Intelligence trainer, Artificial Intelligence training courses, Artificial Intelligence classes, AI (Artificial Intelligence) on-site, AI private courses, AI (Artificial Intelligence) one on one training
.jpg "international air transport association (iata)")
