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
Θεωρία / πρακτική εναλλαγής αποτελεσματική!
CIRAD
Course: Introduction to Machine Learning with MATLAB
Machine Translated
Προοδευτική παρουσίαση και εφαρμογή μεθόδων
Aurélien Briffaz - CIRAD
Course: Introduction to Machine Learning with MATLAB
Machine Translated
Διαθεσιμότητα και προσαρμοστικότητα, απαντήσεις σε ερωτήσεις
Jean-Michel MEOT - CIRAD
Course: Introduction to Machine Learning with MATLAB
Machine Translated
Θέματα που συζητήθηκαν, ασκήσεις που έγιναν (παραδείγματα), ατμόσφαιρα εκπαίδευσης, επαφή με τον εκπαιδευτή, τοποθεσία.
Wojskowe Zakłady Uzbrojenia S.A. w Grudziądzu
Course: Octave not only for programmers
Machine Translated
Πολλές πρακτικές συμβουλές
Pawel Dawidowski - ABB Sp. z o.o.
Course: Deep Learning with TensorFlow
Machine Translated
Πολλές πληροφορίες σχετικά με την εφαρμογή λύσεων
Michał Smolana - ABB Sp. z o.o.
Course: Deep Learning with TensorFlow
Machine Translated
Ένα πλήθος πρακτικών συμβουλών και γνώσεων του διδάσκοντος από ένα ευρύ φάσμα θεμάτων AI / IT / SQL / IoT.
ABB Sp. z o.o.
Course: Deep Learning with TensorFlow
Machine Translated
η τελευταία μέρα. τμήμα παραγωγής
Accenture Inc
Course: Python for Natural Language Generation
Machine Translated
Τα θέματα που αναφέρονται στο NLG. Η ομάδα μπόρεσε να μάθει κάτι νέο στο τέλος με θέματα που ήταν ενδιαφέροντα, αλλά ήταν μόνο την τελευταία μέρα. Υπήρχαν επίσης περισσότερα χέρια στις δραστηριότητες από τις διαφάνειες που ήταν καλές.
Accenture Inc
Course: Python for Natural Language Generation
Machine Translated
Μου αρέσει αυτό που επικεντρώνεται περισσότερο στο πώς-να τις διαφορετικές μεθόδους περίληψη κειμένου
Course: Text Summarization with Python
Machine Translated
Η απομακρυσμένη ρύθμιση της τάξης λειτούργησε πολύ καλά
Trimac Management Services LP
Course: Introduction to R with Time Series Analysis
Machine Translated
Good detail on what R is used for and how to start using it right away
Hoss Shenassa - Trimac Management Services LP
Course: Introduction to R with Time Series Analysis
The many practical examples / assignments that we went through were great. For me, I learn better by seeing examples and applying them elsewhere. The use of real data and applying what was taught against it was extremely valuable. Michaels PowerPoint presentations and his ability to work through each solution was invaluable.
Trimac Management Services LP
Course: Introduction to R with Time Series Analysis
πολλές πληροφορίες, όλες τις ερωτήσεις που αναφέρθηκαν, ενδιαφέροντα παραδείγματα
A1 Telekom Austria AG
Course: Deep Learning for Telecom (with Python)
Machine Translated
The exercises.
Elena Velkova - CEED Bulgaria
Course: Predictive Modelling with R
Practical exercises with R were very helpful.
CEED Bulgaria
Course: Predictive Modelling with R
Ο εκπαιδευτής ήταν επαγγελματίας στον τομέα και σχετική θεωρία με την εφαρμογή άριστα
Fahad Malalla - Tatweer Petroleum
Course: Applied AI from Scratch in Python
Machine Translated
Ξεκίνησα με σχεδόν μηδενική γνώση και μέχρι το τέλος μπορώ να οικοδομήσω και να εκπαιδεύσω τα δικά μου δίκτυα.
Huawei Technologies Duesseldorf GmbH
Course: TensorFlow for Image Recognition
Machine Translated
Ewa has a passion for the subject and a huge wealth of knowledge. She impressed all of us with her knowledge and kept us all focused through the day.
Rock Solid Knowledge Ltd
Course: Machine Learning – Data science
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Course: Machine Learning – Data science
So much breadth and topics covered. I felt it was a huge subject to try and cover in 3 days - the trainer did what they could to cover everything almost exactly on time!
Rock Solid Knowledge Ltd
Course: Machine Learning – Data science
Adjusting to our needs
Sumitomo Mitsui Finance and Leasing Company, Limited
Course: Kubeflow
Πρακτική
INTELLIGENT HIVES SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
Course: Machine Learning – Data science
Machine Translated
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Course: Natural Language Processing with TensorFlow
the way he present everything with examples and training was so useful
Ibrahim Mohammedameen - TWPI
Course: Natural Language Processing with TensorFlow
Very knowledgeable
Usama Adam - TWPI
Course: Natural Language Processing with TensorFlow
The excersise where we should train a network to approximate a function
Nercia Utbildning AB
Course: Deep Learning with TensorFlow 2.0
και τον τρόπο με τον οποίο η
NetWorkS! Sp. z o.o.
Course: AI Awareness for Telecom
Machine Translated
Quantum computing algorithms and related theoretical background know-how of the trainer is excellent. Especially I'd like to emphasize his ability to detect exactly when I was struggling with the material presented and he provided time&support for me to really understand the topic - that was great and very beneficial! Virtual setup with Zoom worked out very well, as well as arrangements regarding training sessions and breaks sequences. It was a lot of material/theory to cover in "only" 2 days, wo the trainer had nicely adjusted the amount according to the progress related to my understanding of the topics. Maybe planning 3 days for absolute beginners would be better to cover all the material and content outlined in the agenda. I very much liked the flexibility of the trainer to answer my specific questions to the training topics, even additionally coming back after the breaks with more explanation in case neccessary. Big thank you again for the sessions! Well done!
Giorgi Ediberidze
Course: Quantum Computing with IBM Quantum Experience
Tomasz γνωρίζουν πραγματικά τις πληροφορίες καλά και η πορεία ήταν καλά ρυθμό.
Raju Krishnamurthy - Google
Course: TensorFlow Extended (TFX)
Machine Translated
information
Amr Alaa - FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
learning new language.
FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
subject presentation knowledge timing
Aly Saleh - FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
helpful and good listener .. interactive
Ahmed El Kholy - FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
Ahmed was very interactive and didn’t mind answering any kind of questions Well presentation and smooth flow of the course
Mohamed Ghowaiba - FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
the course is very interesting being the main focus nowdays
mohamed taher - FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
Οι συζητήσεις για τη διεύρυνση των οριζόντων μας
FAB banak Egypt
Course: Introduction to Data Science and AI (using Python)
Machine Translated
Μου αρέσει αυτό που επικεντρώνεται περισσότερο στο πώς-να τις διαφορετικές μεθόδους περίληψη κειμένου
Course: Text Summarization with Python
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.
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.
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
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
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
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
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
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
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
21 hours
Overview
Αυτό το μάθημα έχει σχεδιαστεί για άτομα που ενδιαφέρονται να εξάγουν το νόημα από γραπτό αγγλικό κείμενο, αν και η γνώση μπορεί να εφαρμοστεί και σε άλλες ανθρώπινες γλώσσες.
Το μάθημα θα καλύψει τον τρόπο χρήσης του κειμένου που έχει γράψει ο άνθρωπος, όπως οι αναρτήσεις ιστολογίου, τα tweets κ.λπ ...
Για παράδειγμα, ένας αναλυτής μπορεί να δημιουργήσει έναν αλγόριθμο ο οποίος θα καταλήξει σε αυτόματο συμπέρασμα με βάση εκτεταμένη πηγή δεδομένων.
Το μάθημα θα καλύψει τον τρόπο χρήσης του κειμένου που έχει γράψει ο άνθρωπος, όπως οι αναρτήσεις ιστολογίου, τα tweets κ.λπ ...
Για παράδειγμα, ένας αναλυτής μπορεί να δημιουργήσει έναν αλγόριθμο ο οποίος θα καταλήξει σε αυτόματο συμπέρασμα με βάση εκτεταμένη πηγή δεδομένων.
35 hours
Overview
By the end of the training the delegates are expected to be sufficiently equipped with the essential python concepts and should be able to sufficiently use NLTK to implement most of the NLP and ML based operations. The training is aimed at giving not just an executional knowledge but also the logical and operational knowledge of the technology therein.
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.
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)")
