Artificial Intelligence Training Courses

Artificial Intelligence Training Courses

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

★★★★★
★★★★★

Artificial Intelligence Course Outlines

Title
Duration
Overview
Title
Duration
Overview
7 hours
Overview
Το μάθημα αυτό έχει δημιουργηθεί για διευθυντές, αρχιτέκτονες λύσεων, αξιωματικούς καινοτομίας, ΚΟΤ, αρχιτέκτονες λογισμικού και όσους ενδιαφέρονται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και για την πλησιέστερη πρόβλεψη για την ανάπτυξή της.
21 hours
Overview
Machine Learning είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Python είναι μια γλώσσα προγραμματισμού γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα. Προσφέρει μια εξαιρετική συλλογή από καλά δοκιμασμένες βιβλιοθήκες και τεχνικές για την ανάπτυξη εφαρμογών μηχανικής μάθησης.

Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον τραπεζικό κλάδο.

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.

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
28 hours
Overview
Cortana Intelligence Suite is a bundle of integrated products and services on the Microsoft Azure Cloud that enable entities to transform data into intelligent actions.

In this instructor-led, live training, participants will learn how to use the components that are part of the Cortana Intelligence Suite to build data-driven intelligent applications.

By the end of this training, participants will be able to:

- Learn how to use Cortana Intelligence Suite tools
- Acquire the latest knowledge of data management and analytics
- Use Cortana components to turn data into intelligent action
- Use Cortana to build applications from scratch and launch it on the cloud

Audience

- Data scientists
- Programmers
- Developers
- Managers
- Architects

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
Overview
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability.

In this instructor-led, live training, participants will learn how to implement deep learning models for finance using Python as they step through the creation of a deep learning stock price prediction model.

By the end of this training, participants will be able to:

- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in finance
- Use Python, Keras, and TensorFlow to create deep learning models for finance
- Build their own deep learning stock price prediction model using Python

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Η βαθιά μάθηση είναι ένας υποτομέας μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα. R είναι μια δημοφιλής γλώσσα προγραμματισμού στον χρηματοπιστωτικό κλάδο. Χρησιμοποιείται σε χρηματοοικονομικές εφαρμογές που κυμαίνονται από βασικά προγράμματα διαπραγμάτευσης μέχρι συστήματα διαχείρισης κινδύνου.

Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για τις τράπεζες που χρησιμοποιούν το R, καθώς περνούν μέσα από τη δημιουργία ενός μοντέλου βαθιάς μάθησης πιστωτικού κινδύνου.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

- Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στον τραπεζικό τομέα
- Χρησιμοποιήστε το R για να δημιουργήσετε μοντέλα βαθιάς μάθησης για τις τράπεζες
- Δημιουργήστε το δικό τους μοντέλο βαθιάς μάθησης πιστωτικού κινδύνου χρησιμοποιώντας το R

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
28 hours
Overview
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability.

In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.

By the end of this training, participants will be able to:

- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Η βαθιά μάθηση είναι ένας υποτομέας μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα. R είναι μια δημοφιλής γλώσσα προγραμματισμού στον χρηματοπιστωτικό κλάδο. Χρησιμοποιείται σε χρηματοοικονομικές εφαρμογές που κυμαίνονται από βασικά προγράμματα διαπραγμάτευσης μέχρι συστήματα διαχείρισης κινδύνου.

Σε αυτήν την καθοδηγούμενη από τους εκπαιδευτές, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για τη χρηματοδότηση με τη χρήση R καθώς προχωρούν μέσω της δημιουργίας ενός προτύπου πρόβλεψης των τιμών των μετοχών.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

- Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στη χρηματοδότηση
- Χρησιμοποιήστε το R για να δημιουργήσετε μοντέλα βαθιάς μάθησης για τη χρηματοδότηση
- Κατασκευάστε το δικό σας μοντέλο πρόβλεψης βασικών τιμών εκμάθησης χρησιμοποιώντας το R

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
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
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
21 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Python είναι μια γλώσσα προγραμματισμού γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα. Προσφέρει μια εξαιρετική συλλογή από καλά δοκιμασμένες βιβλιοθήκες και τεχνικές για την ανάπτυξη εφαρμογών μηχανικής μάθησης.

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.

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 μηχανική μάθηση με την Python

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
35 hours
Overview
Advances in technologies and the increasing amount of information are transforming how law enforcement is conducted. The challenges that Big Data pose are nearly as daunting as Big Data's promise. Storing data efficiently is one of these challenges; effectively analyzing it is another.

In this instructor-led, live training, participants will learn the mindset with which to approach Big Data technologies, assess their impact on existing processes and policies, and implement these technologies for the purpose of identifying criminal activity and preventing crime. Case studies from law enforcement organizations around the world will be examined to gain insights on their adoption approaches, challenges and results.

By the end of this training, participants will be able to:

- Combine Big Data technology with traditional data gathering processes to piece together a story during an investigation
- Implement industrial big data storage and processing solutions for data analysis
- Prepare a proposal for the adoption of the most adequate tools and processes for enabling a data-driven approach to criminal investigation

Audience

- Law Enforcement specialists with a technical background

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
Overview
DL (Deep Learning) is a subset of ML (Machine Learning).

Python is a popular programming language that contains libraries for Deep Learning for NLP.

Deep Learning for NLP (Natural Language Processing) allows a machine to learn simple to complex language processing. Among the tasks currently possible are language translation and caption generation for photos.

In this instructor-led, live training, participants will learn to use Python libraries for NLP as they create an application that processes a set of pictures and generates captions.

By the end of this training, participants will be able to:

- Design and code DL for NLP using Python libraries.
- Create Python code that reads a substantially huge collection of pictures and generates keywords.
- Create Python Code that generates captions from the detected keywords.

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
In Python Machine Learning, the Text Summarization feature is able to read the input text and produce a text summary. This capability is available from the command-line or as a Python API/Library. One exciting application is the rapid creation of executive summaries; this is particularly useful for organizations that need to review large bodies of text data before generating reports and presentations.

In this instructor-led, live training, participants will learn to use Python to create a simple application that auto-generates a summary of input text.

By the end of this training, participants will be able to:

- Use a command-line tool that summarizes text.
- Design and create Text Summarization code using Python libraries.
- Evaluate three Python summarization libraries: sumy 0.7.0, pysummarization 1.0.4, readless 1.0.17

Audience

- Developers
- Data Scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
35 hours
Overview
Αυτό το μάθημα ξεκινά με την παροχή εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, τη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Μέρος-1 (40%) αυτής της εκπαίδευσης είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέγετε τη σωστή τεχνολογία: TensorFlow , Caffe , Θεανώ, DeepDrive, Keras , κ.λπ.

Μέρος-2 (20%) αυτής της εκπαίδευσης εισάγει Theano - μια βιβλιοθήκη python που καθιστά εύκολη τη σύνταξη εγγράφων βαθιάς μάθησης.

Το τμήμα 3 (40%) της κατάρτισης θα βασίζεται σε μεγάλο βαθμό στο Tensorflow - API δεύτερης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Τα παραδείγματα και το handson θα γίνουν όλα στο TensorFlow .

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

-

έχουν μια καλή κατανόηση για τα βαθιά νευρωνικά δίκτυα (DNN), το CNN και το RNN

-

κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow

-

να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση

-

να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση

-

να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή
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
28 hours
Overview
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον τραπεζικό 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 από ζωντανά έργα.

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων
- Τραπεζικοί επαγγελματίες με τεχνικό υπόβαθρο

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
14 hours
Overview
Το AI είναι μια συλλογή τεχνολογιών για την κατασκευή έξυπνων συστημάτων ικανών να κατανοήσουν τα δεδομένα και τις δραστηριότητες που περιβάλλουν τα δεδομένα για να κάνουν "έξυπνες αποφάσεις". Για τους παρόχους τηλεπικοινωνιών, οι εφαρμογές κτιρίων και οι υπηρεσίες που χρησιμοποιούν το AI θα μπορούσαν να ανοίξουν την πόρτα για βελτιωμένες λειτουργίες και εξυπηρέτηση σε τομείς όπως η συντήρηση και η βελτιστοποίηση του δικτύου.

Σε αυτό το μάθημα εξετάζουμε τις διάφορες τεχνολογίες που απαρτίζουν το AI και τα σύνολα ικανοτήτων που απαιτούνται για να τα χρησιμοποιήσουμε. Σε όλη τη διάρκεια του μαθήματος, εξετάζουμε τις συγκεκριμένες εφαρμογές της AI στο πλαίσιο της βιομηχανίας τηλεπικοινωνιών.

Κοινό

- Μηχανικοί δικτύων
- Δυναμικό του δικτύου
- Τεχνικοί διευθυντές τηλεπικοινωνιών

Μορφή του μαθήματος

- Διάλεξη μέρους, συζήτηση, πρακτική ασκήσεις
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
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το Matlab για να σχεδιάσουν, να κατασκευάσουν και να απεικονίσουν ένα συνελικτικό νευρωνικό δίκτυο για αναγνώριση εικόνας.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

- Δημιουργήστε ένα μοντέλο βαθιάς μάθησης
- Αυτοματοποιήστε την επισήμανση δεδομένων
- Εργασία με μοντέλα από Caffe και TensorFlow - Keras
- Τα δεδομένα τρένων χρησιμοποιούν πολλαπλές GPU , το σύννεφο ή τα clusters

Κοινό

- Προγραμματιστές
- Μηχανικοί
- Εμπειρογνώμονες τομέα

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
Predictive analytics is the process of using data analytics to make predictions about the future. This process uses data along with data mining, statistics, and machine learning techniques to create a predictive model for forecasting future events.

In this instructor-led, live training, participants will learn how to use Matlab to build predictive models and apply them to large sample data sets to predict future events based on the data.

By the end of this training, participants will be able to:

- Create predictive models to analyze patterns in historical and transactional data
- Use predictive modeling to identify risks and opportunities
- Build mathematical models that capture important trends
- Use data from devices and business systems to reduce waste, save time, or cut costs

Audience

- Developers
- Engineers
- Domain experts

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
7 hours
Overview
TensorFlow Serving is a system for serving machine learning (ML) models to production.

In this instructor-led, live training, participants will learn how to configure and use TensorFlow Serving to deploy and manage ML models in a production environment.

By the end of this training, participants will be able to:

- Train, export and serve various TensorFlow models
- Test and deploy algorithms using a single architecture and set of APIs
- Extend TensorFlow Serving to serve other types of models beyond TensorFlow models

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
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
21 hours
Overview
Natural language generation (NLG) refers to the production of natural language text or speech by a computer.

In this instructor-led, live training, participants will learn how to use Python to produce high-quality natural language text by building their own NLG system from scratch. Case studies will also be examined and the relevant concepts will be applied to live lab projects for generating content.

By the end of this training, participants will be able to:

- Use NLG to automatically generate content for various industries, from journalism, to real estate, to weather and sports reporting
- Select and organize source content, plan sentences, and prepare a system for automatic generation of original content
- Understand the NLG pipeline and apply the right techniques at each stage
- Understand the architecture of a Natural Language Generation (NLG) system
- Implement the most suitable algorithms and models for analysis and ordering
- Pull data from publicly available data sources as well as curated databases to use as material for generated text
- Replace manual and laborious writing processes with computer-generated, automated content creation

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
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
14 hours
Overview
Encog is an open-source machine learning framework for Java and .Net.

In this instructor-led, live training, participants will learn how to create various neural network components using ENCOG. Real-world case studies will be discussed and machine language based solutions to these problems will be explored.

By the end of this training, participants will be able to:

- Prepare data for neural networks using the normalization process
- Implement feed forward networks and propagation training methodologies
- Implement classification and regression tasks
- Model and train neural networks using Encog's GUI based workbench
- Integrate neural network support into real-world applications

Audience

- Developers
- Analysts
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
Encog is an open-source machine learning framework for Java and .Net.

In this instructor-led, live training, participants will learn advanced machine learning techniques for building accurate neural network predictive models.

By the end of this training, participants will be able to:

- Implement different neural networks optimization techniques to resolve underfitting and overfitting
- Understand and choose from a number of neural network architectures
- Implement supervised feed forward and feedback networks

Audience

- Developers
- Analysts
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
Overview
In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application.

By the end of this training, participants will be able to:

- Understand and implement unsupervised learning techniques
- Apply clustering and classification to make predictions based on real world data.
- Visualize data to quicly gain insights, make decisions and further refine analysis.
- Improve the performance of a machine learning model using hyper-parameter tuning.
- Put a model into production for use in a larger application.
- Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.

Audience

- Developers
- Analysts
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
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
21 hours
Overview
ο στόχος αυτού του μαθήματος είναι να παρέχει γενική επάρκεια στην εφαρμογή μεθόδων μηχανικής μάθησης στην πράξη. Μέσω της χρήσης της γλώσσας προγραμματισμού Python και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιείτε τα σημαντικότερα δομικά στοιχεία της μηχανικής μάθησης, πώς να κάνετε αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσετε την τις εκροές των αλγορίθμων και να επικυρώσετε τα αποτελέσματα.

ο στόχος μας είναι να σας δώσουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε τα πιο θεμελιώδη εργαλεία από την εργαλειοθήκη μηχανικής εκμάθησης με σιγουριά και να αποφύγετε τις κοινές παγίδες των εφαρμογών των Επιστημών δεδομένων.
21 hours
Overview
Fiji is an open-source image processing package that bundles ImageJ (an image processing program for scientific multidimensional images) and a number of plugins for scientific image analysis.

In this instructor-led, live training, participants will learn how to use the Fiji distribution and its underlying ImageJ program to create an image analysis application.

By the end of this training, participants will be able to:

- Use Fiji's advanced programming features and software components to extend ImageJ
- Stitch large 3d images from overlapping tiles
- Automatically update a Fiji installation on startup using the integrated update system
- Select from a broad selection of scripting languages to build custom image analysis solutions
- Use Fiji's powerful libraries, such as ImgLib on large bioimage datasets
- Deploy their application and collaborate with other scientists on similar projects

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

Weekend AI (Artificial Intelligence) courses, Evening Artificial Intelligence training, Artificial Intelligence boot camp, Artificial Intelligence instructor-led, Weekend AI training, Evening AI (Artificial Intelligence) courses, AI (Artificial Intelligence) coaching, AI instructor, AI (Artificial Intelligence) trainer, Artificial Intelligence training courses, Artificial Intelligence classes, Artificial Intelligence on-site, AI (Artificial Intelligence) private courses, AI one on one training

Course Discounts

Course Discounts Newsletter

We respect the privacy of your email address. We will not pass on or sell your address to others.
You can always change your preferences or unsubscribe completely.

Some of our clients

is growing fast!

We are looking to expand our presence in Greece!

As a Business Development Manager you will:

  • expand business in Greece
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!