Τα τοπικά μαθήματα κατάρτισης Deep Learning (DL) που διοργανώνονται από τοπικούς εκπαιδευτές, επιδεικνύουν με πρακτική άσκηση τις βασικές αρχές και εφαρμογές της βαθιάς μάθησης και καλύπτουν θέματα όπως η βαθιά μηχανική μάθηση, η βαθιά δομημένη μάθηση και η ιεραρχική μάθηση. Η εκπαίδευση Deep Learning 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 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
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
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
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
Μεγάλη και ενημερωμένη γνώση κορυφαίων και πρακτικών παραδειγμάτων εφαρμογής.
ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Machine Translated
Πολλές ασκήσεις, πολύ καλή συνεργασία με την ομάδα.
Janusz Chrobot - ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Machine Translated
εργασία σε συνεργάτες,
ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Machine Translated
Ήταν προφανές ότι οι ενθουσιώδες των παρουσιαζόμενων θεμάτων ήταν οι κορυφαίοι. Χρησιμοποιούνται ενδιαφέροντα παραδείγματα κατά τη διάρκεια της άσκησης.
ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Machine Translated
Ένα ευρύ φάσμα θεμάτων που καλύπτονται και ουσιαστική γνώση των ηγετών.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
έλλειψη
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
Μεγάλη θεωρητική και πρακτική γνώση των διδασκόντων. Η επικοινωνιακή ικανότητα των εκπαιδευτών. Κατά τη διάρκεια του μαθήματος, μπορείτε να κάνετε ερωτήσεις και να λάβετε ικανοποιητικές απαντήσεις.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
Πρακτικό μέρος, όπου υλοποιήσαμε αλγόριθμους. Αυτό επέτρεψε την καλύτερη κατανόηση του θέματος.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
ασκήσεις και παραδείγματα που εφαρμόζονται σε αυτά
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
Παραδείγματα και θέματα που συζητήθηκαν.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
Ουσιαστική γνώση, δέσμευση, παθιασμένος τρόπος μεταφοράς γνώσης. Πρακτικά παραδείγματα μετά από μια θεωρητική διάλεξη.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
Πρακτικές ασκήσεις που εκπόνησε ο κ. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Machine Translated
Ήμουν επωφελημένος από το πάθος να διδάσκω και να εστιάζω στο να κάνω κάτι λογικό.
Zaher Sharifi - GOSI
Course: Advanced Deep Learning
Machine Translated
Ταυτοποίηση ανθρώπινου στοιχείου και ανίχνευση κακών σημείων
王 春柱 - 中移物联网
Course: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Αποδείξει
中移物联网
Course: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Σχετικά με την περιοχή του προσώπου.
中移物联网
Course: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Οι ανεπίσημες ανταλλαγές που είχαμε κατά τη διάρκεια των διαλέξεων με βοήθησαν πραγματικά να εμβαθύνω την κατανόησή μου για το θέμα
Explore
Course: Deep Reinforcement Learning with Python
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
πολλές πληροφορίες, όλες τις ερωτήσεις που αναφέρθηκαν, ενδιαφέροντα παραδείγματα
A1 Telekom Austria AG
Course: Deep Learning for Telecom (with 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
Deep Learning Subcategories
Deep Learning (DL) Course Outlines
Course Name
Duration
Overview
Course Name
Duration
Overview
21 hours
Overview
Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν "ευφυή" καθήκοντα. Neural Networks χρησιμοποιούνται συνήθως στις εφαρμογές Machine Learning (ML), οι οποίες είναι οι ίδιες μια υλοποίηση του AI. Deep Learning είναι ένα υποσύνολο του ML.
21 hours
Overview
Keras είναι ένα υψηλού επιπέδου νευρωνικό δίκτυο API για γρήγορη ανάπτυξη και πειραματισμό. Τρέχει στην κορυφή της TensorFlow, CNTK, ή Theano.
αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε τεχνικά πρόσωπα που επιθυμούν να εφαρμόσουν μοντέλο βαθιάς μάθησης σε εφαρμογές αναγνώρισης εικόνας.
μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- εγκατάσταση και ρύθμιση παραμέτρων του Keras.
- γρήγορα πρωτότυπα βαθιά μαθησιακά μοντέλα.
- εφαρμογή ενός convolutional δικτύου.
- εφαρμογή ενός επαναλαμβανόμενου δικτύου.
- εκτελέσει ένα μοντέλο βαθιάς μάθησης τόσο σε μια CPU και GPU.
μορφή του μαθήματος
- διαδραστική διάλεξη και συζήτηση.
- πολλές ασκήσεις και εξάσκηση.
- εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.
επιλογές προσαρμογής μαθήματος
- για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσετε.
- για να μάθετε περισσότερα σχετικά με Keras, παρακαλούμε επισκεφθείτε: https://keras.io/
αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε τεχνικά πρόσωπα που επιθυμούν να εφαρμόσουν μοντέλο βαθιάς μάθησης σε εφαρμογές αναγνώρισης εικόνας.
μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- εγκατάσταση και ρύθμιση παραμέτρων του Keras.
- γρήγορα πρωτότυπα βαθιά μαθησιακά μοντέλα.
- εφαρμογή ενός convolutional δικτύου.
- εφαρμογή ενός επαναλαμβανόμενου δικτύου.
- εκτελέσει ένα μοντέλο βαθιάς μάθησης τόσο σε μια CPU και GPU.
μορφή του μαθήματος
- διαδραστική διάλεξη και συζήτηση.
- πολλές ασκήσεις και εξάσκηση.
- εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.
επιλογές προσαρμογής μαθήματος
- για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσετε.
- για να μάθετε περισσότερα σχετικά με Keras, παρακαλούμε επισκεφθείτε: https://keras.io/
28 hours
Overview
In this instructor-led, live training in Ελλάδα, 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.
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.
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
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. Η βαθιά μάθηση είναι ένας υποτομέας μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για τη σαφή σύνταξη και την αναγνωσιμότητα του κώδικα.
Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για τραπεζικές εργασίες που χρησιμοποιούν το Python καθώς περνούν μέσα από τη δημιουργία ενός μοντέλου βαθιάς μάθησης για το πιστωτικό κίνδυνο.
Μέχρι το τέλος 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 Python , Keras και TensorFlow να δημιουργήσει βαθιά μοντέλα μάθησης για τον τραπεζικό τομέα
- Δημιουργήστε το δικό τους μοντέλο βαθιάς μάθησης πιστωτικού κινδύνου χρησιμοποιώντας τη Python
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 εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για τραπεζικές εργασίες που χρησιμοποιούν το Python καθώς περνούν μέσα από τη δημιουργία ενός μοντέλου βαθιάς μάθησης για το πιστωτικό κίνδυνο.
Μέχρι το τέλος 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 Python , Keras και TensorFlow να δημιουργήσει βαθιά μοντέλα μάθησης για τον τραπεζικό τομέα
- Δημιουργήστε το δικό τους μοντέλο βαθιάς μάθησης πιστωτικού κινδύνου χρησιμοποιώντας τη Python
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. 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
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 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
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
21 hours
Overview
Βαθιά Ενίσχυση Η μάθηση αναφέρεται στην ικανότητα ενός «τεχνητού πράκτορα» να μάθει με δοκιμασία και λάθος και ανταμοιβές και τιμωρίες. Ένας τεχνητός παράγοντας στοχεύει να μιμηθεί την ικανότητα του ανθρώπου να αποκτά και να κατασκευάζει τη γνώση από μόνος του, απευθείας από ακατέργαστες εισροές όπως το όραμα. Για να υλοποιηθεί η μάθηση ενίσχυσης, χρησιμοποιείται βαθιά μάθηση και νευρωνικά δίκτυα. Η ενδυνάμωση της μάθησης είναι διαφορετική από τη μηχανική μάθηση και δεν βασίζεται σε εποπτευόμενες και ανεξέλεγκτες προσεγγίσεις μάθησης.
Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία της Μάθησης βαθιάς ενίσχυσης, καθώς περνούν μέσα από τη δημιουργία ενός Deep Learning Agent.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις βασικές έννοιες πίσω από τη μάθηση βαθιάς ενίσχυσης και μπορείτε να το διακρίνετε από τη Machine Learning
- Εφαρμόστε τους προηγμένους αλγόριθμους ενίσχυσης της ενίσχυσης για την επίλυση προβλημάτων πραγματικού κόσμου
- Δημιουργήστε ένα Deep Learning Agent
Κοινό
- Προγραμματιστές
- Επιστήμονες δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία της Μάθησης βαθιάς ενίσχυσης, καθώς περνούν μέσα από τη δημιουργία ενός Deep Learning Agent.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις βασικές έννοιες πίσω από τη μάθηση βαθιάς ενίσχυσης και μπορείτε να το διακρίνετε από τη Machine Learning
- Εφαρμόστε τους προηγμένους αλγόριθμους ενίσχυσης της ενίσχυσης για την επίλυση προβλημάτων πραγματικού κόσμου
- Δημιουργήστε ένα Deep Learning Agent
Κοινό
- Προγραμματιστές
- Επιστήμονες δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
Εισαγωγή :
Η βαθιά εκμάθηση γίνεται ένα βασικό συστατικό του μελλοντικού σχεδιασμού προϊόντων που θέλει να ενσωματώσει την τεχνητή νοημοσύνη στην καρδιά των μοντέλων. Μέσα στα επόμενα 5 με 10 χρόνια, τα εργαλεία ανάπτυξης βάθους , οι βιβλιοθήκες και οι γλώσσες θα γίνουν τυποποιημένα συστατικά στοιχεία κάθε εργαλείου ανάπτυξης λογισμικού. Μέχρι στιγμής Go Ogle, Force Sales, Facebook , Amazon έχουν χρησιμοποιήσει με επιτυχία τη βαθιά εκμάθηση AI για να ενισχύσουν την επιχείρησή τους. Οι εφαρμογές κυμαίνονταν από την αυτόματη μηχανική μετάφραση, την ανάλυση εικόνων, την ανάλυση βίντεο, την ανάλυση της κίνησης, την παραγωγή στοχοθετημένης διαφήμισης και πολλά άλλα.
Αυτό το μάθημα απευθύνεται σε εκείνους τους οργανισμούς που θέλουν να ενσωματώσουν τη Deep Learning ως πολύ σημαντικό μέρος της στρατηγικής τους για προϊόντα ή υπηρεσίες. Ακολουθεί η περίληψη της πορείας βαθιάς μάθησης που μπορούμε να προσαρμόσουμε για διαφορετικά επίπεδα εργαζομένων / ενδιαφερομένων σε έναν οργανισμό.
Στοχευμένο κοινό:
(Ανάλογα με το κοινό-στόχος, τα μαθήματα θα προσαρμοστούν)
Στελέχη
Μια γενική επισκόπηση του AI και του τρόπου με τον οποίο εντάσσεται στην εταιρική στρατηγική, με περιόδους ξεμπλοκαρίσματος στον στρατηγικό σχεδιασμό, τους οδικούς χάρτες τεχνολογίας και την κατανομή των πόρων για τη διασφάλιση της μέγιστης αξίας.
Διευθυντές έργων
Πώς να προγραμματίσετε ένα έργο AI, συμπεριλαμβανομένης της συλλογής και αξιολόγησης δεδομένων, του καθαρισμού και επαλήθευσης δεδομένων, την ανάπτυξη ενός μοντέλου proof-of-concept, την ενσωμάτωση στις επιχειρηματικές διαδικασίες και την παράδοση σε ολόκληρο τον οργανισμό.
Προγραμματιστές
Σε βάθος τεχνικές εκπαιδεύσεις, με έμφαση στα νευρωνικά δίκτυα και τη βαθιά μάθηση, ανάλυση εικόνας και βίντεο (CNN), ανάλυση ήχου και κειμένου (NLP) και προσέλκυση της AI σε υπάρχουσες εφαρμογές.
Πωλητές
Μια γενική επισκόπηση του AI και του τρόπου με τον οποίο μπορεί να ικανοποιήσει τις ανάγκες του πελάτη, προτάσεις αξίας για διάφορα προϊόντα και υπηρεσίες και πώς να μετριάσει τους φόβους και να προωθήσει τα οφέλη του AI.
Η βαθιά εκμάθηση γίνεται ένα βασικό συστατικό του μελλοντικού σχεδιασμού προϊόντων που θέλει να ενσωματώσει την τεχνητή νοημοσύνη στην καρδιά των μοντέλων. Μέσα στα επόμενα 5 με 10 χρόνια, τα εργαλεία ανάπτυξης βάθους , οι βιβλιοθήκες και οι γλώσσες θα γίνουν τυποποιημένα συστατικά στοιχεία κάθε εργαλείου ανάπτυξης λογισμικού. Μέχρι στιγμής Go Ogle, Force Sales, Facebook , Amazon έχουν χρησιμοποιήσει με επιτυχία τη βαθιά εκμάθηση AI για να ενισχύσουν την επιχείρησή τους. Οι εφαρμογές κυμαίνονταν από την αυτόματη μηχανική μετάφραση, την ανάλυση εικόνων, την ανάλυση βίντεο, την ανάλυση της κίνησης, την παραγωγή στοχοθετημένης διαφήμισης και πολλά άλλα.
Αυτό το μάθημα απευθύνεται σε εκείνους τους οργανισμούς που θέλουν να ενσωματώσουν τη Deep Learning ως πολύ σημαντικό μέρος της στρατηγικής τους για προϊόντα ή υπηρεσίες. Ακολουθεί η περίληψη της πορείας βαθιάς μάθησης που μπορούμε να προσαρμόσουμε για διαφορετικά επίπεδα εργαζομένων / ενδιαφερομένων σε έναν οργανισμό.
Στοχευμένο κοινό:
(Ανάλογα με το κοινό-στόχος, τα μαθήματα θα προσαρμοστούν)
Στελέχη
Μια γενική επισκόπηση του AI και του τρόπου με τον οποίο εντάσσεται στην εταιρική στρατηγική, με περιόδους ξεμπλοκαρίσματος στον στρατηγικό σχεδιασμό, τους οδικούς χάρτες τεχνολογίας και την κατανομή των πόρων για τη διασφάλιση της μέγιστης αξίας.
Διευθυντές έργων
Πώς να προγραμματίσετε ένα έργο AI, συμπεριλαμβανομένης της συλλογής και αξιολόγησης δεδομένων, του καθαρισμού και επαλήθευσης δεδομένων, την ανάπτυξη ενός μοντέλου proof-of-concept, την ενσωμάτωση στις επιχειρηματικές διαδικασίες και την παράδοση σε ολόκληρο τον οργανισμό.
Προγραμματιστές
Σε βάθος τεχνικές εκπαιδεύσεις, με έμφαση στα νευρωνικά δίκτυα και τη βαθιά μάθηση, ανάλυση εικόνας και βίντεο (CNN), ανάλυση ήχου και κειμένου (NLP) και προσέλκυση της AI σε υπάρχουσες εφαρμογές.
Πωλητές
Μια γενική επισκόπηση του AI και του τρόπου με τον οποίο μπορεί να ικανοποιήσει τις ανάγκες του πελάτη, προτάσεις αξίας για διάφορα προϊόντα και υπηρεσίες και πώς να μετριάσει τους φόβους και να προωθήσει τα οφέλη του AI.
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
14 hours
Overview
Machine Learning είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Deep Learning είναι ένας υποτομέας της Machine Learning που επιχειρεί να μιμείται τη λειτουργία του ανθρώπινου εγκεφάλου κατά τη λήψη αποφάσεων. Εκπαιδεύεται με δεδομένα για να παρέχει αυτόματα λύσεις σε προβλήματα. Deep Learning παρέχει τεράστιες ευκαιρίες για την ιατρική βιομηχανία που κάθεται σε ένα χρυσωρυχείο δεδομένων.
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα λάβουν μέρος σε μια σειρά συζητήσεων, ασκήσεων και ανάλυσης περιπτώσεων για να κατανοήσουν τα βασικά στοιχεία της Deep Learning . Θα αξιολογηθούν τα σημαντικότερα εργαλεία και τεχνικές Deep Learning και θα πραγματοποιηθούν ασκήσεις για την προετοιμασία των συμμετεχόντων για τη διεξαγωγή της δικής τους αξιολόγησης και εφαρμογής των λύσεων Deep Learning στους οργανισμούς τους.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις βασικές αρχές της Deep Learning
- Μάθετε τις τεχνικές Deep Learning και τις εφαρμογές τους στον κλάδο
- Εξετάστε ζητήματα στην ιατρική που μπορούν να επιλυθούν με τεχνολογίες Deep Learning
- Εξερευνήστε περιπτωσιολογικές μελέτες Deep Learning στην ιατρική
- Διαμορφώστε μια στρατηγική για την υιοθέτηση των τελευταίων τεχνολογιών στη Deep Learning για την επίλυση προβλημάτων στην ιατρική
Κοινό
- Διευθυντές
- Επαγγελματίες υγείας σε ηγετικούς ρόλους
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Σημείωση
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα λάβουν μέρος σε μια σειρά συζητήσεων, ασκήσεων και ανάλυσης περιπτώσεων για να κατανοήσουν τα βασικά στοιχεία της Deep Learning . Θα αξιολογηθούν τα σημαντικότερα εργαλεία και τεχνικές Deep Learning και θα πραγματοποιηθούν ασκήσεις για την προετοιμασία των συμμετεχόντων για τη διεξαγωγή της δικής τους αξιολόγησης και εφαρμογής των λύσεων Deep Learning στους οργανισμούς τους.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις βασικές αρχές της Deep Learning
- Μάθετε τις τεχνικές Deep Learning και τις εφαρμογές τους στον κλάδο
- Εξετάστε ζητήματα στην ιατρική που μπορούν να επιλυθούν με τεχνολογίες Deep Learning
- Εξερευνήστε περιπτωσιολογικές μελέτες Deep Learning στην ιατρική
- Διαμορφώστε μια στρατηγική για την υιοθέτηση των τελευταίων τεχνολογιών στη Deep Learning για την επίλυση προβλημάτων στην ιατρική
Κοινό
- Διευθυντές
- Επαγγελματίες υγείας σε ηγετικούς ρόλους
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Σημείωση
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
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.
Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για τη σαφή σύνταξη και την αναγνωσιμότητα του κώδικα.
Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για την τηλεπικοινωνία χρησιμοποιώντας Python 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 στην τηλεπικοινωνία.
- Χρησιμοποιήστε Python , Keras και TensorFlow να δημιουργήσει βαθιά μοντέλα μάθησης για τις τηλεπικοινωνίες.
- Κατασκευάστε το δικό σας μοντέλο πρόβλεψης για την απόκτηση γνώσεων από τους πελάτες με Python .
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Η βαθιά μάθηση είναι ένας υποτομέας μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα.
Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για τη σαφή σύνταξη και την αναγνωσιμότητα του κώδικα.
Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για την τηλεπικοινωνία χρησιμοποιώντας Python 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 στην τηλεπικοινωνία.
- Χρησιμοποιήστε Python , Keras και TensorFlow να δημιουργήσει βαθιά μοντέλα μάθησης για τις τηλεπικοινωνίες.
- Κατασκευάστε το δικό σας μοντέλο πρόβλεψης για την απόκτηση γνώσεων από τους πελάτες με Python .
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
28 hours
Overview
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 hours
Overview
TensorFlow είναι μια δημοφιλής και μηχανή μάθησης που αναπτύχθηκε από την Go ogle για βαθιά εκμάθηση, αριθμητικό υπολογισμό και μαζική μάθηση μηχανών. TensorFlow 2.0, που κυκλοφόρησε τον Ιανουάριο του 2019, είναι η νεότερη έκδοση του TensorFlow και περιλαμβάνει βελτιώσεις στην πρόοδο της εκτέλεσης, τη συμβατότητα και τη συνοχή του API.
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Tensorflow 2.0 για την κατασκευή προγνωστικών, ταξινομητών, γενετικών μοντέλων, νευρωνικών δικτύων και ούτω καθεξής.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Εγκαταστήστε και διαμορφώστε το TensorFlow 2.0.
- Κατανοήστε τα πλεονεκτήματα του TensorFlow 2.0 σε προηγούμενες εκδόσεις.
- Δημιουργήστε μοντέλα βαθιάς μάθησης.
- Εφαρμόστε έναν προηγμένο ταξινομητή εικόνας.
- Ανάπτυξη ενός μοντέλου βαθιάς μάθησης στις συσκευές cloud, mobile και IoT.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Χειροκίνητη εφαρμογή σε περιβάλλον εργαστηριακού εργαστηρίου.
Επιλογές προσαρμογής μαθημάτων
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
- Για να μάθετε περισσότερα σχετικά με το TensorFlow , επισκεφθείτε τη διεύθυνση: https://www.tensorflow.org/
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Tensorflow 2.0 για την κατασκευή προγνωστικών, ταξινομητών, γενετικών μοντέλων, νευρωνικών δικτύων και ούτω καθεξής.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Εγκαταστήστε και διαμορφώστε το TensorFlow 2.0.
- Κατανοήστε τα πλεονεκτήματα του TensorFlow 2.0 σε προηγούμενες εκδόσεις.
- Δημιουργήστε μοντέλα βαθιάς μάθησης.
- Εφαρμόστε έναν προηγμένο ταξινομητή εικόνας.
- Ανάπτυξη ενός μοντέλου βαθιάς μάθησης στις συσκευές cloud, mobile και IoT.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Χειροκίνητη εφαρμογή σε περιβάλλον εργαστηριακού εργαστηρίου.
Επιλογές προσαρμογής μαθημάτων
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
- Για να μάθετε περισσότερα σχετικά με το TensorFlow , επισκεφθείτε τη διεύθυνση: https://www.tensorflow.org/
21 hours
Overview
Η βαθιά μάθηση είναι ένας υποπεδίο της μηχανικής μάθησης. Χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα.
Keras είναι API υψηλού επιπέδου νευρωνικών δικτύων για γρήγορη ανάπτυξη και πειραματισμό. Τρέχει πάνω από το TensorFlow , το CNTK ή το Theano.
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη) απευθύνεται σε προγραμματιστές που επιθυμούν να κατασκευάσουν ένα αυτοκίνητο με αυτοδύναμη οδήγηση χρησιμοποιώντας τεχνικές βαθιάς μάθησης.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Χρησιμοποιήστε τεχνικές ηλεκτρονικής όρασης για τον εντοπισμό λωρίδων.
- Χρησιμοποιήστε το Keras για να δημιουργήσετε και να εκπαιδεύσετε συνελικτικά νευρωνικά δίκτυα.
- Εκπαιδεύστε ένα μοντέλο βαθιάς μάθησης για να διαφοροποιήσετε τα σήματα κυκλοφορίας.
- Προσομοιώστε ένα πλήρως αυτόνομο αυτοκίνητο.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Χειροκίνητη υλοποίηση σε εργασιακό περιβάλλον.
Επιλογές προσαρμογής μαθημάτων
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
Keras είναι API υψηλού επιπέδου νευρωνικών δικτύων για γρήγορη ανάπτυξη και πειραματισμό. Τρέχει πάνω από το TensorFlow , το CNTK ή το Theano.
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη) απευθύνεται σε προγραμματιστές που επιθυμούν να κατασκευάσουν ένα αυτοκίνητο με αυτοδύναμη οδήγηση χρησιμοποιώντας τεχνικές βαθιάς μάθησης.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Χρησιμοποιήστε τεχνικές ηλεκτρονικής όρασης για τον εντοπισμό λωρίδων.
- Χρησιμοποιήστε το Keras για να δημιουργήσετε και να εκπαιδεύσετε συνελικτικά νευρωνικά δίκτυα.
- Εκπαιδεύστε ένα μοντέλο βαθιάς μάθησης για να διαφοροποιήσετε τα σήματα κυκλοφορίας.
- Προσομοιώστε ένα πλήρως αυτόνομο αυτοκίνητο.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Χειροκίνητη υλοποίηση σε εργασιακό περιβάλλον.
Επιλογές προσαρμογής μαθημάτων
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
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
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
14 hours
Overview
Keras είναι μια ανοιχτή πηγή Python νευρωνικό δίκτυο βιβλιοθήκης για τη δημιουργία των νευρωνικών δικτύων βαθιάς μάθησης. το Keras προσφέρει ένα διαισθητικό σύνολο αντλιών, απλοποιώντας την ανάπτυξη των νευρωνικών δικτύων και μοντέλων βαθιάς μάθησης.
Αυτή η καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να αναπτύξουν προηγμένα νευρικά δίκτυα και μοντέλα υψηλής μάθησης χρησιμοποιώντας Keras και Python.
Μέχρι το τέλος αυτής της κατάρτισης, οι συμμετέχοντες θα είναι σε θέση να:
- Εφαρμόστε βαθιά μάθηση με εποπτευόμενες ή χωρίς επίβλεψη μεθόδους μάθησης.
- Ανάπτυξη, εκπαίδευση και εφαρμογή ταυτόχρονων νευρικών δικτύων και επαναλαμβανόμενων νευρικών δικτύων.
- Χρησιμοποιήστε Keras και Python για να χτίσετε μοντέλα βαθιάς μάθησης για την επίλυση προβλημάτων που αφορούν εικόνες, κείμενο, ήχο και πολλά άλλα.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και εξάσκηση.
- Πρακτική εφαρμογή σε περιβάλλον ζωντανών εργαστηρίων.
Επιλογές προσαρμογής μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσετε.
Αυτή η καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να αναπτύξουν προηγμένα νευρικά δίκτυα και μοντέλα υψηλής μάθησης χρησιμοποιώντας Keras και Python.
Μέχρι το τέλος αυτής της κατάρτισης, οι συμμετέχοντες θα είναι σε θέση να:
- Εφαρμόστε βαθιά μάθηση με εποπτευόμενες ή χωρίς επίβλεψη μεθόδους μάθησης.
- Ανάπτυξη, εκπαίδευση και εφαρμογή ταυτόχρονων νευρικών δικτύων και επαναλαμβανόμενων νευρικών δικτύων.
- Χρησιμοποιήστε Keras και Python για να χτίσετε μοντέλα βαθιάς μάθησης για την επίλυση προβλημάτων που αφορούν εικόνες, κείμενο, ήχο και πολλά άλλα.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και εξάσκηση.
- Πρακτική εφαρμογή σε περιβάλλον ζωντανών εργαστηρίων.
Επιλογές προσαρμογής μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσετε.
14 hours
Overview
This instructor-led, live training in Ελλάδα (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.
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.
14 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run existing machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning using custom data.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run existing machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning using custom data.
14 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at data scientists who wish to use TensorFlow to analyze potential fraud data.
By the end of this training, participants will be able to:
- Create a fraud detection model in Python and TensorFlow.
- Build linear regressions and linear regression models to predict fraud.
- Develop an end-to-end AI application for analyzing fraud data.
By the end of this training, participants will be able to:
- Create a fraud detection model in Python and TensorFlow.
- Build linear regressions and linear regression models to predict fraud.
- Develop an end-to-end AI application for analyzing fraud data.
21 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
21 hours
Overview
This instructor-led, live training in (online or onsite) is aimed at data scientists who wish to use Apache MXNet's to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
35 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at data scientists who wish to accelerate real-time machine learning applications and deploy them at scale.
By the end of this training, participants will be able to:
- Install the OpenVINO toolkit.
- Accelerate a computer vision application using an FPGA.
- Execute different CNN layers on the FPGA.
- Scale the application across multiple nodes in a Kubernetes cluster.
By the end of this training, participants will be able to:
- Install the OpenVINO toolkit.
- Accelerate a computer vision application using an FPGA.
- Execute different CNN layers on the FPGA.
- Scale the application across multiple nodes in a Kubernetes cluster.
21 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand the scope of operations that can be run.
- Deploy a deep learning model on an embedded device running Linux.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand the scope of operations that can be run.
- Deploy a deep learning model on an embedded device running Linux.
21 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
21 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
21 hours
Overview
This instructor-led, live training in (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
14 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
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
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
7 hours
Overview
In this instructor-led, live training in Ελλάδα (online or onsite), 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.
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.
Upcoming Deep Learning (DL) Courses
2021-06-23 09:30:00
14 hours
2021-07-05 09:30:00
28 hours
2021-07-05 09:30:00
28 hours
2021-07-05 09:30:00
28 hours
2021-07-14 09:30:00
21 hours
Other countries
Consulting
Online Deep Learning (DL) courses, Weekend Deep Learning (DL) courses, Evening Deep Learning training, Deep Learning boot camp, Deep Learning instructor-led, Weekend Deep Learning training, Evening Deep Learning (DL) courses, DL (Deep Learning) coaching, DL (Deep Learning) instructor, Deep Learning (DL) trainer, DL (Deep Learning) training courses, Deep Learning (DL) classes, Deep Learning (DL) on-site, DL (Deep Learning) private courses, Deep Learning (DL) one on one training
.jpg "international air transport association (iata)")
