Deep Learning Training Courses

Το Stable Diffusion είναι ένα ισχυρό μοντέλο βαθιάς εκμάθησης που μπορεί να δημιουργήσει λεπτομερείς εικόνες βασισμένες σε περιγραφές κειμένου.Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτή (διαδικτυακή ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων μεσαίου έως προχωρημένου επιπέδου, μηχανικούς μηχανικής μάθησης, ερευνητές βαθιάς μάθησης και ειδικούς στην όραση υπολογιστών που επιθυμούν να επεκτείνουν τις γνώσεις και τις δεξιότητές τους στη βαθιά μάθηση για αποστολή κειμένου σε - δημιουργία εικόνας.Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Κατανοήστε προηγμένες αρχιτεκτονικές βαθιάς εκμάθησης και τεχνικές για τη δημιουργία κειμένου σε εικόνα. Εφαρμόστε πολύπλοκα μοντέλα και βελτιστοποιήσεις για σύνθεση εικόνας υψηλής ποιότητας. Βελτιστοποιήστε την απόδοση και την επεκτασιμότητα για μεγάλα σύνολα δεδομένων και πολύπλοκα μοντέλα. Συντονίστε τις υπερπαραμέτρους για καλύτερη απόδοση και γενίκευση του μοντέλου. Ενσωματώστε το Stable Diffusion με άλλα πλαίσια και εργαλεία βαθιάς μάθησης.

Μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και εξάσκηση. Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

Το DeepSpeed είναι μια βιβλιοθήκη βελτιστοποίησης βαθιάς μάθησης που διευκολύνει την κλίμακα μοντέλων βαθιάς εκμάθησης σε κατανεμημένο υλικό. Αναπτύχθηκε από τον Microsoft, το DeepSpeed ενσωματώνεται με το PyTorch για να παρέχει καλύτερη κλιμάκωση, ταχύτερη εκπαίδευση και βελτιωμένη χρήση πόρων.Αυτή η ζωντανή εκπαίδευση (διαδικτυακή ή επιτόπου) καθοδηγούμενη από εκπαιδευτές απευθύνεται σε αρχάριους έως μεσαίου επιπέδου επιστήμονες δεδομένων και μηχανικούς μηχανικής μάθησης που επιθυμούν να βελτιώσουν την απόδοση των μοντέλων βαθιάς μάθησης.Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Κατανοήστε τις αρχές της κατανεμημένης βαθιάς μάθησης. Εγκαταστήστε και διαμορφώστε το DeepSpeed. Κλιμακώστε τα μοντέλα βαθιάς εκμάθησης σε κατανεμημένο υλικό χρησιμοποιώντας το DeepSpeed. Εφαρμόστε και πειραματιστείτε με λειτουργίες DeepSpeed για βελτιστοποίηση και απόδοση μνήμης.

Μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και εξάσκηση. Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

AlphaFold είναι ένα Artificial Intelligence (AI) σύστημα που εκτελεί την πρόβλεψη των δομών πρωτεϊνών. Αναπτύσσεται από το Alphabet’s/Google’s DeepMind ως σύστημα βαθιάς μάθησης που μπορεί να προβλέψει με ακρίβεια 3D μοντέλα των δομών πρωτεΐνης. Αυτή η εκπαιδευτική, ζωντανή εκπαίδευση (online ή online) απευθύνεται σε βιολόγους που επιθυμούν να κατανοήσουν πώς AlphaFold λειτουργούν και χρησιμοποιούν AlphaFold μοντέλα ως οδηγούς στις πειραματικές τους μελέτες. Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

Κατανοήστε τις βασικές αρχές του AlphaFold. Μάθετε πώς λειτουργεί AlphaFold. Μάθετε πώς να ερμηνεύσετε AlphaFold τις προβλέψεις και τα αποτελέσματα.

Η μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και πρακτικές. Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.

Το Stable Diffusion είναι ένα ισχυρό μοντέλο βαθιάς εκμάθησης που μπορεί να δημιουργήσει λεπτομερείς εικόνες βασισμένες σε περιγραφές κειμένου.Αυτή η ζωντανή εκπαίδευση (διαδικτυακή ή επιτόπου) από εκπαιδευτές απευθύνεται σε επιστήμονες δεδομένων, μηχανικούς μηχανικής μάθησης και ερευνητές όρασης υπολογιστών που επιθυμούν να αξιοποιήσουν το Stable Diffusion για να δημιουργήσουν εικόνες υψηλής ποιότητας για ποικίλες περιπτώσεις χρήσης.Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Κατανοήστε τις αρχές του Stable Diffusion και πώς λειτουργεί για τη δημιουργία εικόνων. Δημιουργήστε και εκπαιδεύστε Stable Diffusion μοντέλα για εργασίες δημιουργίας εικόνας. Εφαρμόστε το Stable Diffusion σε διάφορα σενάρια δημιουργίας εικόνας, όπως inpainting, outpainting και μετάφραση εικόνας σε εικόνα. Βελτιστοποιήστε την απόδοση και τη σταθερότητα των μοντέλων Stable Diffusion.

Μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και εξάσκηση. Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

In this instructor-led, live training in Ελλάδα, 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.

Το Deep Reinforcement Learning αναφέρεται στην ικανότητα ενός «τεχνητού πράκτορα» να μαθαίνει με δοκιμή και σφάλμα και ανταμοιβές και τιμωρίες. Ένας τεχνητός παράγοντας στοχεύει να μιμηθεί την ικανότητα ενός ανθρώπου να αποκτά και να κατασκευάζει γνώση από μόνος του, απευθείας από ακατέργαστες εισροές όπως η όραση. Για την πραγματοποίηση της ενισχυτικής μάθησης, χρησιμοποιούνται βαθιά μάθηση και νευρωνικά δίκτυα. Η ενισχυτική μάθηση είναι διαφορετική από τη μηχανική μάθηση και δεν βασίζεται σε προσεγγίσεις μάθησης υπό επίβλεψη και χωρίς επίβλεψη.Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να μάθουν τις βασικές αρχές του Deep Reinforcement Learning καθώς προχωρούν στη δημιουργία ενός Deep Learning Agent.Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Κατανοήστε τις βασικές έννοιες πίσω από το Deep Reinforcement Learning και μπορείτε να το διακρίνετε από το Machine Learning. Εφαρμόστε προηγμένους Reinforcement Learning αλγόριθμους για την επίλυση προβλημάτων πραγματικού κόσμου. Δημιουργήστε έναν Deep Learning Πράκτορα.

Μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και εξάσκηση. Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

Η μηχανική μάθηση είναι μια κλάση τεχνητής νοημοσύνης στην οποία οι υπολογιστές έχουν την ικανότητα να μάθουν χωρίς να προγραμματίζονται ρητά. Η βαθιά μάθηση είναι ένα υποπεδίο της μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε εκπροσώπους δεδομένων μάθησης και δομές όπως νευρικά δίκτυα. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για την σαφή σύνταξη και την ανάγνωση κώδικα. Σε αυτή την εκπαιδευτική, ζωντανή κατάρτιση, 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. Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης. Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στην τηλεπικοινωνία. Χρησιμοποιήστε Python, Keras και TensorFlow για να δημιουργήσετε μοντέλα βαθιάς μάθησης για τηλεπικοινωνίες. Δημιουργήστε το δικό σας βαθιά μάθηση μοντέλο προβλέψεων πελατών χρησιμοποιώντας Python.

Η μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και πρακτικές. Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.

Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to:

• Explore how data is being interpreted by machine learning models
• Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it
• Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals.
• Explore the properties of a specific embedding to understand the behavior of a model
• Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

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.

Αυτό το μάθημα είναι μια γενική επισκόπηση για την Deep Learning χωρίς να πάει πολύ βαθιά σε οποιαδήποτε συγκεκριμένη μέθοδο. Είναι κατάλληλο για άτομα που θέλουν να αρχίσουν να χρησιμοποιούν Deep Learning για να ενισχύσουν την ακρίβεια της πρόβλεψης.

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.

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.

Caffe είναι ένα βαθύ πλαίσιο μάθησης που γίνεται με γνώμονα την έκφραση, την ταχύτητα και τη διαμόρφωση. Αυτό το μάθημα διερευνά την εφαρμογή του Caffe ως πλαισίου βαθιάς μάθησης για την αναγνώριση εικόνων χρησιμοποιώντας το MNIST ως παράδειγμα Κοινό Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν το Caffe ως πλαίσιο. Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του Caffe
• εκτελέστε εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να εφαρμόσουν προηγμένη παραγωγή όπως μοντέλα εκπαίδευσης, υλοποίηση στρώσεων και καταγραφή

Κοινό Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν διαθέσιμα εργαλεία (κυρίως ανοιχτού κώδικα) για την ανάλυση εικόνων υπολογιστή Αυτό το μάθημα παρέχει παραδείγματα εργασίας.

Αυτό το μάθημα καλύπτει την ΑΙ (εμφανίζοντας Machine Learning και Deep Learning) στη βιομηχανία Automotive. Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (πιθανώς) να χρησιμοποιηθεί σε πολλαπλές καταστάσεις σε ένα αυτοκίνητο: από απλή αυτοματοποίηση, αναγνώριση εικόνας μέχρι αυτόνομη λήψη αποφάσεων.

Αυτό το μάθημα καλύπτει την AI (με έμφαση στη Machine Learning και Deep Learning )

Σε αυτήν τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές, εξετάζουμε τις αρχές των νευρωνικών δικτύων και χρησιμοποιούμε το OpenNN για να υλοποιήσουμε ένα δείγμα εφαρμογής.Μορφή του μαθήματοςΔιάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.

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

Τύπος: Θεωρητική κατάρτιση με εφαρμογές που αποφασίστηκαν ανάντη με τους φοιτητές στη Λαζάνια ή Keras σύμφωνα με την παιδαγωγική ομάδα Μέθοδος διδασκαλίας: παρουσίαση, ανταλλαγές και μελέτες περιπτώσεων Η τεχνητή νοημοσύνη, αφού διέλυσε πολλά επιστημονικά πεδία, άρχισε να φέρνει επανάσταση σε μεγάλο αριθμό οικονομικών τομέων (βιομηχανία, ιατρική, επικοινωνία κλπ.). Παρ 'όλα αυτά, η παρουσίασή της στα μεγάλα μέσα μαζικής ενημέρωσης είναι συχνά φαντασία, μακριά από ό, τι είναι πραγματικά οι τομείς της Machine Learning ή της Deep Learning . Σκοπός αυτής της κατάρτισης είναι η παροχή στους μηχανικούς, οι οποίοι έχουν ήδη κατορθώσει να κατακτήσουν τα εργαλεία ηλεκτρονικών υπολογιστών (συμπεριλαμβανομένης βάσης προγραμματισμού λογισμικού), μια εισαγωγή στην Deep Learning και τους διάφορους τομείς εξειδίκευσής της και συνεπώς στις βασικές υπάρχουσες αρχιτεκτονικές δικτύων σήμερα. Αν οι μαθηματικές βάσεις ανακληθούν κατά τη διάρκεια του μαθήματος, ένα επίπεδο μαθηματικών τύπου BAC + 2 συνιστάται για περισσότερη άνεση. Είναι απολύτως δυνατό να παραλείψετε τον μαθηματικό άξονα να διατηρήσετε μόνο ένα όραμα "συστήματος", αλλά αυτή η προσέγγιση θα περιορίσει σε μεγάλο βαθμό την κατανόησή σας για το θέμα.

Σε αυτή την εκπαιδευτική, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν Facebook NMT (Fairseq) για να εκτελέσουν μετάφραση του περιεχομένου δείγματος. Μέχρι το τέλος αυτής της κατάρτισης, οι συμμετέχοντες θα έχουν τις γνώσεις και την πρακτική που απαιτούνται για την υλοποίηση μιας λύσης μεταφραστικής μηχανής με βάση το Fairseq. Η μορφή της πορείας

Μερική διάλεξη, μερική συζήτηση, σκληρή πρακτική

Σημείωση

Εάν θέλετε να χρησιμοποιήσετε συγκεκριμένο περιεχόμενο προέλευσης και γλώσσας-στόχου, παρακαλούμε επικοινωνήστε μαζί μας για να το διορθώσετε.

Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks. In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such as data, speech, text, and images. By the end of this training, participants will be able to:

• Access CNTK as a library from within a Python, C#, or C++ program
• Use CNTK as a standalone machine learning tool through its own model description language (BrainScript)
• Use the CNTK model evaluation functionality from a Java program
• Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs)
• Scale computation capacity on CPUs, GPUs and multiple machines
• Access massive datasets using existing programming languages and algorithms

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Note

• If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange.

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

Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν την DSSTNE για να δημιουργήσουν μια εφαρμογή σύστασης. Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Εκπαιδεύστε ένα μοντέλο συστάσεων με αραιά σύνολα δεδομένων ως είσοδο
• Εκπαίδευση κλίμακας και μοντέλα πρόβλεψης σε πολλαπλές GPU
• Διαδώστε τον υπολογισμό και την αποθήκευση με παράλληλο μοντέλο
• Δημιουργήστε εξατομικευμένες προτάσεις προϊόντων όπως το Amazon
• Αναπτύξτε μια εφαρμογή έτοιμη για παραγωγή που μπορεί να κλιμακωθεί σε μεγάλους φόρτους εργασίας

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση

Tensor2Tensor (T2T) is a modular, extensible library for training AI models in different tasks, using different types of training data, for example: image recognition, translation, parsing, image captioning, and speech recognition. It is maintained by the Google Brain team. In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks. By the end of this training, participants will be able to:

• Install tensor2tensor, select a data set, and train and evaluate an AI model
• Customize a development environment using the tools and components included in Tensor2Tensor
• Create and use a single model to concurrently learn a number of tasks from multiple domains
• Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited
• Obtain satisfactory processing results using a single GPU

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

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 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.

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to:

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

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

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

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