
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
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.
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.
Σε αυτή την οδηγία, η ζωή εκπαίδευση, οι συμμετέχοντες θα μάθουν τα θεμελιώματα της Δυνατότητας Reinforcement Learning όταν βγάλουν μέσω της δημιουργίας μιας Deep Learning Πράκτης.
Με το τέλος αυτής της κατάρτισης, οι συμμετέχοντες θα μπορούν να:
Καταλαβαίνει τα κλειδιά σύμφωνα μετά τη Δυνατότητα Reinforcement Learning και θα μπορούσε να την διαφωνήσει από Machine Learning Αποτελέσεις προηγούμενων αλγότυμων Reinforcement Learning για να λύσουν τα πραγματικά προβλήματα παγκόσμιο Διάθεση ένας Deep Learning Πράκτοντος
Υποψήφισμα
Αναπτυξιαστές δεδομένων Επιστημονών
Μορφή του τμήματος
Μέρος, συζήτηση μέρη, εκμετάλλευση και βάρος χειροκρατικός πρακτικής
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.
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
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
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.
Η μορφή της πορείας
Διαλέξεις και συζητήσεις σε συνδυασμό με πρακτικές ασκήσεις.
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
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.
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.
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.
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
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
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
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
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.
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
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
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
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
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
Η βαθιά μάθηση γίνεται ένα κύριο συστατικό του μελλοντικού σχεδιασμού προϊόντων που θέλει να ενσωματώσει την τεχνητή νοημοσύνη στο επίκεντρο των μοντέλων τους. Μέσα στα επόμενα 5-10 χρόνια, τα εργαλεία ανάπτυξης βαθιάς μάθησης, οι βιβλιοθήκες και οι γλώσσες θα γίνουν τυποποιημένα συστατικά κάθε συσκευής εργαλείων ανάπτυξης λογισμικού. Μέχρι στιγμής Google, Sales Force, Facebook, η Amazon έχει χρησιμοποιήσει επιτυχώς βαθιά μάθηση AI για να ενισχύσει την επιχείρησή τους. Οι εφαρμογές κυμαίνονται από την αυτόματη μετάφραση μηχανής, την ανάλυση εικόνας, την ανάλυση βίντεο, την ανάλυση κινήσεων, την παραγωγή στοχευμένης διαφήμισης και πολλά άλλα.
Αυτό το μάθημα απευθύνεται σε εκείνους τους οργανισμούς που θέλουν να ενσωματώσουν Deep Learning ως ένα πολύ σημαντικό μέρος της στρατηγικής προϊόντος ή υπηρεσίας τους. Παρακάτω είναι η προετοιμασία του μαθήματος βαθιάς μάθησης που μπορούμε να προσαρμόσουμε για διαφορετικά επίπεδα εργαζομένων / συμμετεχόντων σε μια οργάνωση.
Στόχος του κοινού:
( Ανάλογα με το κοινό-στόχο, τα υλικά του μαθήματος θα προσαρμοστούν)
Εκτελεστές
Μια γενική επισκόπηση του AI και του τρόπου με τον οποίο ταιριάζει στην εταιρική στρατηγική, με συνεδρίες διακοπών σχετικά με τον στρατηγικό σχεδιασμό, τις χάρτες τεχνολογίας και την κατανομή πόρων για να εξασφαλιστεί η μέγιστη αξία.
Διαχειριστές έργων
Πώς να σχεδιάσετε ένα έργο AI, συμπεριλαμβανομένης της συλλογής και αξιολόγησης δεδομένων, καθαρισμού και επαλήθευσης δεδομένων, ανάπτυξης ενός μοντέλου αποδείξεων, ενσωμάτωσης σε επιχειρηματικές διαδικασίες και παράδοσης σε ολόκληρη την οργάνωση.
Οι προγραμματιστές
Συνοπτική τεχνική κατάρτιση, με έμφαση στα νευρικά δίκτυα και τη βαθιά μάθηση, την ανάλυση εικόνας και βίντεο (CNNs), την ανάλυση ήχου και κειμένου (NLP), και την εισαγωγή της AI στις υπάρχουσες εφαρμογές.
Πωλητές
Μια γενική επισκόπηση της AI και πώς μπορεί να ικανοποιήσει τις ανάγκες των πελατών, προτάσεις αξίας για διάφορα προϊόντα και υπηρεσίες, και πώς να ξεφορτωθεί τους φόβους και να προωθήσει τα οφέλη της AI.
Last Updated: