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
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
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
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
Εκτιμώ πραγματικά τις πεντακάθαρες απαντήσεις του Chris στις ερωτήσεις μας.
Léo Dubus
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
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
Deep Learning Subcategories
Deep Learning (DL) Course Outlines
Course Name
Duration
Overview
Course Name
Duration
Overview
14 hours
Overview
Αυτό το μάθημα καλύπτει το AI (με έμφαση στη Machine Learning και Deep Learning ) στην Automotive . Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (ενδεχομένως) να χρησιμοποιηθεί σε πολλαπλές περιπτώσεις ενός αυτοκινήτου: απλή αυτοματοποίηση, αναγνώριση εικόνας σε αυτόνομη λήψη αποφάσεων.
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.
21 hours
Overview
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet 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.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet 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.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 hours
Overview
Αυτό το μάθημα θα σας δώσει γνώση στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, βαθιά μάθηση (αλγόριθμοι και εφαρμογές).
Η εκπαίδευση αυτή είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέξετε τη σωστή τεχνολογία: TensorFlow , Caffe , Teano, DeepDrive, Keras , κλπ Τα παραδείγματα γίνονται σε TensorFlow .
Η εκπαίδευση αυτή είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέξετε τη σωστή τεχνολογία: TensorFlow , Caffe , Teano, DeepDrive, Keras , κλπ Τα παραδείγματα γίνονται σε TensorFlow .
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
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Overview
OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google's FaceNet research.
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
7 hours
Overview
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να δημιουργήσουν και να χρησιμοποιήσουν το OpenNMT για να πραγματοποιήσουν μετάφραση διαφόρων δειγμάτων δεδομένων. Το μάθημα ξεκινά με μια επισκόπηση των νευρωνικών δικτύων, όπως ισχύουν για τη μηχανική μετάφραση. Οι συμμετέχοντες θα πραγματοποιήσουν ζωντανές ασκήσεις καθ 'όλη τη διάρκεια του μαθήματος για να καταδείξουν την κατανόησή τους σχετικά με τις έννοιες που έμαθαν και να λάβουν πληροφορίες από τον εκπαιδευτή.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν τις γνώσεις και την πρακτική που απαιτούνται για την υλοποίηση μιας ζωντανής λύσης OpenNMT .
Τα δείγματα γλώσσας προέλευσης και στόχου θα είναι προκαθορισμένα σύμφωνα με τις απαιτήσεις του κοινού.
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, βαριά πρακτική άσκηση
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν τις γνώσεις και την πρακτική που απαιτούνται για την υλοποίηση μιας ζωντανής λύσης OpenNMT .
Τα δείγματα γλώσσας προέλευσης και στόχου θα είναι προκαθορισμένα σύμφωνα με τις απαιτήσεις του κοινού.
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, βαριά πρακτική άσκηση
14 hours
Overview
Το OpenNN είναι μια βιβλιοθήκη κατηγορίας ανοιχτού κώδικα γραμμένη σε C ++ που υλοποιεί νευρωνικά δίκτυα, για χρήση στη μηχανική μάθηση.
Σε αυτό το μάθημα θα ξεπεράσουμε τις αρχές των νευρωνικών δικτύων και θα χρησιμοποιήσουμε το OpenNN για την υλοποίηση μιας δειγματοληπτικής εφαρμογής.
Κοινό
Προγραμματιστές λογισμικού και προγραμματιστές που επιθυμούν να δημιουργήσουν εφαρμογές Deep Learning.
Μορφή του μαθήματος
Διάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.
Σε αυτό το μάθημα θα ξεπεράσουμε τις αρχές των νευρωνικών δικτύων και θα χρησιμοποιήσουμε το OpenNN για την υλοποίηση μιας δειγματοληπτικής εφαρμογής.
Κοινό
Προγραμματιστές λογισμικού και προγραμματιστές που επιθυμούν να δημιουργήσουν εφαρμογές Deep Learning.
Μορφή του μαθήματος
Διάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.
21 hours
Overview
PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
Overview
In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data.
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
Overview
In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application.
By the end of this training, participants will be able to:
- Understand and implement unsupervised learning techniques
- Apply clustering and classification to make predictions based on real world data.
- Visualize data to quicly gain insights, make decisions and further refine analysis.
- Improve the performance of a machine learning model using hyper-parameter tuning.
- Put a model into production for use in a larger application.
- Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.
Audience
- Developers
- Analysts
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Understand and implement unsupervised learning techniques
- Apply clustering and classification to make predictions based on real world data.
- Visualize data to quicly gain insights, make decisions and further refine analysis.
- Improve the performance of a machine learning model using hyper-parameter tuning.
- Put a model into production for use in a larger application.
- Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.
Audience
- Developers
- Analysts
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
Overview
Το SINGA είναι μια γενική κατανεμημένη πλατφόρμα βαθιάς μάθησης για την κατάρτιση μεγάλων μοντέλων βαθιάς μάθησης σε μεγάλα σύνολα δεδομένων. Έχει σχεδιαστεί με ένα διαισθητικό μοντέλο προγραμματισμού που βασίζεται στην αφαίρεση στρώματος. Υποστηρίζεται μια ποικιλία δημοφιλών μοντέλων βαθιάς μάθησης, όπως μοντέλα τροφοδοσίας, περιλαμβανομένων των συνελικτικών νευρωνικών δικτύων (CNN), ενεργειακά μοντέλα όπως η περιορισμένη μηχανή Boltzmann (RBM) και τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNN). Πολλά ενσωματωμένα στρώματα παρέχονται στους χρήστες. Η αρχιτεκτονική SINGA είναι αρκετά ευέλικτη για να τρέχει σύγχρονα, ασύγχρονα και υβριδικά πλαίσια εκπαίδευσης. Το SINGA υποστηρίζει επίσης διαφορετικά συστήματα διαίρεσης νευρωνικών δικτύων για να παραλληλισθεί η εκπαίδευση μεγάλων μοντέλων, δηλαδή η διαίρεση σε διαστάσεις δέσμης, η διάσταση χαρακτηριστικών ή η υβριδική κατανομή.
Κοινό
Αυτό το μάθημα απευθύνεται σε ερευνητές, μηχανικούς και προγραμματιστές που επιδιώκουν να χρησιμοποιήσουν το Apache SINGA ως πλαίσιο βαθιάς μάθησης.
Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:
- κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του SINGA
- 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 τα μοντέλα εκπαίδευσης, την ενσωμάτωση όρων, τη δημιουργία γραφημάτων και την καταγραφή
Κοινό
Αυτό το μάθημα απευθύνεται σε ερευνητές, μηχανικούς και προγραμματιστές που επιδιώκουν να χρησιμοποιήσουν το Apache SINGA ως πλαίσιο βαθιάς μάθησης.
Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:
- κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του SINGA
- 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 τα μοντέλα εκπαίδευσης, την ενσωμάτωση όρων, τη δημιουργία γραφημάτων και την καταγραφή
21 hours
Overview
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.
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.
7 hours
Overview
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
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
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/
14 hours
Overview
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (onsite or remote) 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 machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) 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 machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 hours
Overview
TensorFlow Serving is a system for serving machine learning (ML) models to production.
In this instructor-led, live training, participants will learn how to configure and use TensorFlow Serving to deploy and manage ML models in a production environment.
By the end of this training, participants will be able to:
- Train, export and serve various TensorFlow models
- Test and deploy algorithms using a single architecture and set of APIs
- Extend TensorFlow Serving to serve other types of models beyond TensorFlow models
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
In this instructor-led, live training, participants will learn how to configure and use TensorFlow Serving to deploy and manage ML models in a production environment.
By the end of this training, participants will be able to:
- Train, export and serve various TensorFlow models
- Test and deploy algorithms using a single architecture and set of APIs
- Extend TensorFlow Serving to serve other types of models beyond TensorFlow models
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
TensorFlow είναι ένα API 2ης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Το σύστημα έχει σχεδιαστεί για να διευκολύνει την έρευνα στη μηχανική μάθηση και να το κάνει γρήγορο και εύκολο στη μετάβαση από το πρωτότυπο της έρευνας στο σύστημα παραγωγής.
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:
- 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
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:
- 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
28 hours
Overview
Αυτό το μάθημα διερευνά, με συγκεκριμένα παραδείγματα, την εφαρμογή του Tensor Flow στους σκοπούς της αναγνώρισης εικόνων
Κοινό
Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τους σκοπούς της αναγνώρισης εικόνων
Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:
- κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
- 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 κατάρτισης, οικοδόμηση γραφημάτων και καταγραφή
Κοινό
Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τους σκοπούς της αναγνώρισης εικόνων
Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:
- κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
- 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 κατάρτισης, οικοδόμηση γραφημάτων και καταγραφή
21 hours
Overview
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (onsite or remote) 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.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) 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.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
Torch είναι μια βιβλιοθήκη ανοιχτού κώδικα μάθησης και ένα επιστημονικό υπολογιστικό πλαίσιο βασισμένο στη Lua προγραμματισμού Lua . Παρέχει ένα αναπτυξιακό περιβάλλον για αριθμητική, μηχανική μάθηση και όραση στον υπολογιστή, με ιδιαίτερη έμφαση στη βαθιά μάθηση και τα συνελικτικά δίχτυα. Είναι ένα από τα πιο γρήγορα και ευέλικτα πλαίσια για την μηχανή και Deep Learning και χρησιμοποιείται από εταιρείες όπως Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel, και πολλά άλλα.
Σε αυτόν τον εκπαιδευτή, ζωντανή προπόνηση, καλύπτουμε τις αρχές του Torch , τα μοναδικά χαρακτηριστικά του και πώς μπορεί να εφαρμοστεί σε πραγματικές εφαρμογές. Πραγματοποιούμε πολλαπλές πρακτικές ασκήσεις σε όλη την έκταση, επιδεικνύοντας και εφαρμόζοντας τις έννοιες που μάθαμε.
Μέχρι τη λήξη του μαθήματος, οι συμμετέχοντες θα έχουν πλήρη γνώση των βασικών χαρακτηριστικών και δυνατοτήτων του Torch καθώς και του ρόλου και της συμβολής του στο χώρο του AI σε σύγκριση με άλλα πλαίσια και βιβλιοθήκες. Οι συμμετέχοντες θα έχουν επίσης λάβει την απαραίτητη πρακτική για την υλοποίηση του Torch στα δικά τους έργα.
Μορφή του μαθήματος
- Επισκόπηση της μηχανής και Deep Learning
- Ασκήσεις κωδικοποίησης και ολοκλήρωσης στην τάξη
- Δοκιμάστε τις ερωτήσεις που διαβρώνονται στο δρόμο για να ελέγξετε την κατανόηση
Σε αυτόν τον εκπαιδευτή, ζωντανή προπόνηση, καλύπτουμε τις αρχές του Torch , τα μοναδικά χαρακτηριστικά του και πώς μπορεί να εφαρμοστεί σε πραγματικές εφαρμογές. Πραγματοποιούμε πολλαπλές πρακτικές ασκήσεις σε όλη την έκταση, επιδεικνύοντας και εφαρμόζοντας τις έννοιες που μάθαμε.
Μέχρι τη λήξη του μαθήματος, οι συμμετέχοντες θα έχουν πλήρη γνώση των βασικών χαρακτηριστικών και δυνατοτήτων του Torch καθώς και του ρόλου και της συμβολής του στο χώρο του AI σε σύγκριση με άλλα πλαίσια και βιβλιοθήκες. Οι συμμετέχοντες θα έχουν επίσης λάβει την απαραίτητη πρακτική για την υλοποίηση του Torch στα δικά τους έργα.
Μορφή του μαθήματος
- Επισκόπηση της μηχανής και Deep Learning
- Ασκήσεις κωδικοποίησης και ολοκλήρωσης στην τάξη
- Δοκιμάστε τις ερωτήσεις που διαβρώνονται στο δρόμο για να ελέγξετε την κατανόηση
7 hours
Overview
The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision。
In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications.
By the end of the training, participants will be able to:
- Train various types of neural networks on large amounts of data.
- Use TPUs to speed up the inference process by up to two orders of magnitude.
- Utilize TPUs to process intensive applications such as image search, cloud vision and photos.
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 take advantage of the innovations in TPU processors to maximize the performance of their own AI applications.
By the end of the training, participants will be able to:
- Train various types of neural networks on large amounts of data.
- Use TPUs to speed up the inference process by up to two orders of magnitude.
- Utilize TPUs to process intensive applications such as image search, cloud vision and photos.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
35 hours
Overview
TensorFlow ™ είναι μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα για τον αριθμητικό υπολογισμό χρησιμοποιώντας γραφήματα ροής δεδομένων.
Το SyntaxNet είναι ένα πλαίσιο επεξεργασίας φυσικής γλώσσας νευρωνικού δικτύου για το TensorFlow .
Word 2Vec χρησιμοποιείται για την εκμάθηση διάνυσμα αναπαραστάσεων των λέξεων, που ονομάζονται "ενσωματωμένες λέξεις". Word 2vec είναι ένα ιδιαίτερα αποτελεσματικό υπολογιστικό μοντέλο πρόβλεψης για την εκμάθηση ενσωματώσεων λέξεων από ακατέργαστο κείμενο. Έρχεται σε δύο γεύσεις, η συνεχής Bag-of- Word s μοντέλο (CBOW) και το μοντέλο Παράλειψη-Gram (κεφάλαιο 3.1 και 3.2 σε Mikolov et al.).
Χρησιμοποιείται σε συνδυασμό, τα SyntaxNet και το Word 2Vec επιτρέπουν στους χρήστες να παράγουν μοντέλα Learned Embedding από την είσοδο φυσικής γλώσσας.
Κοινό
Αυτό το μάθημα απευθύνεται σε προγραμματιστές και μηχανικούς που σκοπεύουν να εργαστούν με μοντέλα SyntaxNet και Word 2Vec στα γραφήματα TensorFlow .
Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:
- 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 τα μοντέλα εκπαίδευσης, την ενσωμάτωση όρων, τη δημιουργία γραφημάτων και την καταγραφή
Το SyntaxNet είναι ένα πλαίσιο επεξεργασίας φυσικής γλώσσας νευρωνικού δικτύου για το TensorFlow .
Word 2Vec χρησιμοποιείται για την εκμάθηση διάνυσμα αναπαραστάσεων των λέξεων, που ονομάζονται "ενσωματωμένες λέξεις". Word 2vec είναι ένα ιδιαίτερα αποτελεσματικό υπολογιστικό μοντέλο πρόβλεψης για την εκμάθηση ενσωματώσεων λέξεων από ακατέργαστο κείμενο. Έρχεται σε δύο γεύσεις, η συνεχής Bag-of- Word s μοντέλο (CBOW) και το μοντέλο Παράλειψη-Gram (κεφάλαιο 3.1 και 3.2 σε Mikolov et al.).
Χρησιμοποιείται σε συνδυασμό, τα SyntaxNet και το Word 2Vec επιτρέπουν στους χρήστες να παράγουν μοντέλα Learned Embedding από την είσοδο φυσικής γλώσσας.
Κοινό
Αυτό το μάθημα απευθύνεται σε προγραμματιστές και μηχανικούς που σκοπεύουν να εργαστούν με μοντέλα SyntaxNet και Word 2Vec στα γραφήματα TensorFlow .
Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:
- 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 τα μοντέλα εκπαίδευσης, την ενσωμάτωση όρων, τη δημιουργία γραφημάτων και την καταγραφή
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
21 hours
Overview
Αυτό το μάθημα καλύπτει την AI (με έμφαση στη Machine Learning και Deep Learning )
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
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.
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
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.
Upcoming Deep Learning (DL) Courses
2020-07-22 09:30:00
Nicosia, Jacovides Tower
21 hours
2020-07-27 09:30:00
Θεσσαλονίκη (Thessaloniki)
21 hours
2020-09-16 09:30:00
Nicosia, Jacovides Tower
21 hours
2020-09-16 09:30:00
Θεσσαλονίκη (Thessaloniki)
21 hours
2020-11-09 09:30:00
Nicosia, Jacovides Tower
21 hours
Other regions
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)")
