Deep Learning Training Courses

Deep Learning Training Courses

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

★★★★★
★★★★★

Deep Learning (DL) Course Outlines

Course Name
Duration
Overview
Course Name
Duration
Overview
7 hours
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.
21 hours
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.
21 hours
Βάθος Reinforcement Learning αναφέρεται στην ικανότητα ενός αρχικονομικού παράγραφος " να μάθει από δοκιμή και φυσικά και ποινήσεις. Ένας τεχνολογικός οργανισμός στόχος να αποτελεί έναν ανθρώπινο ' η ικανότητα να λαμβάνει και να κατασκευάζει γνώσεις μαζί του, άμεσα από πρώην εισόδου όπως η εμφάνιση. Για να καταλαμβάνουν την ενίσχυση μάθησης, χρησιμοποιούνται βαθιά μάθηση και νευρικά δίκτυα. Η μάθηση αναγνωρίζεται διαφορετικά από τη μάθηση μηχανών και δεν έχει σημασία σε εποπτείας και μη αντιμετωπίζονται προσέγγιες μάθησης.

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
28 hours
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.
14 hours
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
21 hours
Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν "ευφυή" καθήκοντα. Neural Networks χρησιμοποιούνται συνήθως στις εφαρμογές Machine Learning (ML), οι οποίες είναι οι ίδιες μια υλοποίηση του AI. Deep Learning είναι ένα υποσύνολο του ML.
21 hours
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.
21 hours
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
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.
21 hours
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
21 hours
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.
14 hours
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.
21 hours
Αυτό το μάθημα καλύπτει την AI (με έμφαση στη Machine Learning και Deep Learning )
14 hours
Σε αυτή την καθοδηγούμενη, ζωντανή εκπαίδευση, περνάμε πάνω από τις αρχές των νευρικών δικτύων και χρησιμοποιούμε OpenNN για να εφαρμόσουμε μια εφαρμογή δείγματος.

Η μορφή της πορείας

Διαλέξεις και συζητήσεις σε συνδυασμό με πρακτικές ασκήσεις.
7 hours
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
21 hours
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.
7 hours
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.
21 hours
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.
21 hours
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
7 hours
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
7 hours
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
14 hours
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
21 hours
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.
14 hours
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
28 hours
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Η βαθιά μάθηση είναι ένας υποτομέας μηχανικής μάθησης που χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα. R είναι μια δημοφιλής γλώσσα προγραμματισμού στον χρηματοπιστωτικό κλάδο. Χρησιμοποιείται σε χρηματοοικονομικές εφαρμογές που κυμαίνονται από βασικά προγράμματα διαπραγμάτευσης μέχρι συστήματα διαχείρισης κινδύνου.

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

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

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

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

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

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

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

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

Audience

- Developers
- Data scientists

Format of the course

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

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

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

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

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
28 hours
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
21 hours
Εισαγωγή :

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.
14 hours
Αυτή η εκπαιδευτική συνεδρία θα περιλαμβάνει παρουσιάσεις και παραδείγματα υπολογιστών και ασκήσεις μελέτης περιπτώσεων που θα πραγματοποιηθούν με σχετικές νευρικές και βαθιές βιβλιοθήκες δικτύου

Last Updated:

Upcoming Deep Learning (DL) Courses

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

Course Discounts

Course Discounts Newsletter

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

Some of our clients

is growing fast!

We are looking for a good mixture of IT and soft skills in Greece!

As a NobleProg Trainer you will be responsible for:

  • delivering training and consultancy Worldwide
  • preparing training materials
  • creating new courses outlines
  • delivering consultancy
  • quality management

At the moment we are focusing on the following areas:

  • Statistic, Forecasting, Big Data Analysis, Data Mining, Evolution Alogrithm, Natural Language Processing, Machine Learning (recommender system, neural networks .etc...)
  • SOA, BPM, BPMN
  • Hibernate/Spring, Scala, Spark, jBPM, Drools
  • R, Python
  • Mobile Development (iOS, Android)
  • LAMP, Drupal, Mediawiki, Symfony, MEAN, jQuery
  • You need to have patience and ability to explain to non-technical people

To apply, please create your trainer-profile by going to the link below:

Apply now!

This site in other countries/regions