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
το θέμα. Φαινόταν ενδιαφέρον, αλλά έφυγα ξέροντας όχι πολύ περισσότερο από πριν.
Radoslaw Labedzki
Course: Introduction to Deep Learning
Machine Translated
Ενδιαφέρον θέμα
Wojciech Wilk
Course: Introduction to Deep 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
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
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.
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 .
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
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
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.
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
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:
- 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
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
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
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
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/
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
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
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 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
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
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
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
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
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.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to develop advanced deep learning neural-networks and model using Keras and Python.
By the end of this training, participants will be able to:
- Apply deep learning with supervised or unsupervised learning methods.
- Develop, train, and implement concurrent neural networks and recurrent neural networks.
- Use Keras and Python to build deep learning models to solve problems involving images, text, sound, 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.
Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν μοντέλα βαθιάς μάθησης για τραπεζικές εργασίες που χρησιμοποιούν το Python καθώς περνούν μέσα από τη δημιουργία ενός μοντέλου βαθιάς μάθησης για το πιστωτικό κίνδυνο.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις θεμελιώδεις έννοιες της βαθιάς μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της βαθιάς μάθησης στον τραπεζικό τομέα
- Χρησιμοποιήστε Python , Keras και TensorFlow να δημιουργήσει βαθιά μοντέλα μάθησης για τον τραπεζικό τομέα
- Δημιουργήστε το δικό τους μοντέλο βαθιάς μάθησης πιστωτικού κινδύνου χρησιμοποιώντας τη Python
Κοινό
- Προγραμματιστές
- Οι επιστήμονες των δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
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
.jpg "international air transport association (iata)")
