Machine Learning Training Courses

Machine Learning Training Courses

Τα τοπικά μαθήματα κατάρτισης με μάθημα Machine Learning (ML), καθοδηγούμενα από εκπαιδευτές, καταδεικνύουν μέσω της πρακτικής άσκησης πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση προβλημάτων πραγματικού κόσμου σε διάφορες βιομηχανίες. Τα μαθήματα NobleProg ML καλύπτουν διαφορετικές γλώσσες προγραμματισμού και πλαίσια, συμπεριλαμβανομένων των Python, R και Matlab. Μαθήματα μηχανικής μάθησης προσφέρονται για διάφορες βιομηχανικές εφαρμογές, όπως Χρηματοοικονομικές, Τραπεζικές και Ασφαλιστικές, και καλύπτουν τις βασικές αρχές της Μηχανικής Μάθησης καθώς και πιο προηγμένες προσεγγίσεις, όπως η Deep Learning. Η Εκπαίδευση Εκμάθησης Μηχανών είναι διαθέσιμη ως "ζωντανή εκπαίδευση στο χώρο" ή "μακρινή ζωντανή εκπαίδευση". 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

★★★★★
★★★★★

Machine Learning (ML) 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.
14 hours
Overview
This classroom based training session will explore machine learning techniques, with computer based examples and case study solving exercises using a relevant programme languauge
14 hours
Overview
The Apache OpenNLP library is a machine learning based toolkit for processing natural language text. It supports the most common NLP tasks, such as language detection, tokenization, sentence segmentation, part-of-speech tagging, named entity extraction, chunking, parsing and coreference resolution.

In this instructor-led, live training, participants will learn how to create models for processing text based data using OpenNLP. Sample training data as well customized data sets will be used as the basis for the lab exercises.

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

- Install and configure OpenNLP
- Download existing models as well as create their own
- Train the models on various sets of sample data
- Integrate OpenNLP with existing Java applications

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
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
21 hours
Overview
Course is dedicated for those who would like to know an alternative program to the commercial MATLAB package. The three-day training provides comprehensive information on moving around the environment and performing the OCTAVE package for data analysis and engineering calculations. The training recipients are beginners but also those who know the program and would like to systematize their knowledge and improve their skills. Knowledge of other programming languages is not required, but it will greatly facilitate the learners' acquisition of knowledge. The course will show you how to use the program in many practical examples.
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
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 .
21 hours
Overview
Αυτή η περίοδος εκπαίδευσης βασισμένη στην τάξη θα διερευνήσει τα εργαλεία μηχανικής μάθησης με την (προτεινόμενη) Python . Οι εκπρόσωποι θα έχουν παραδείγματα υπολογιστών και ασκήσεις μελέτης περιπτώσεων που θα αναλάβουν.
21 hours
Overview
Αυτό το μάθημα εισάγει μεθόδους μηχανικής μάθησης σε εφαρμογές ρομποτικής.

Πρόκειται για μια ευρεία επισκόπηση των υφιστάμενων μεθόδων, κινήτρων και βασικών ιδεών στο πλαίσιο της αναγνώρισης προτύπων.

Μετά από ένα σύντομο θεωρητικό υπόβαθρο, οι συμμετέχοντες θα εκτελούν απλή άσκηση χρησιμοποιώντας ανοικτή πηγή (συνήθως R) ή οποιοδήποτε άλλο δημοφιλές λογισμικό.
21 hours
Overview
ο στόχος αυτού του μαθήματος είναι να παρέχει γενική επάρκεια στην εφαρμογή μεθόδων μηχανικής μάθησης στην πράξη. Μέσω της χρήσης της γλώσσας προγραμματισμού Python και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιείτε τα σημαντικότερα δομικά στοιχεία της μηχανικής μάθησης, πώς να κάνετε αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσετε την τις εκροές των αλγορίθμων και να επικυρώσετε τα αποτελέσματα.

ο στόχος μας είναι να σας δώσουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε τα πιο θεμελιώδη εργαλεία από την εργαλειοθήκη μηχανικής εκμάθησης με σιγουριά και να αποφύγετε τις κοινές παγίδες των εφαρμογών των Επιστημών δεδομένων.
14 hours
Overview
In this instructor-led, live training, participants will learn how to use the iOS Machine Learning (ML) technology stack as they step through the creation and deployment of an iOS mobile app.

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

- Create a mobile app capable of image processing, text analysis and speech recognition
- Access pre-trained ML models for integration into iOS apps
- Create a custom ML model
- Add Siri Voice support to iOS apps
- Understand and use frameworks such as coreML, Vision, CoreGraphics, and GamePlayKit
- Use languages and tools such as Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda, and Spyder

Audience

- Developers

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
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.
7 hours
Overview
Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν τις βασικές τεχνικές Machine Learning σε πρακτικές εφαρμογές.

Κοινό

Οι επιστήμονες δεδομένων και οι στατιστικολόγοι που έχουν κάποια εξοικείωση με τη μηχανική μάθηση και ξέρουν πώς να προγραμματίσουν το R. Η έμφαση σε αυτό το μάθημα αφορά στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης. Ο σκοπός είναι να δοθεί μια πρακτική εισαγωγή στην μηχανική μάθηση σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία

Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Μέσα από τη χρήση της πλατφόρμας προγραμματισμού R και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.

Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Μέσω της χρήσης της Python προγραμματισμού Python και των διάφορων βιβλιοθηκών της και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.

Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Με τη χρήση της γλώσσας προγραμματισμού Scala και των διάφορων βιβλιοθηκών της και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.

Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
28 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. R είναι μια δημοφιλής γλώσσα προγραμματισμού στον χρηματοπιστωτικό κλάδο. Χρησιμοποιείται σε χρηματοοικονομικές εφαρμογές που κυμαίνονται από βασικά προγράμματα διαπραγμάτευσης μέχρι συστήματα διαχείρισης κινδύνου.

Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον χρηματοπιστωτικό κλάδο. R θα χρησιμοποιηθεί ως γλώσσα προγραμματισμού.

Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.

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

- Κατανοήστε τις θεμελιώδεις έννοιες της μηχανικής μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της μηχανικής μάθησης στη χρηματοδότηση
- Αναπτύξτε τη δική τους στρατηγική αλγοριθμικών συναλλαγών χρησιμοποιώντας την εκμάθηση μηχανών με τον R

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Python είναι μια γλώσσα προγραμματισμού γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα. Προσφέρει μια εξαιρετική συλλογή από καλά δοκιμασμένες βιβλιοθήκες και τεχνικές για την ανάπτυξη εφαρμογών μηχανικής μάθησης.

Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον χρηματοπιστωτικό κλάδο.

Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.

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

- Κατανοήστε τις θεμελιώδεις έννοιες της μηχανικής μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της μηχανικής μάθησης στη χρηματοδότηση
- Αναπτύξτε τη δική τους στρατηγική αλγοριθμικών συναλλαγών χρησιμοποιώντας μηχανική μάθηση με την Python

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν την Machine Learning σε πρακτικές εφαρμογές για την ομάδα τους. Η εκπαίδευση δεν θα εξελιχθεί σε τεχνικές λεπτομέρειες και θα περιστρέφεται γύρω από τις βασικές έννοιες και τις επιχειρησιακές / επιχειρησιακές εφαρμογές της ίδιας.

Στοχευμένο κοινό

- Επενδυτές και επιχειρηματίες της ΑΠ
- Διευθυντές και Μηχανικοί των οποίων η εταιρεία μπαίνει σε χώρο ΑΙ
- Αναλυτές Business & Επενδυτές
21 hours
Overview
Αυτό το μάθημα καλύπτει την AI (με έμφαση στη Machine Learning και Deep Learning )
7 hours
Overview
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη) απευθύνεται σε τεχνικά άτομα που επιθυμούν να μάθουν πώς να εφαρμόσουν μια στρατηγική μηχανικής μάθησης, μεγιστοποιώντας ταυτόχρονα τη χρήση μεγάλων δεδομένων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα:

- Κατανοήστε την εξέλιξη και τις τάσεις της μηχανικής μάθησης.
- Μάθετε πώς η μηχανική μάθηση χρησιμοποιείται σε διάφορες βιομηχανίες.
- Γνωρίστε τα εργαλεία, τις δεξιότητες και τις υπηρεσίες που είναι διαθέσιμες για την εφαρμογή της μηχανικής μάθησης μέσα σε έναν οργανισμό.
- Κατανοήστε τον τρόπο με τον οποίο η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για τη βελτίωση της εξόρυξης δεδομένων και της ανάλυσης.
- Μάθετε τι είναι το μεσαίο backend δεδομένων και πώς χρησιμοποιείται από τις επιχειρήσεις.
- Κατανοήστε το ρόλο που παίζουν μεγάλα δεδομένα και έξυπνες εφαρμογές σε όλους τους κλάδους.

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.
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
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
21 hours
Overview
Machine Learning είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Python είναι μια γλώσσα προγραμματισμού γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα. Προσφέρει μια εξαιρετική συλλογή από καλά δοκιμασμένες βιβλιοθήκες και τεχνικές για την ανάπτυξη εφαρμογών μηχανικής μάθησης.

Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον τραπεζικό κλάδο.

Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
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/
14 hours
Overview
Deeplearning4j είναι μια βιβλιοθήκη ανοιχτού κώδικα, διανεμημένη σε βάθος, γραμμένη για Java και Scala . Ολοκληρωμένο με Hadoop και Spark, το DL4J έχει σχεδιαστεί για χρήση σε επιχειρηματικά περιβάλλοντα σε κατανεμημένες μονάδες GPU και CPU.

Word 2Vec είναι μια μέθοδος υπολογισμού διανυσματικών αναπαραστάσεων λέξεων που εισάγονται από μια ομάδα ερευνητών στο Go ogle με επικεφαλής τον Tomas Mikolov.

Κοινό

Αυτό το μάθημα απευθύνεται σε ερευνητές, μηχανικούς και προγραμματιστές που επιδιώκουν να χρησιμοποιήσουν το Deeplearning4J για την κατασκευή μοντέλων Word 2Vec.
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
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
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
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
Weekend Machine Learning (ML) courses, Evening Machine Learning (ML) training, Machine Learning boot camp, Machine Learning instructor-led, Weekend Machine Learning training, Evening Machine Learning courses, Machine Learning (ML) coaching, ML (Machine Learning) instructor, ML (Machine Learning) trainer, Machine Learning (ML) training courses, ML (Machine Learning) classes, Machine Learning (ML) on-site, Machine Learning (ML) private courses, ML (Machine Learning) 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 to expand our presence in Greece!

As a Business Development Manager you will:

  • expand business in Greece
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!