Τα τοπικά μαθήματα κατάρτισης σε Neural Network, καθοδηγούμενα από εκπαιδευτικούς, επιδεικνύουν μέσω της διαδραστικής συζήτησης και της πρακτικής άσκησης πώς να κατασκευάσουν τα Νευρικά Δίκτυα με τη χρήση πολλών εργαλείων και βιβλιοθηκών κυρίως με ανοιχτού κώδικα, καθώς και με τον τρόπο χρήσης της δύναμης του προηγμένου υλικού (GPU) τεχνικές βελτιστοποίησης που περιλαμβάνουν κατανεμημένους υπολογιστές και μεγάλα δεδομένα. Τα μαθήματα του Νευρικού Δικτύου βασίζονται σε δημοφιλείς γλώσσες προγραμματισμού όπως Python, Java, γλώσσα R και ισχυρές βιβλιοθήκες, όπως TensorFlow, Torch, Caffe, Theano και πολλά άλλα. Τα μαθήματα του Νευρικού Δικτύου καλύπτουν τόσο τη θεωρία όσο και την εφαρμογή με τη χρήση πολλών υλοποιήσεων νευρωνικού δικτύου, όπως Νευρωνικά Δίκτυα (DNN), Συνεργατικά Νευρωνικά Δίκτυα (CNN) και Επαναλαμβανόμενα Νευρωνικά Δίκτυα (RNN). Η εκπαίδευση του Νευρικού Δικτύου είναι διαθέσιμη ως "onsite live training" ή "remote live training". Η επιτόπια κατάρτιση σε πραγματικό χρόνο μπορεί να πραγματοποιηθεί σε τοπικό επίπεδο στις εγκαταστάσεις του πελάτη Ελλάδα ή σε εταιρικά κέντρα κατάρτισης NobleProg στο Ελλάδα . Η απομακρυσμένη ζωντανή προπόνηση πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας. NobleProg - Ο τοπικός παροχέας εκπαίδευσης
Machine Translated
Testimonials
Ήταν πολύ διαδραστικό και πιο χαλαρό και άτυπο από το αναμενόμενο. Καλύψαμε πολλά θέματα την εποχή εκείνη και ο εκπαιδευτής ήταν πάντα δεκτικός να μιλάει πιο λεπτομερώς ή γενικότερα για τα θέματα και τον τρόπο με τον οποίο συσχετίζονταν. Αισθάνομαι ότι η κατάρτιση μου έδωσε τα εργαλεία για να συνεχίσω να μαθαίνω, σε αντίθεση με το γεγονός ότι είναι μια μοναδική σύνοδος όπου η μάθηση σταματάει μόλις τελειώσετε κάτι που είναι πολύ σημαντικό δεδομένης της κλίμακας και της πολυπλοκότητας του θέματος.
Jonathan Blease
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Η Ann δημιούργησε ένα εξαιρετικό περιβάλλον για να κάνει ερωτήσεις και να μάθει. Είχαμε πολύ διασκέδαση και μάθαμε πολλά ταυτόχρονα.
Gudrun Bickelq
Course: Introduction to the use of neural networks
Machine Translated
το διαδραστικό μέρος, προσαρμοσμένο στις συγκεκριμένες ανάγκες μας
Thomas Stocker
Course: Introduction to the use of neural networks
Machine Translated
Εκτιμώ πραγματικά τις πεντακάθαρες απαντήσεις του Chris στις ερωτήσεις μας.
Léo Dubus
Course: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Γνωστός εκπαιδευτής
Sridhar Voorakkara
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ήμουν έκπληκτος με το πρότυπο αυτής της κατηγορίας - θα έλεγα ότι ήταν πανεπιστημιακό πρότυπο.
David Relihan
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Πολύ καλή γενική επισκόπηση. Go από το φόντο στο γιατί ο Tensorflow λειτουργεί όπως έχει.
Kieran Conboy
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Μου άρεσαν οι ευκαιρίες να θέσω ερωτήσεις και να δώσω περισσότερες σε βάθος εξηγήσεις για τη θεωρία.
Sharon Ruane
Course: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ο εκπαιδευτής πολύ εύκολα εξηγούσε τα δύσκολα και προηγμένα θέματα.
Leszek K
Course: Artificial Intelligence Overview
Machine Translated
νέες γνώσεις στη βαθιά μηχανική μάθηση
Josip Arneric
Course: Neural Network in R
Machine Translated
Έχουμε αποκτήσει κάποιες γνώσεις σχετικά με το NN γενικά, και αυτό που ήταν το πιο ενδιαφέρον για μένα ήταν οι νέοι τύποι NN που είναι δημοφιλείς στις μέρες μας.
Tea Poklepovic
Course: Neural Network in R
Machine Translated
Γραφήματα σε R :)))
Faculty of Economics and Business Zagreb
Course: Neural Network in R
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
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
πολλές ασκήσεις που μπορώ να χρησιμοποιήσω άμεσα στη δουλειά μου
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
Παραδείγματα πραγματικών δεδομένων
Alior Bank S.A.
Course: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC σε βρόχο
Alior Bank S.A.
Course: Sieci Neuronowe w R
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
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
Ο εκπαιδευτής ήταν επαγγελματίας στον τομέα και σχετική θεωρία με την εφαρμογή άριστα
Fahad Malalla - Tatweer Petroleum
Course: Applied AI from Scratch in Python
Machine Translated
θέματα, φιλική στάση του παρουσιαστή
Fujitsu Technology Solutions Sp. z o.o.
Course: Artificial Intelligence Overview
Machine Translated
Neural Networks Subcategories
Neural Networks Course Outlines
Course Name
Duration
Overview
Course Name
Duration
Overview
7 hours
Overview
Το μάθημα αυτό έχει δημιουργηθεί για διευθυντές, αρχιτέκτονες λύσεων, αξιωματικούς καινοτομίας, ΚΟΤ, αρχιτέκτονες λογισμικού και όσους ενδιαφέρονται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και για την πλησιέστερη πρόβλεψη για την ανάπτυξή της.
7 hours
Overview
Η εκπαίδευση απευθύνεται σε άτομα που θέλουν να μάθουν τα βασικά των νευρωνικών δικτύων και τις εφαρμογές τους.
14 hours
Overview
Αυτό το μάθημα είναι μια εισαγωγή στην εφαρμογή νευρωνικών δικτύων σε πραγματικά προβλήματα με το λογισμικό R-project.
14 hours
Overview
Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν Machine Learning σε πρακτικές εφαρμογές.
Κοινό
Αυτό το μάθημα απευθύνεται σε επιστήμονες και στατιστικολόγους που έχουν κάποια εξοικείωση με στατιστικά στοιχεία και γνωρίζουν πώς να προγραμματίσουν R (ή Python ή άλλη επιλεγμένη γλώσσα). Η έμφαση δίνεται στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης.
Ο σκοπός είναι να δοθούν πρακτικές εφαρμογές στη Machine Learning σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία.
Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.
Κοινό
Αυτό το μάθημα απευθύνεται σε επιστήμονες και στατιστικολόγους που έχουν κάποια εξοικείωση με στατιστικά στοιχεία και γνωρίζουν πώς να προγραμματίσουν R (ή Python ή άλλη επιλεγμένη γλώσσα). Η έμφαση δίνεται στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης.
Ο σκοπός είναι να δοθούν πρακτικές εφαρμογές στη Machine Learning σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία.
Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.
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.
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.
35 hours
Overview
This course is created for people who have no previous experience in probability and statistics.
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.
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 .
21 hours
Overview
Αυτή η μάθημα καθοδηγείται από εκπαιδευτές παρέχει μια εισαγωγή στο πεδίο της αναγνώρισης προτύπων και της μηχανικής μάθησης. Ασχολείται με πρακτικές εφαρμογές στις στατιστικές, την επιστήμη των υπολογιστών, την επεξεργασία σήματος, την ηλεκτρονική όραση, την εξόρυξη δεδομένων και τη βιοπληροφορική.
Το μάθημα είναι διαδραστικό και περιλαμβάνει πολλές πρακτικές ασκήσεις, ανατροφοδότηση εκπαιδευτών και δοκιμή γνώσεων και δεξιοτήτων που αποκτήθηκαν.
Το μάθημα είναι διαδραστικό και περιλαμβάνει πολλές πρακτικές ασκήσεις, ανατροφοδότηση εκπαιδευτών και δοκιμή γνώσεων και δεξιοτήτων που αποκτήθηκαν.
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
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.
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
Overview
In this instructor-led, live training in Ελλάδα, 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.
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.
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.
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
7 hours
Overview
Snorkel is a system for rapidly creating, modeling, and managing training data. It focuses on accelerating the development of structured or "dark" data extraction applications for domains in which large labeled training sets are not available or easy to obtain.
In this instructor-led, live training, participants will learn techniques for extracting value from unstructured data such as text, tables, figures, and images through modeling of training data with Snorkel.
By the end of this training, participants will be able to:
- Programmatically create training sets to enable the labeling of massive training sets
- Train high-quality end models by first modeling noisy training sets
- Use Snorkel to implement weak supervision techniques and apply data programming to weakly-supervised machine learning systems
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 techniques for extracting value from unstructured data such as text, tables, figures, and images through modeling of training data with Snorkel.
By the end of this training, participants will be able to:
- Programmatically create training sets to enable the labeling of massive training sets
- Train high-quality end models by first modeling noisy training sets
- Use Snorkel to implement weak supervision techniques and apply data programming to weakly-supervised machine learning systems
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
Encog is an open-source machine learning framework for Java and .Net.
In this instructor-led, live training, participants will learn advanced machine learning techniques for building accurate neural network predictive models.
By the end of this training, participants will be able to:
- Implement different neural networks optimization techniques to resolve underfitting and overfitting
- Understand and choose from a number of neural network architectures
- Implement supervised feed forward and feedback networks
Audience
- Developers
- Analysts
- 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 advanced machine learning techniques for building accurate neural network predictive models.
By the end of this training, participants will be able to:
- Implement different neural networks optimization techniques to resolve underfitting and overfitting
- Understand and choose from a number of neural network architectures
- Implement supervised feed forward and feedback networks
Audience
- Developers
- Analysts
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
Encog is an open-source machine learning framework for Java and .Net.
In this instructor-led, live training, participants will learn how to create various neural network components using ENCOG. Real-world case studies will be discussed and machine language based solutions to these problems will be explored.
By the end of this training, participants will be able to:
- Prepare data for neural networks using the normalization process
- Implement feed forward networks and propagation training methodologies
- Implement classification and regression tasks
- Model and train neural networks using Encog's GUI based workbench
- Integrate neural network support into real-world applications
Audience
- Developers
- Analysts
- 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 create various neural network components using ENCOG. Real-world case studies will be discussed and machine language based solutions to these problems will be explored.
By the end of this training, participants will be able to:
- Prepare data for neural networks using the normalization process
- Implement feed forward networks and propagation training methodologies
- Implement classification and regression tasks
- Model and train neural networks using Encog's GUI based workbench
- Integrate neural network support into real-world applications
Audience
- Developers
- Analysts
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
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
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
Βαθιά Ενίσχυση Η μάθηση αναφέρεται στην ικανότητα ενός «τεχνητού πράκτορα» να μάθει με δοκιμασία και λάθος και ανταμοιβές και τιμωρίες. Ένας τεχνητός παράγοντας στοχεύει να μιμηθεί την ικανότητα του ανθρώπου να αποκτά και να κατασκευάζει τη γνώση από μόνος του, απευθείας από ακατέργαστες εισροές όπως το όραμα. Για να υλοποιηθεί η μάθηση ενίσχυσης, χρησιμοποιείται βαθιά μάθηση και νευρωνικά δίκτυα. Η ενδυνάμωση της μάθησης είναι διαφορετική από τη μηχανική μάθηση και δεν βασίζεται σε εποπτευόμενες και ανεξέλεγκτες προσεγγίσεις μάθησης.
Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία της Μάθησης βαθιάς ενίσχυσης, καθώς περνούν μέσα από τη δημιουργία ενός Deep Learning Agent.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις βασικές έννοιες πίσω από τη μάθηση βαθιάς ενίσχυσης και μπορείτε να το διακρίνετε από τη Machine Learning
- Εφαρμόστε τους προηγμένους αλγόριθμους ενίσχυσης της ενίσχυσης για την επίλυση προβλημάτων πραγματικού κόσμου
- Δημιουργήστε ένα Deep Learning Agent
Κοινό
- Προγραμματιστές
- Επιστήμονες δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
Σε αυτήν την καθοδηγούμενη από εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία της Μάθησης βαθιάς ενίσχυσης, καθώς περνούν μέσα από τη δημιουργία ενός Deep Learning Agent.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Κατανοήστε τις βασικές έννοιες πίσω από τη μάθηση βαθιάς ενίσχυσης και μπορείτε να το διακρίνετε από τη Machine Learning
- Εφαρμόστε τους προηγμένους αλγόριθμους ενίσχυσης της ενίσχυσης για την επίλυση προβλημάτων πραγματικού κόσμου
- Δημιουργήστε ένα Deep Learning Agent
Κοινό
- Προγραμματιστές
- Επιστήμονες δεδομένων
Μορφή του μαθήματος
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
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
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.
28 hours
Overview
Πρόκειται για ένα μάθημα διάρκειας 4 ημερών που εισάγει AI και είναι εφαρμογή που χρησιμοποιεί τη Python προγραμματισμού Python . Υπάρχει μια επιλογή να έχετε μια επιπλέον ημέρα για να πραγματοποιήσετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.
21 hours
Overview
Η μηχανική (γνωστή και ως μηχανική μηχανική) είναι ένας συνδυασμός μηχανικής, ηλεκτρονικής και πληροφορικής.
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη) απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν για την εφαρμοσιμότητα της τεχνητής νοημοσύνης στα μηχανικά συστήματα.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Αποκτήστε μια επισκόπηση της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της υπολογιστικής νοημοσύνης.
- Κατανοήστε τις έννοιες των νευρωνικών δικτύων και των διαφορετικών μεθόδων μάθησης.
- Επιλέξτε αποτελεσματικές προσεγγίσεις τεχνητής νοημοσύνης για προβλήματα στην πραγματική ζωή.
- Εφαρμογή εφαρμογών AI στη μηχατρονική μηχανική.
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.
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη) απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν για την εφαρμοσιμότητα της τεχνητής νοημοσύνης στα μηχανικά συστήματα.
Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:
- Αποκτήστε μια επισκόπηση της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της υπολογιστικής νοημοσύνης.
- Κατανοήστε τις έννοιες των νευρωνικών δικτύων και των διαφορετικών μεθόδων μάθησης.
- Επιλέξτε αποτελεσματικές προσεγγίσεις τεχνητής νοημοσύνης για προβλήματα στην πραγματική ζωή.
- Εφαρμογή εφαρμογών AI στη μηχατρονική μηχανική.
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.
14 hours
Overview
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
Upcoming Neural Networks Courses
2021-06-07 09:30:00
14 hours
2021-06-14 09:30:00
21 hours
2021-07-01 09:30:00
14 hours
2021-07-05 09:30:00
21 hours
2021-07-13 09:30:00
7 hours
Other countries
Consulting
Online Neural Networks courses, Weekend Neural Networks courses, Evening Neural Networks training, Neural Networks boot camp, Neural Networks instructor-led, Weekend Neural Networks training, Evening Neural Networks courses, Neural Networks coaching, Neural Networks instructor, Neural Networks trainer, Neural Networks training courses, Neural Networks classes, Neural Networks on-site, Neural Networks private courses, Neural Networks one on one training
.jpg "international air transport association (iata)")
