Διαδικτυακά ή επιτόπου, ζωντανά εκπαιδευτικά μαθήματα νευρωνικών δικτύων υπό την καθοδήγηση εκπαιδευτών, επιδεικνύουν μέσω διαδραστικής συζήτησης και πρακτικής εξάσκησης πώς να κατασκευάσετε νευρωνικά δίκτυα χρησιμοποιώντας μια σειρά κυρίως εργαλείων ανοιχτού κώδικα και βιβλιοθήκες, καθώς και πώς να χρησιμοποιήσετε τη δύναμη προηγμένου υλικού (GPUs ) και τεχνικές βελτιστοποίησης που περιλαμβάνουν κατανεμημένους υπολογιστές και μεγάλα δεδομένα. Τα μαθήματά μας για το νευρωνικό δίκτυο βασίζονται σε δημοφιλείς γλώσσες προγραμματισμού όπως Python, Java, γλώσσα R και ισχυρές βιβλιοθήκες, συμπεριλαμβανομένων των TensorFlow, Torch, Caffe, Theano και άλλων. Τα μαθήματά μας για τα νευρωνικά δίκτυα καλύπτουν τόσο τη θεωρία όσο και την υλοποίηση χρησιμοποιώντας μια σειρά υλοποιήσεων νευρωνικών δικτύων όπως τα Deep Neural Networks (DNN), τα Convolutional Neural Networks (CNN) και τα Recurrent Neural Networks (RNN). Η εκπαίδευση νευρωνικών δικτύων είναι διαθέσιμη ως "online live training" ή "onsite live training". Η διαδικτυακή ζωντανή εκπαίδευση (γνωστή και ως "απομακρυσμένη ζωντανή εκπαίδευση") πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας . Η ζωντανή εκπαίδευση επιτόπου μπορεί να πραγματοποιηθεί τοπικά στις εγκαταστάσεις των πελατών στο Ελλάδα ή στα εταιρικά εκπαιδευτικά κέντρα NobleProg στο Ελλάδα. NobleProg -- Ο τοπικός σας πάροχος εκπαίδευσης
Machine Translated
Testimonials
★★★★★
★★★★★
Τα παραδείγματα που μας έδωσε.
JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
τα πειράματα
JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Οι ασκήσεις και τα παραδείγματα που παρουσιάζονται.
Marcos - JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Θέματα μηχανικής μάθησης.
Víctor Edgar - JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Η στάση του δασκάλου
Ivonne Guadalupe Avendaño Hernandez - JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Οι έννοιες που διδάσκονταν ήταν σαφείς, πρακτικές και βοηθούσαν πολύ στο να αποκτήσετε μια ιδέα για το πώς να χρησιμοποιήσετε αυτό το θέμα AI & ML.
Miguel - JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Η εμπειρία και οι γνώσεις του εκπαιδευτή.
SERGIO BRAVO - JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Ίσως κάποια εξάσκηση.
Hilario García - JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
μία από τις πρακτικές
JONATHAN MARIANO, si
Course: Artificial Intelligence (AI) for Managers
Machine Translated
Η γνώση και η διαχείριση του θέματος από τον εκπαιδευτή
Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την AI και την εφαρμογή της χρησιμοποιώντας την Python γλώσσα προγραμματισμού. Υπάρχει μια επιλογή να έχετε μια πρόσθετη ημέρα για να αναλάβετε ένα έργο AI κατά την ολοκλήρωση αυτού του μαθήματος.
Το Deep Reinforcement Learning αναφέρεται στην ικανότητα ενός «τεχνητού πράκτορα» να μαθαίνει με δοκιμή και σφάλμα και ανταμοιβές και τιμωρίες. Ένας τεχνητός παράγοντας στοχεύει να μιμηθεί την ικανότητα ενός ανθρώπου να αποκτά και να κατασκευάζει γνώση από μόνος του, απευθείας από ακατέργαστες εισροές όπως η όραση. Για την πραγματοποίηση της ενισχυτικής μάθησης, χρησιμοποιούνται βαθιά μάθηση και νευρωνικά δίκτυα. Η ενισχυτική μάθηση είναι διαφορετική από τη μηχανική μάθηση και δεν βασίζεται σε προσεγγίσεις μάθησης υπό επίβλεψη και χωρίς επίβλεψη.Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να μάθουν τις βασικές αρχές του Deep Reinforcement Learning καθώς προχωρούν στη δημιουργία ενός Deep Learning Agent.Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
Κατανοήστε τις βασικές έννοιες πίσω από το Deep Reinforcement Learning και μπορείτε να το διακρίνετε από το Machine Learning. Εφαρμόστε προηγμένους Reinforcement Learning αλγόριθμους για την επίλυση προβλημάτων πραγματικού κόσμου. Δημιουργήστε έναν Deep Learning Πράκτορα.
Μορφή του μαθήματος
Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και εξάσκηση. Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.
Επιλογές προσαρμογής μαθήματος
Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.
Αυτό το μάθημα έχει δημιουργηθεί για μάνατζερ, αρχιτέκτονες λύσεων, στελέχη καινοτομίας, CTO, αρχιτέκτονες λογισμικού και οποιονδήποτε ενδιαφέρεται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και την πλησιέστερη πρόβλεψη για την ανάπτυξή της.
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.
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.
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.
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.
This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).
This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.
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.
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.
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.
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.
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
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
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
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 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
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
This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries
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.
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.
Ένα σύστημα σύστασης είναι μια διαδικασία φιλτραρίσματος πληροφοριών που προβλέπει τις προτιμήσεις του χρήστη. Python μπορεί να χρησιμοποιηθεί για να προγραμματίσει βαθιά μάθηση, μηχανική μάθηση και συστήματα συστήματος συστήματος νευρικού δικτύου για να βοηθήσει τους χρήστες να ανακαλύψουν νέα προϊόντα και περιεχόμενο.
Αυτή η εκπαιδευτική, ζωντανή εκπαίδευση (online ή online) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν Python για την κατασκευή συστημάτων συνιστώμενων.
Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:
Δημιουργήστε συστήματα συστήματος σε κλίμακα.
Εφαρμόστε συνεργατικό φίλτρο για να δημιουργήσετε συστήματα συνιστώμενων.
Χρησιμοποιήστε Apache Spark για να υπολογίσετε συστήματα σύστασης σε κλάδους.
Δημιουργήστε ένα πλαίσιο για να δοκιμάσετε τους αλγόριθμους συστάσεων με 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.
This instructor-led, live training in Ελλάδα (online or onsite) is aimed at researchers and developers who wish to use Chainer to build and train neural networks in Python while making the code easy to debug.
By the end of this training, participants will be able to:
Set up the necessary development environment to start developing neural network models.
Define and implement neural network models using a comprehensible source code.
Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
Σε αυτήν τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές, εξετάζουμε τις αρχές των νευρωνικών δικτύων και χρησιμοποιούμε το OpenNN για να υλοποιήσουμε ένα δείγμα εφαρμογής.Μορφή του μαθήματοςΔιάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.
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: