
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
Σε αυτή την οδηγία, η ζωή εκπαίδευση, οι συμμετέχοντες θα μάθουν τα θεμελιώματα της Δυνατότητας Reinforcement Learning όταν βγάλουν μέσω της δημιουργίας μιας Deep Learning Πράκτης.
Με το τέλος αυτής της κατάρτισης, οι συμμετέχοντες θα μπορούν να:
Καταλαβαίνει τα κλειδιά σύμφωνα μετά τη Δυνατότητα Reinforcement Learning και θα μπορούσε να την διαφωνήσει από Machine Learning Αποτελέσεις προηγούμενων αλγότυμων Reinforcement Learning για να λύσουν τα πραγματικά προβλήματα παγκόσμιο Διάθεση ένας Deep Learning Πράκτοντος
Υποψήφισμα
Αναπτυξιαστές δεδομένων Επιστημονών
Μορφή του τμήματος
Μέρος, συζήτηση μέρη, εκμετάλλευση και βάρος χειροκρατικός πρακτικής
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.
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 .
Το μάθημα είναι διαδραστικό και περιλαμβάνει πολλές πρακτικές ασκήσεις, ανατροφοδότηση εκπαιδευτών και δοκιμή γνώσεων και δεξιοτήτων που αποκτήθηκαν.
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.
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.
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 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 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 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 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
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
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
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 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.
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.
Η μορφή της πορείας
Διαλέξεις και συζητήσεις σε συνδυασμό με πρακτικές ασκήσεις.
Last Updated: