| annmldt | Artificial Neural Networks, Machine Learning, Deep Thinking | 21 hours | Das künstliche neuronale Netzwerk ist ein computergestütztes Datenmodell, das bei der Entwicklung von Systemen für künstliche Intelligenz (KI) verwendet wird, die "intelligente" Aufgaben ausführen können Neuronale Netze werden häufig in Machine Learning (ML) -Anwendungen verwendet, die selbst eine Implementierung von AI sind Deep Learning ist eine Teilmenge von ML . |
| deeplearning1 | Introduction to Deep Learning | 21 hours | Dieser Kurs bietet einen allgemeinen Überblick über Deep Learning, ohne dabei auf bestimmte Methoden einzugehen Es eignet sich für Personen, die Deep Learning nutzen möchten, um ihre Vorhersagegenauigkeit zu verbessern . |
| dladv | Advanced Deep Learning | 28 hours | Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren . |
| tf101 | Deep Learning with TensorFlow | 21 hours | TensorFlow ist eine 2nd Generation API von Googles Open Source Software Library für Deep Learning Das System wurde entwickelt, um die maschinelle Lernforschung zu erleichtern und den Übergang vom Forschungsprototyp zum Produktionssystem schnell und einfach zu gestalten Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning-Projekte einsetzen möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle, Erstellung von Graphen und Protokollierung zu implementieren . |
| dl4jir | DeepLearning4J for Image Recognition | 21 hours | Deeplearning4j ist eine OpenSource DeepLearning Software für Java und Scala auf Hadoop und Spark Publikum Dieser Kurs richtet sich an Ingenieure und Entwickler, die DeepLearning4J für ihre Bilderkennungsprojekte einsetzen möchten . |
| dlv | Deep Learning for Vision | 21 hours | Publikum Dieser Kurs ist geeignet für Deep Learning-Forscher und Ingenieure, die daran interessiert sind, verfügbare Tools (meist Open Source) zur Analyse von Computerbildern zu nutzen Dieser Kurs bietet Arbeitsbeispiele . |
| tfir | TensorFlow for Image Recognition | 28 hours | Dieser Kurs untersucht anhand konkreter Beispiele die Anwendung von Tensor Flow für die Zwecke der Bilderkennung Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für die Bilderkennung einsetzen möchten Nach Abschluss dieses Kurses können die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen Ausführen von Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen bewerten Sie die Codequalität, führen Sie Debugging durch, überwachen Sie implementieren fortschrittliche Produktion wie Trainingsmodelle, Erstellen von Grafiken und Protokollierung . |
| tsflw2v | Natural Language Processing with TensorFlow | 35 hours | TensorFlow ™ ist eine Open-Source-Softwarebibliothek für numerische Berechnungen mit Datenflussdiagrammen SyntaxNet ist ein NeuralNetwork Natural Language Processing Framework für TensorFlow Word2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die "Worteinbettungen" genannt werden Word2vec ist ein besonders recheneffizientes Vorhersagemodell für das Einlernen von Worteinbettungen aus Rohtext Es gibt zwei Varianten, das Continuous BagofWords-Modell (CBOW) und das SkipGram-Modell (Kapitel 31 und 32 in Mikolov et al) In Verbindung mit SyntaxNet und Word2Vec können Benutzer Learned Embedding-Modelle aus Natural Language-Eingaben generieren Publikum Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet- und Word2Vec-Modellen in ihren TensorFlow-Diagrammen arbeiten möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle zu implementieren, Begriffe einzubetten, Diagramme zu erstellen und zu loggen . |
| Neuralnettf | Neural Networks Fundamentals using TensorFlow as Example | 28 hours | Dieser Kurs vermittelt Ihnen Kenntnisse in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Dieses Training konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Teano, DeepDrive, Keras usw Die Beispiele werden in TensorFlow erstellt . |
| w2vdl4j | NLP with Deeplearning4j | 14 hours | Deeplearning4j ist eine Open Source-Bibliothek für Java und Scala In Verbindung mit Hadoop und Spark wurde DL4J für den Einsatz in Geschäftsumgebungen mit verteilten GPUs und CPUs entwickelt Word2Vec ist eine Methode zur Berechnung von Vektordarstellungen von Wörtern, die von einem Team von Forschern bei Google unter der Leitung von Tomas Mikolov vorgestellt wurden Publikum Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Deeplearning4J zur Erstellung von Word2Vec-Modellen nutzen möchten . |
| dl4j | Mastering Deeplearning4j | 21 hours | Deeplearning4j ist die erste kommerzielle Open Source-Bibliothek für Java und Scala In Verbindung mit Hadoop und Spark wurde DL4J für den Einsatz in Geschäftsumgebungen mit verteilten GPUs und CPUs entwickelt Publikum Dieser Kurs richtet sich an Ingenieure und Entwickler, die Deeplearning4j in ihren Projekten einsetzen möchten Nach diesem Kurs werden die Delegierten in der Lage sein: . |
| mldt | Machine Learning and Deep Learning | 21 hours | Dieser Kurs umfasst KI (Schwerpunkt Maschinelles Lernen und Deep Learning) . |
| singa | Mastering Apache SINGA | 21 hours | SINGA ist eine allgemein verbreitete Deep-Learning-Plattform zum Training großer Deep-Learning-Modelle über große Datensätze Es basiert auf einem intuitiven Programmiermodell, das auf der Ebenenabstraktion basiert Eine Vielzahl von populären Deep-Learning-Modellen wird unterstützt, und zwar Feedforward-Modelle einschließlich Convolutional Neural Networks (CNN), Energiemodelle wie Restricted Boltzmann Machine (RBM) und Recurrent Neural Networks (RNN) Viele eingebaute Schichten werden für Benutzer bereitgestellt Die SINGA-Architektur ist ausreichend flexibel, um synchrone, asynchrone und hybride Trainings-Frameworks zu betreiben SINGA unterstützt auch verschiedene neuronale Netzpartitionierungsschemata, um das Training großer Modelle zu parallelisieren, nämlich Partitionierung auf Batch-Dimension, Feature-Dimension oder Hybrid-Partitionierung Publikum Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Apache SINGA als tiefgehenden Lernrahmen nutzen möchten Nach Abschluss dieses Kurses werden die Delegierten: SINGAs Struktur und Einsatzmechanismen verstehen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle zu implementieren, Begriffe einzubetten, Diagramme zu erstellen und zu loggen . |
| caffe | Deep Learning for Vision with Caffe | 21 hours | Caffe ist ein tiefgründiger Lernrahmen, der Ausdruck, Schnelligkeit und Modularität bietet Dieser Kurs untersucht die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST Publikum Dieser Kurs eignet sich für Deep Learning-Forscher und Ingenieure, die Caffe als Framework nutzen möchten Nach Abschluss dieses Kurses können die Delegierten: verstehe Caffes Struktur und Einsatzmechanismen Ausführen von Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen bewerten Sie die Codequalität, führen Sie Debugging durch, überwachen Sie Implementierung fortgeschrittener Produktion wie Trainingsmodelle, Implementierung von Layern und Protokollierung . |
| Torch | Torch: Getting started with Machine and Deep Learning | 21 hours | Torch ist eine Open-Source-Bibliothek zum maschinellen Lernen und ein Framework für wissenschaftliches Rechnen, das auf der Lua-Programmiersprache basiert Es bietet eine Entwicklungsumgebung für Numerik, maschinelles Lernen und Computer Vision, mit besonderem Schwerpunkt auf Deep Learning und Convolutional Networks Es ist eines der schnellsten und flexibelsten Frameworks für Machine and Deep Learning und wird von Unternehmen wie Facebook, Google, Twitter, NVIDIA, AMD, Intel und vielen anderen genutzt In diesem Kurs behandeln wir die Prinzipien von Torch, seine einzigartigen Eigenschaften und wie es in realen Anwendungen angewendet werden kann Wir durchlaufen durchgehend zahlreiche Hands-on-Übungen, demonstrieren und üben die erlernten Konzepte Am Ende des Kurses werden die Teilnehmer ein tiefgehendes Verständnis der zugrunde liegenden Features und Fähigkeiten von Torch sowie seiner Rolle und seines Beitrags innerhalb des KI-Bereichs im Vergleich zu anderen Frameworks und Bibliotheken haben Die Teilnehmer haben auch die notwendige Praxis erhalten, um Torch in ihren eigenen Projekten zu implementieren Publikum Softwareentwickler und Programmierer, die Machine and Deep Learning innerhalb ihrer Anwendungen ermöglichen wollen Format des Kurses Überblick über Maschinen- und Deep Learning Inclass Codierungs- und Integrationsübungen Testfragen, die auf dem Weg verteilt wurden, um das Verständnis zu überprüfen . |
| OpenNN | OpenNN: Implementing Neural Networks | 14 hours | OpenNN ist eine in C ++ geschriebene OpenSource-Klassenbibliothek, die neuronale Netzwerke zur Verwendung im maschinellen Lernen implementiert In diesem Kurs gehen wir auf die Prinzipien neuronaler Netzwerke ein und verwenden OpenNN, um eine Beispielanwendung zu implementieren Publikum Softwareentwickler und Programmierer, die Deep Learning-Anwendungen erstellen möchten Format des Kurses Vortrag und Diskussion in Verbindung mit praktischen Übungen . |
| mlentre | Machine Learning Concepts for Entrepreneurs and Managers | 21 hours | Dieser Kurs richtet sich an Personen, die Machine Learning in praktischen Anwendungen für ihr Team anwenden möchten Das Training wird nicht in technische Details eintauchen und sich um grundlegende Konzepte und geschäftliche / operative Anwendungen derselben drehen Zielgruppe Investoren und KI-Unternehmer Manager und Ingenieure, deren Unternehmen in den KI-Bereich vorstößt Business Analysten & Investoren . |
| opennmt | OpenNMT: Setting up a Neural Machine Translation System | 7 hours | OpenNMT ist ein Fullfeatured, Opensource (MIT) neuronales Maschinenübersetzungssystem, das das mathematische Toolkit Torch verwendet In diesem Training lernen die Teilnehmer, wie OpenNMT eingerichtet und verwendet wird, um verschiedene Beispieldatensätze zu übersetzen Der Kurs beginnt mit einem Überblick über neuronale Netze, wie sie für die maschinelle Übersetzung gelten Die Teilnehmer führen während des Kurses Live-Übungen durch, um ihr Verständnis der erlernten Konzepte zu demonstrieren und Feedback vom Kursleiter zu erhalten Am Ende dieser Schulung haben die Teilnehmer das Wissen und die Praxis, um eine Live-OpenNMT-Lösung zu implementieren Quell- und Zielsprachmuster werden entsprechend den Anforderungen der Zielgruppe vorbereitet Publikum Lokalisierungsspezialisten mit technischem Hintergrund Globale Content-Manager Lokalisierungsingenieure Softwareentwickler, die für die Implementierung globaler Content-Lösungen verantwortlich sind Format des Kurses Teilvorlesung, Teildiskussion, schwere Handson-Praxis . |
| Fairseq | Fairseq: Setting up a CNN-based machine translation system | 7 hours | Fairseq is an open-source sequence-to-sequence learning toolkit created by Facebok for use in Neural Machine Translation (NMT).
In this training participants will learn how to use Fairseq to carry out translation of sample content.
By the end of this training, participants will have the knowledge and practice needed to implement a live Fairseq based machine translation solution.
Audience
- Localization specialists with a technical background
- Global content managers
- Localization engineers
- Software developers in charge of implementing global content solutions
Format of the course
Part lecture, part discussion, heavy hands-on practice
Note
- If you wish to use specific source and target language content, please contact us to arrange.
|
| facebooknmt | Facebook NMT: Setting up a Neural Machine Translation System | 7 hours | Fairseq ist ein von Facebok entwickeltes OpenSource Sequenzsequenz-Lern-Toolkit für den Einsatz in Neural Machine Translation (NMT) In diesem Training lernen die Teilnehmer, wie man mit Fairseq den Sample-Inhalt übersetzt Am Ende dieser Schulung haben die Teilnehmer das Wissen und die Praxis, um eine Live-basierte maschinelle Übersetzungslösung auf Fairseq-Basis zu implementieren Publikum Lokalisierungsspezialisten mit technischem Hintergrund Globale Content-Manager Lokalisierungsingenieure Softwareentwickler, die für die Implementierung globaler Content-Lösungen verantwortlich sind Format des Kurses Teilvorlesung, Teildiskussion, schwere Handson-Praxis Hinweis Wenn Sie bestimmte Inhalte in der Ausgangs- und Zielsprache verwenden möchten, kontaktieren Sie uns bitte, um dies zu arrangieren . |
| tpuprogramming | TPU Programming: Building Neural Network Applications on Tensor Processing Units | 7 hours | Die Tensor Processing Unit (TPU) ist die Architektur, die Google seit einigen Jahren intern nutzt und nun für die breite Öffentlichkeit verfügbar ist Es enthält mehrere Optimierungen speziell für die Verwendung in neuronalen Netzen, einschließlich einer gestrafften Matrixmultiplikation und 8-Bit-Ganzzahlen anstelle von 16-Bit, um geeignete Genauigkeitsniveaus zu erhalten In diesem instruierten Live-Training lernen die Teilnehmer, wie sie die Vorteile von TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren Am Ende des Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie verschiedene Arten von neuronalen Netzwerken auf großen Datenmengen Verwenden Sie TPUs, um den Inferenzprozess um bis zu zwei Größenordnungen zu beschleunigen Verwenden Sie TPUs, um intensive Anwendungen wie Bildsuche, Cloud Vision und Fotos zu verarbeiten Publikum Entwickler Forscher Ingenieure Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| MicrosoftCognitiveToolkit | Microsoft Cognitive Toolkit 2.x | 21 hours | Microsoft Cognitive Toolkit 2x (früher CNTK) ist ein Open Source-Toolkit für den kommerziellen Einsatz, das tiefgreifende Lernalgorithmen zum Lernen wie das menschliche Gehirn trainiert Laut Microsoft kann CNTK 510x schneller als TensorFlow in wiederkehrenden Netzwerken und 2- bis 3-mal schneller als TensorFlow für bildbezogene Tasks sein In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Microsoft Cognitive Toolkit tiefgreifende Lernalgorithmen für kommerzielle AI-Anwendungen erstellen, trainieren und auswerten, die verschiedene Arten von Daten wie Daten, Sprache, Text und Bilder umfassen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Greifen Sie aus einem Python-, C # - oder C ++ - Programm heraus auf CNTK als Bibliothek zu Nutzen Sie CNTK als eigenständiges Machine Learning Tool durch eine eigene Modellbeschreibungssprache (BrainScript) Verwenden Sie die CNTK-Modellbewertungsfunktionalität aus einem Java-Programm Kombinieren von Feedforward-DNNs, Faltungsnetzwerken (CNNs) und wiederkehrenden Netzwerken (RNNs / LSTMs) Skalieren Sie die Rechenkapazität für CPUs, GPUs und mehrere Maschinen Greifen Sie auf riesige Datensätze mit vorhandenen Programmiersprachen und Algorithmen zu Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Wenn Sie einen Teil dieses Trainings anpassen möchten, einschließlich der Programmiersprache Ihrer Wahl, kontaktieren Sie uns bitte, um dies zu arrangieren . |
| PaddlePaddle | PaddlePaddle | 21 hours | PaddlePaddle (PArallel Distributed Deep LEarning) ist eine von Baidu entwickelte skalierbare Deep-Learning-Plattform In diesem instruierten Live-Training lernen die Teilnehmer, PaddlePaddle zu verwenden, um tiefes Lernen in ihren Produkt- und Serviceanwendungen zu ermöglichen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Richten Sie PaddlePaddle ein und konfigurieren Sie es Richten Sie ein Convolutional Neural Network (CNN) für die Bilderkennung und Objekterkennung ein Richten Sie ein Recurrent Neural Network (RNN) für die Stimmungsanalyse ein Richten Sie Deep Learning auf Empfehlungssystemen ein, damit Benutzer Antworten finden können Klickraten (Click-through-Rate - CTR) vorhersagen, großformatige Bildsätze klassifizieren, optische Zeichenerkennung (OCR) durchführen, Suchanfragen einordnen, Computerviren erkennen und ein Empfehlungssystem implementieren Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| dsstne | Amazon DSSTNE: Build a recommendation system | 7 hours | Amazon DSSTNE ist eine OpenSource-Bibliothek zum Trainieren und Implementieren von Empfehlungsmodellen Damit können Modelle mit Gewichtsmatrizen, die für eine einzelne GPU zu groß sind, auf einem einzelnen Host trainiert werden In diesem instruierten Live-Training lernen die Teilnehmer, wie DSSTNE zum Erstellen einer Empfehlungsanwendung verwendet werden kann Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie ein Empfehlungsmodell mit sparse Datensätzen als Eingabe Skalieren Sie Trainings- und Vorhersagemodelle über mehrere GPUs Verteilen Sie Berechnung und Speicherung modellparallel Generieren Sie amazonike personalisierte Produktempfehlungen Stellen Sie eine produktionsbereite Anwendung bereit, die bei hohen Arbeitslasten skaliert werden kann Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| t2t | T2T: Creating Sequence to Sequence models for generalized learning | 7 hours | Tensor2Tensor (T2T) ist eine modulare, erweiterbare Bibliothek zum Trainieren von KI-Modellen in verschiedenen Aufgaben, wobei verschiedene Arten von Trainingsdaten verwendet werden, z B: Bilderkennung, Übersetzung, Parsing, Bildunterschrift und Spracherkennung Es wird vom Google Brain-Team verwaltet In diesem instruierten Live-Training lernen die Teilnehmer, wie sie ein Deeplearning-Modell vorbereiten können, um mehrere Aufgaben zu lösen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie tensor2tensor, wählen Sie einen Datensatz aus und trainieren und bewerten Sie ein AI-Modell Passen Sie eine Entwicklungsumgebung mit den Tools und Komponenten von Tensor2Tensor an Erstellen und verwenden Sie ein einzelnes Modell, um gleichzeitig eine Reihe von Aufgaben aus mehreren Domänen zu lernen Verwenden Sie das Modell, um aus Aufgaben mit einer großen Menge an Trainingsdaten zu lernen, und wenden Sie dieses Wissen auf Aufgaben an, bei denen Daten begrenzt sind Erzielen Sie zufriedenstellende Verarbeitungsergebnisse mit einer einzelnen GPU Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| embeddingprojector | Embedding Projector: Visualizing your Training Data | 14 hours | Embedding Projector ist eine Open-Source-Webanwendung zur Visualisierung der Daten, die zum Trainieren von maschinellen Lernsystemen verwendet werden Erstellt von Google, ist es ein Teil von TensorFlow Dieses instruierte Live-Training stellt die Konzepte hinter Embedding Projector vor und führt die Teilnehmer durch die Einrichtung eines Demo-Projekts Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erfahren Sie, wie Daten von maschinellen Lernmodellen interpretiert werden Navigieren Sie durch 3D- und 2D-Ansichten von Daten, um zu verstehen, wie ein maschineller Lernalgorithmus sie interpretiert Verstehen Sie die Konzepte hinter Embedding und ihre Rolle bei der Darstellung mathematischer Vektoren für Bilder, Wörter und Zahlen Erkunden Sie die Eigenschaften einer bestimmten Einbettung, um das Verhalten eines Modells zu verstehen Wenden Sie Embedding Project auf reale Anwendungsfälle an, wie zum Beispiel das Erstellen eines Song-Empfehlungssystems für Musikliebhaber Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 hours | OpenFace ist Python und Torch-basierte Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google basiert In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe der OpenFace-Komponenten eine Musteranwendung für die Gesichtserkennung erstellen und bereitstellen können Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Arbeiten Sie mit OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, um Gesichtserkennung, Ausrichtung und Transformation zu implementieren Wenden Sie OpenFace auf Realworld-Anwendungen wie Überwachung, Identitätsüberprüfung, Virtual Reality, Spiele und Identifizierung von Stammkunden usw an Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| pythonadvml | Python for Advanced Machine Learning | 21 hours | In diesem instruierten Live-Training lernen die Teilnehmer die relevantesten und fortschrittlichsten maschinellen Lerntechniken in Python kennen, während sie eine Reihe von Demo-Anwendungen mit Bild-, Musik-, Text- und Finanzdaten erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Implementieren Sie maschinelle Lernalgorithmen und Techniken zur Lösung komplexer Probleme Wenden Sie intensives Lernen und halbüberwachtes Lernen auf Anwendungen mit Bild-, Musik-, Text- und Finanzdaten an Push Python-Algorithmen auf ihr maximales Potenzial Verwenden Sie Bibliotheken und Pakete wie NumPy und Theano Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| radvml | Advanced Machine Learning with R | 21 hours | In diesem instruierten Live-Training erlernen die Teilnehmer fortgeschrittene Techniken für Maschinelles Lernen mit R, während sie eine Realworld-Anwendung erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie Techniken wie Hyperparameter-Tuning und Deep Learning Unüberwachte Lerntechniken verstehen und implementieren Erstellen Sie ein Modell für die Verwendung in einer größeren Anwendung Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| tensorflowserving | TensorFlow Serving | 7 hours | TensorFlow Serving ist ein System, mit dem Machine-Learning-Modelle (ML) in der Produktion eingesetzt werden können In diesem instruierten Live-Training lernen die Teilnehmer, wie sie TensorFlow Serving konfigurieren und einsetzen, um ML-Modelle in einer Produktionsumgebung bereitzustellen und zu verwalten Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren, exportieren und bedienen Sie verschiedene TensorFlow-Modelle Testen und implementieren Sie Algorithmen mithilfe einer einzigen Architektur und einer Reihe von APIs Erweitern Sie TensorFlow Serving, um andere Arten von Modellen als TensorFlow-Modelle zu bedienen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
.jpg)
.jpg)
.jpg)
.png)
.png)
