Lokale, instruktorierte Live-Deep-Learning (DL) -Trainings demonstrieren durch praktische Übungen die Grundlagen und Anwendungen von Deep Learning und decken Themen wie tiefes maschinelles Lernen, tiefgründiges strukturiertes Lernen und hierarchisches Lernen ab Deep Learning Training ist als "Live-Training vor Ort" oder "Remote-Live-Training" verfügbar Onsite Live Training kann vor Ort bei Kunden durchgeführt werden Schweiz oder in NobleProg Corporate Trainingszentren in Schweiz Remote-Live-Training wird über einen interaktiven Remote-Desktop durchgeführt NobleProg Ihr lokaler Trainingsanbieter.

Erfahrungsberichte

★★★★★

Es war sehr interaktiv und entspannter und informeller als erwartet. Wir haben in der Zeit viele Themen behandelt und der Trainer war immer offen dafür, im Detail oder allgemeiner über die Themen und ihre Zusammenhänge zu sprechen. Ich denke, das Training hat mir die Werkzeuge gegeben, um weiter zu lernen, im Gegensatz zu einer einmaligen Sitzung, in der das Lernen nach dem Abschluss aufhört, was angesichts des Umfangs und der Komplexität des Themas sehr wichtig ist.

Jonathan Blease

Course: Artificial Neural Networks, Machine Learning, Deep Thinking

Translated by

Das Thema ist sehr interessant.

Wojciech Baranowski

Course: Introduction to Deep Learning

Translated by

Trainer theoretische Kenntnisse und Bereitschaft, die Probleme mit den Teilnehmern nach dem Training zu lösen.

Grzegorz Mianowski

Course: Introduction to Deep Learning

Translated by

Thema. Sehr interessant!.

Piotr

Course: Introduction to Deep Learning

Translated by

Übungen nach jedem Thema waren sehr hilfreich, obwohl es am Ende zu kompliziert war. Im Allgemeinen war das präsentierte Material sehr interessant und interessant! Übungen mit Bilderkennung waren großartig.

Dolby Poland Sp. z o.o.

Course: Introduction to Deep Learning

Translated by

Ich denke, wenn das Training auf Polnisch gemacht würde, würde es dem Trainer erlauben, sein Wissen effizienter zu teilen.

Radek

Course: Introduction to Deep Learning

Translated by

Der globale Überblick über Deep Learning.

Bruno Charbonnier

Course: Advanced Deep Learning

Translated by

Die Übungen sind ausreichend praktisch und erfordern keine hohen Kenntnisse in Python.

Alexandre GIRARD

Course: Advanced Deep Learning

Translated by

Übungen an echten Beispielen mit Eras. Italien hat unsere Erwartungen an dieses Training vollkommen verstanden.

Paul Kassis

Course: Advanced Deep Learning

Translated by

Das Thema. Es schien interessant, aber ich verließ nicht viel mehr als vorher.

Radoslaw Labedzki

Course: Introduction to Deep Learning

Translated by

Mir hat gefallen, dass dieser Kurs ein sehr interessantes Thema hatte.

Wojciech Wilk

Course: Introduction to Deep Learning

Translated by

Ich habe die kristallklaren Antworten von Chris auf unsere Fragen sehr geschätzt.

Léo Dubus

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Ich genoss im Allgemeinen den sachkundigen Trainer.

Sridhar Voorakkara

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Ich war erstaunt über den Standard dieser Klasse - ich würde sagen, dass es Universitätsstandard war.

David Relihan

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Sehr gute Rundum-Übersicht. Ein guter Hintergrund, warum Tensorflow so funktioniert.

Kieran Conboy

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Ich mochte die Gelegenheiten, Fragen zu stellen und tiefergehende Erklärungen der Theorie zu bekommen.

Sharon Ruane

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Wir haben viel mehr Einblick in das Thema bekommen. Mit einigen echten Themen in unserem Unternehmen wurde eine nette Diskussion geführt.

Sebastiaan Holman

Course: Machine Learning and Deep Learning

Translated by

Das Training bot die richtige Grundlage, um weiter zu expandieren, indem wir zeigen, wie Theorie und Praxis Hand in Hand gehen. Es hat mich mehr an dem Thema interessiert als zuvor.

Jean-Paul van Tillo

Course: Machine Learning and Deep Learning

Translated by

Ich habe die Berichterstattung und Tiefe der Themen sehr genossen.

Anirban Basu

Course: Machine Learning and Deep Learning

Translated by

Das tiefe Wissen des Trainers über das Thema.

Sebastian Görg

Course: Introduction to Deep Learning

Translated by

Sehr aktualisierter Ansatz oder CPI (Tensor Flow, Ära, lernen), um maschinelles Lernen zu tun.

Paul Lee

Course: TensorFlow for Image Recognition

Translated by

Sehr flexibel.

Frank Ueltzhöffer

Course: Artificial Neural Networks, Machine Learning and Deep Thinking

Translated by

Ich habe generell die Flexibilität genossen.

Werner Philipp

Course: Artificial Neural Networks, Machine Learning and Deep Thinking

Translated by

Voraussichtlicher Stand der Technologie: Welche Technologie / Prozess könnte in Zukunft wichtiger werden? sehen Sie, wofür die Technologie verwendet werden kann.

Commerzbank AG

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Ich habe von der Themenauswahl profitiert. Art des Trainings. Praxisorientierung.

Commerzbank AG

Course: Neural Networks Fundamentals using TensorFlow as Example

Translated by

Art und Weise des Leitens und des Beispiels, das vom Trainer gegeben wird

ORANGE POLSKA S.A.

Course: Machine Learning and Deep Learning

Translated by

Möglichkeit, die vorgeschlagenen Themen selbst zu diskutieren

ORANGE POLSKA S.A.

Course: Machine Learning and Deep Learning

Translated by

Kommunikation mit Dozenten

文欣张

Course: Artificial Neural Networks, Machine Learning, Deep Thinking

Translated by

Gefällt mir

lisa xie

Course: Artificial Neural Networks, Machine Learning, Deep Thinking

Translated by

Vertiefte Darstellung von Themen des maschinellen Lernens, insbesondere neuronaler Netze. Entmystifizierte viel von dem Thema.

Sacha Nandlall

Course: Python for Advanced Machine Learning

Translated by

Großes und aktuelles Wissen über führende und praktische Anwendungsbeispiele.

ING Bank Śląski S.A.

Course: Introduction to Deep Learning

Translated by

Viele Übungen, sehr gute Zusammenarbeit mit der Gruppe.

Janusz Chrobot - ING Bank Śląski S.A.

Course: Introduction to Deep Learning

Translated by

Arbeit an Kolaboratoren,

ING Bank Śląski S.A.

Course: Introduction to Deep Learning

Translated by

Es war offensichtlich, dass die Enthusiasten der präsentierten Themen führend waren. Benutzte interessante Beispiele während des Trainings.

ING Bank Śląski S.A.

Course: Introduction to Deep Learning

Translated by

Eine breite Palette von Themen abgedeckt und umfangreiches Wissen der Führungskräfte.

ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Mangel

ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Großes theoretisches und praktisches Wissen der Dozenten. Kommunikativität von Trainern. Während des Kurses können Sie Fragen stellen und zufriedenstellende Antworten erhalten.

Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Praktischer Teil, bei dem wir Algorithmen implementiert haben. Dies ermöglichte ein besseres Verständnis des Themas.

ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Übungen und Beispiele auf ihnen implementiert

Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Beispiele und diskutierte Themen.

ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Substanzielles Wissen, Engagement, eine leidenschaftliche Art Wissen zu vermitteln. Praktische Beispiele nach einem theoretischen Vortrag.

Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Praktische Übungen von Herrn Maciej

ING Bank Śląski S.A.; Kamil Kurek Programowanie

Course: Understanding Deep Neural Networks

Translated by

Ich habe von der Leidenschaft zum Lehren profitiert und mich darauf konzentriert, Dinge sinnvoll zu machen.

Zaher Sharifi - GOSI

Course: Advanced Deep Learning

Translated by

Deep Learning Unterkategorien

Deep Learning Kurspläne

Title

Duration

Overview

Title

Duration

Overview

Artificial Intelligence in Automotive

14 hours

Overview

Dieser Kurs behandelt KI (Schwerpunkt Maschinelles Lernen und Deep Learning) in der Automobilindustrie Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomer Entscheidungsfindung .

Advanced Machine Learning with R

21 hours

Overview

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 .

Machine Learning and Deep Learning

21 hours

Overview

Dieser Kurs umfasst KI (Schwerpunkt Maschinelles Lernen und Deep Learning) .

Neural Networks Fundamentals using TensorFlow as Example

28 hours

Overview

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 .

Neural computing – Data science

14 hours

Overview

Diese Schulungssitzung im Klassenzimmer enthält Präsentationen und computerbasierte Beispiele sowie Fallstudienübungen, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden .

OpenFace: Creating Facial Recognition Systems

14 hours

Overview

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 .

OpenNMT: Setting Up a Neural Machine Translation System

7 hours

Overview

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 .

OpenNN: Implementing Neural Networks

14 hours

Overview

OpenNN ist eine in C ++ geschriebene Open-Source-Klassenbibliothek, die neuronale Netzwerke für maschinelles 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, begleitet von praktischen Übungen.

PaddlePaddle

21 hours

Overview

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 .

Python for Advanced Machine Learning

21 hours

Overview

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 .

Mastering Apache SINGA

21 hours

Overview

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 .

Matlab for Deep Learning

14 hours

Overview

In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mit Matlab ein konvolutionelles neuronales Netzwerk für die Bilderkennung entwerfen, aufbauen und visualisieren können Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erstellen Sie ein tiefes Lernmodell Automatisieren Sie die Datenbeschriftung Arbeiten Sie mit Modellen von Caffe und TensorFlowKeras Trainieren Sie Daten mit mehreren GPUs, der Cloud oder den Clustern Publikum Entwickler Ingenieure Domain-Experten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

T2T: Creating Sequence to Sequence Models for Generalized Learning

7 hours

Overview

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 .

TensorFlow Serving

7 hours

Overview

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 .

Deep Learning with TensorFlow

21 hours

Overview

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 .

TensorFlow for Image Recognition

28 hours

Overview

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 .

Torch: Getting started with Machine and Deep Learning

21 hours

Overview

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 .

TPU Programming: Building Neural Network Applications on Tensor Processing Units

7 hours

Overview

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 .

Natural Language Processing with TensorFlow

35 hours

Overview

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 .

Understanding Deep Neural Networks

35 hours

Overview

Dieser Kurs beginnt mit konzeptuellem Wissen in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Teil 1 (40%) dieses Trainings konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras usw Teil 2 (20%) dieser Schulung stellt Theano eine Python-Bibliothek vor, die das Schreiben von Deep-Learning-Modellen erleichtert Teil 3 (40%) des Trainings würde weitgehend auf der Tensorflow 2nd Generation API der Open-Source-Software-Bibliothek von Google für Deep Learning basieren Die Beispiele und Handsons würden alle in TensorFlow gemacht werden Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning-Projekte einsetzen möchten Nach Abschluss dieses Kurses werden die Delegierten: habe ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN 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 Aufgrund der Weite des Themas würden nicht alle Themen in einem öffentlichen Klassenzimmer mit einer Dauer von 35 Stunden behandelt Die Dauer des gesamten Kurses beträgt ca 70 Stunden und nicht 35 Stunden .

Microsoft Cognitive Toolkit 2.x

21 hours

Overview

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 .

Introduction Deep Learning & Neural Networks for Engineers

21 hours

Overview

Typ: Theoretische Ausbildung mit Bewerbungen, die mit den Studenten auf Lasagne oder Keras nach der pädagogischen Gruppe flussaufwärts entschieden wurden Lehrmethode: Präsentation, Austausch und Fallstudien Künstliche Intelligenz, nachdem sie viele wissenschaftliche Felder zerstört hatte, revolutionierte eine große Anzahl von Wirtschaftszweigen (Industrie, Medizin, Kommunikation usw) Dennoch ist seine Präsentation in den großen Medien oft eine Fantasie, sehr weit entfernt von den Bereichen, in denen maschinelles Lernen oder tiefes Lernen tatsächlich stattfindet Das Ziel dieser Schulung ist es, Ingenieuren, die bereits Computerwerkzeuge beherrschen (einschließlich einer Software-Programmierbasis), eine Einführung in Deep Learning und seine verschiedenen Spezialisierungsbereiche und damit zu den wichtigsten existierenden Netzwerkarchitekturen zu geben heute Wenn die mathematischen Grundlagen während des Kurses abgerufen werden, wird ein Niveau der Mathematik des Typs BAC + 2 für mehr Komfort empfohlen Es ist absolut möglich, die mathematische Achse zu überspringen, um nur eine "System" -Vision zu behalten, aber dieser Ansatz wird Ihr Verständnis des Themas enorm einschränken .

Artificial Neural Networks, Machine Learning, Deep Thinking

21 hours

Overview

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.

Deep Learning for Finance (with R)

28 hours

Overview

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 R ist eine populäre Programmiersprache in der Finanzindustrie Es wird in Finanzanwendungen verwendet, die von Kernhandelsprogrammen bis zu Risikomanagementsystemen reichen In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von R Deep Learning-Modelle für das Finanzwesen implementieren können, während sie die Erstellung eines Deep Learning-Kursmodells für die Kursentwicklung durchlaufen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verstehen Sie die grundlegenden Konzepte des Deep Learning Lernen Sie die Anwendungen und Anwendungen von Deep Learning im Finanzwesen Verwenden Sie R, um Deep Learning-Modelle für das Finanzwesen zu erstellen Erstellen Sie ein eigenes Deep-Learning-Kurs-Vorhersage-Modell mit R Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

Applied AI from Scratch

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.

Artificial Neural Networks, Machine Learning and Deep Thinking

21 hours

Overview

Deep Learning for Vision with Caffe

21 hours

Overview

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 .

Introduction to Deep Learning

21 hours

Overview

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.

Mastering Deeplearning4j

21 hours

Overview

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: .

DeepLearning4J for Image Recognition

21 hours

Overview

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 .

Zukünftige Deep Learning Kurse

Deep Learning for Banking (with R)

2019-05-21 09:30:00

Zürich

Fernkurs

5000EUR

Schulungsraum

5800EUR

Deep Learning for Banking (with R)

2019-07-16 09:30:00

Basel

Fernkurs

5000EUR

Schulungsraum

5800EUR

Deep Learning for Banking (with R)

2019-09-02 09:30:00

Zürich

Fernkurs

5000EUR

Schulungsraum

5800EUR

Deep Learning for Banking (with R)

2019-09-16 09:30:00

Basel

Fernkurs

5000EUR

Schulungsraum

5800EUR

Deep Learning for Banking (with R)

2019-10-29 09:30:00

Zürich

Fernkurs

5000EUR

Schulungsraum

5800EUR

Other regions

Zürich Bern Basel

Other countries

These courses are also available in other countries ››

Consulting

Deep Learning Consulting

Deep Learning Schulung, Deep Learning boot camp, Deep Learning Abendkurse, Deep Learning Wochenendkurse, Deep Learning Kurs, Deep Learning Training, Deep Learning Seminar, Deep Learning Seminare, Deep Learning Privatkurs, Deep Learning Coaching, Deep Learning Lehrer