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.

Machine Translated

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

Machine Translated

Das Thema ist sehr interessant.

Wojciech Baranowski

Course: Introduction to Deep Learning

Machine Translated

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

Grzegorz Mianowski

Course: Introduction to Deep Learning

Machine Translated

Thema. Sehr interessant!.

Piotr

Course: Introduction to Deep Learning

Machine Translated

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

Machine Translated

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

Machine Translated

Der globale Überblick über Deep Learning.

Bruno Charbonnier

Course: Advanced Deep Learning

Machine Translated

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

Alexandre GIRARD

Course: Advanced Deep Learning

Machine Translated

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

Paul Kassis

Course: Advanced Deep Learning

Machine Translated

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

Radoslaw Labedzki

Course: Introduction to Deep Learning

Machine Translated

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

Wojciech Wilk

Course: Introduction to Deep Learning

Machine Translated

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

Léo Dubus

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Ich genoss im Allgemeinen den sachkundigen Trainer.

Sridhar Voorakkara

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

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

Machine Translated

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

Kieran Conboy

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

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

Sharon Ruane

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

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

Machine Translated

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

Machine Translated

Ich habe die Berichterstattung und Tiefe der Themen sehr genossen.

Anirban Basu

Course: Machine Learning and Deep Learning

Machine Translated

Das tiefe Wissen des Trainers über das Thema.

Sebastian Görg

Course: Introduction to Deep Learning

Machine Translated

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

Paul Lee

Course: TensorFlow for Image Recognition

Machine Translated

Sehr flexibel.

Frank Ueltzhöffer

Course: Artificial Neural Networks, Machine Learning and Deep Thinking

Machine Translated

Ich habe generell die Flexibilität genossen.

Werner Philipp

Course: Artificial Neural Networks, Machine Learning and Deep Thinking

Machine Translated

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

Machine Translated

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

Commerzbank AG

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

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

Sacha Nandlall

Course: Python for Advanced Machine Learning

Machine Translated

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

Zaher Sharifi - GOSI

Course: Advanced Deep Learning

Machine Translated

Personalausweis und Leiterplattenminderkennung

王春柱 - 中移物联网

Course: Deep Learning for NLP (Natural Language Processing)

Machine Translated

beweisen

中移物联网

Course: Deep Learning for NLP (Natural Language Processing)

Machine Translated

Über Gesichtsbereich.

中移物联网

Course: Deep Learning for NLP (Natural Language Processing)

Machine Translated

Der informelle Austausch, den wir während der Vorträge hatten, hat mir wirklich geholfen, mein Verständnis für das Thema zu vertiefen.

Explore

Course: Deep Reinforcement Learning with Python

Machine Translated

Viele praktische Tipps

Pawel Dawidowski - ABB Sp. z o.o.

Course: Deep Learning with TensorFlow

Machine Translated

Viele Informationen rund um die Umsetzung von Lösungen

Michał Smolana - ABB Sp. z o.o.

Course: Deep Learning with TensorFlow

Machine Translated

Eine Vielzahl von praktischen Tipps und Kenntnissen des Dozenten aus einer Vielzahl von AI / IT / SQL / IoT-Themen.

ABB Sp. z o.o.

Course: Deep Learning with TensorFlow

Machine Translated

DL (Deep Learning) Unterkategorien

DL (Deep Learning) Kurspläne

Title

Duration

Overview

Title

Duration

Overview

Artificial Intelligence in Automotive

14 hours

Overview

Dieser Kurs behandelt KI (mit Schwerpunkt auf Machine Learning und Deep Learning ) in der Automotive . Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto eingesetzt werden kann: von der einfachen Automatisierung über die Bilderkennung bis hin zur autonomen Entscheidungsfindung.

Deep Learning for Self Driving Cars

21 hours

Overview

Machine Learning and Deep Learning

21 hours

Overview

Dieser Kurs befasst sich mit KI (Schwerpunkt Machine Learning und Deep Learning )

Neural Networks Fundamentals using TensorFlow as Example

28 hours

Overview

Dieser Kurs vermittelt Kenntnisse in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen).

Diese Schulung konzentriert sich mehr auf die Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Teano, DeepDrive, Keras usw. Die Beispiele wurden in TensorFlow .

Neural computing – Data science

14 hours

Overview

Diese auf Klassenräumen basierende Schulungssitzung enthält Präsentationen und computergestützte Beispiele sowie Fallstudien, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden sollen

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

In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie OpenNMT eingerichtet und verwendet OpenNMT , um die Übersetzung verschiedener Beispieldatensätze durchzuführen. Der Kurs beginnt mit einem Überblick über neuronale Netze, wie sie für die maschinelle Übersetzung gelten. Die Teilnehmer führen während des gesamten Kurses Live-Übungen durch, um ihr Verständnis der erlernten Konzepte zu demonstrieren und Feedback vom Kursleiter zu erhalten.

Am Ende dieser Schulung verfügen die Teilnehmer über das Wissen und die Praxis, um eine Live- OpenNMT Lösung zu implementieren.

Quell- und Zielsprachenbeispiele werden nach den Anforderungen des Publikums vorbestellt.

Format des Kurses

- Teilvorlesung, Teildiskussion, viel 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 .

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 .

Mastering Apache SINGA

21 hours

Overview

SINGA ist eine allgemeine verteilte Deep-Learning-Plattform zum Trainieren großer Deep-Learning-Modelle über große Datenmengen. Es wurde mit einem intuitiven Programmiermodell entwickelt, das auf der Ebenenabstraktion basiert. Es wird eine Vielzahl gängiger Deep-Learning-Modelle unterstützt, darunter Feed-Forward-Modelle, einschließlich faltungsbezogener neuronaler Netze (CNN), Energiemodelle wie der eingeschränkten Boltzmann-Maschine (RBM) und wiederkehrender neuronaler Netze (RNN). Viele integrierte Ebenen werden für Benutzer bereitgestellt. Die SINGA-Architektur ist flexibel genug, um synchrone, asynchrone und hybride Trainings-Frameworks auszuführen. SINGA unterstützt auch verschiedene Partitionierungsschemata für neuronale Netze, um das Training großer Modelle zu parallelisieren, nämlich Partitionierung nach Batch-Dimension, Feature-Dimension oder Hybrid-Partitionierung.

Publikum

Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Apache SINGA als Deep-Learning-Framework einsetzen Apache SINGA .

Nach Abschluss dieses Kurses werden die Teilnehmer:

- Verstehen der Struktur und der Bereitstellungsmechanismen von SINGA
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren

Matlab for Deep Learning

14 hours

Overview

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 .

Deep Learning with TensorFlow 2.0

21 hours

Overview

TensorFlow ist eine beliebte und maschinelles Lernen Bibliothek entwickelt von Go Ogle für tiefe Lernen, numerische Berechnung und Groß maschinellen Lernen. TensorFlow 2.0, veröffentlicht im Januar 2019, ist die neueste Version von TensorFlow und enthält Verbesserungen in TensorFlow auf eifrige Ausführung, Kompatibilität und API-Konsistenz.

Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.0 verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netzwerke usw. zu erstellen.

Am Ende dieser Schulung können die Teilnehmer:

- Installieren und konfigurieren Sie TensorFlow 2.0.
- Verstehen Sie die Vorteile von TensorFlow 2.0 gegenüber früheren Versionen.
- Bauen Sie Deep-Learning-Modelle auf.
- Implementieren Sie einen erweiterten Bildklassifikator.
- Stellen Sie ein Deep-Learning-Modell für Cloud-, Mobil- und IoT-Geräte bereit.

Format des Kurses

- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.

Anpassungsoptionen für den Kurs

- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
- Um mehr über TensorFlow zu erfahren, besuchen Sie bitte: https://www.tensorflow.org/

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 Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Das System wurde entwickelt, um die Forschung im Bereich maschinelles Lernen zu vereinfachen 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 TensorFlow

Nach Abschluss dieses Kurses werden die Teilnehmer:

- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren

TensorFlow for Image Recognition

28 hours

Overview

In diesem Kurs wird anhand konkreter Beispiele die Anwendung von Tensor Flow zur Bilderkennung erläutert

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen TensorFlow

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

- Struktur und Einsatzmechanismen von TensorFlow verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren

Torch for Machine and Deep Learning

21 hours

Overview

Torch ist eine Open-Source-Bibliothek für maschinelles Lernen und ein wissenschaftliches Computer-Framework, das auf der Programmiersprache Lua basiert. Es bietet eine Entwicklungsumgebung für Numerik, maschinelles Lernen und Computer Vision mit besonderem Schwerpunkt auf Deep Learning und Faltungsnetzen. Es ist eine der schnellsten und flexibelsten Rahmenbedingungen für die Maschine und Deep Learning und wird von Unternehmen wie verwendet Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel, und viele andere.

In diesem von Lehrern geführten Live-Training werden die Prinzipien von Torch , seine einzigartigen Funktionen und seine Anwendung in realen Anwendungen erläutert. Wir führen durch zahlreiche praktische Übungen, demonstrieren und üben die erlernten Konzepte.

Am Ende des Kurses werden die Teilnehmer ein umfassendes Verständnis der zugrunde liegenden Funktionen und Fähigkeiten von Torch sowie seiner Rolle und seines Beitrags im KI-Raum im Vergleich zu anderen Frameworks und Bibliotheken haben. Die Teilnehmer haben auch die notwendige Übung erhalten, um Torch in ihren eigenen Projekten zu implementieren.

Format des Kurses

- Überblick über maschinelles und Deep Learning
- Codierungs- und Integrationsübungen in der Klasse
- Testfragen wurden auf dem Weg verteilt, 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 die numerische Berechnung mithilfe von Datenflussdiagrammen.

SyntaxNet ist ein Framework für die Verarbeitung natürlicher Sprachen in einem neuronalen Netzwerk für TensorFlow .

Word 2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die als "Worteinbettungen" bezeichnet werden. Word 2vec ist ein besonders recheneffizientes Vorhersagemodell zum Lernen von Worteinbettungen aus Rohtext. Es gibt zwei Varianten: das Continuous Bag-of- Word Modell (CBOW) und das Skip-Gram-Modell (Kapitel 3.1 und 3.2 in Mikolov et al.).

In Kombination mit SyntaxNet und Word 2Vec können Benutzer gelernte Einbettungsmodelle aus Eingaben in natürlicher Sprache generieren.

Publikum

Dieser Kurs richtet sich an Entwickler und Ingenieure, die beabsichtigen, mit SyntaxNet- und Word 2Vec-Modellen in ihren TensorFlow Diagrammen zu arbeiten.

Nach Abschluss dieses Kurses werden die Teilnehmer:

- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren

Understanding Deep Neural Networks

35 hours

Overview

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 .

Deep Learning with Keras

21 hours

Overview

Keras ist eine hochrangige neuronale Netzwerk-API für schnelle Entwicklung und Experimente. Es verläuft auf TensorFlow, CNTK oder Theano

.

Diese von Lehrern geleitete Live-Ausbildung (vor Ort oder Fernbedienung) richtet sich an technische Personen, die ein tiefes Lernmodell für die Bilderkennung anwenden

möchten.

Am Ende dieses Trainings können die Teilnehmer:

- installieren und Keras konfigurieren.
- schnell Prototypen-Tiefenlernmodelle
. - Umsetzung eines Konvolutions-Netzwerks.
- ein wiederkehrendes Netzwerk
implementieren. - Führe ein tiefgreifendes Lernmodell sowohl auf einer CPU als auch auf GPU
aus.

Format der

- interaktiven Vortrag und Diskussion
. - Viele Übungen und Übungen
. - Hands-on-Umsetzung in einem Live-Labor-Umfeld
.

- Um ein maßgeschneidertes Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um
zu arrangieren. - Um mehr über Keras zu erfahren, besuchen Sie bitte: https://keras.io/

Artificial Neural Networks, Machine Learning, Deep Thinking

21 hours

Overview

Das künstliche neuronale Netz ist ein Computerdatenmodell, das bei der Entwicklung von Artificial Intelligence (AI) Systemen Artificial Intelligence (AI) verwendet wird, die "intelligente" Aufgaben ausführen können. Neural Networks werden häufig in ML-Anwendungen ( Machine Learning ) verwendet, bei denen es sich um eine Implementierung von AI handelt. Deep Learning ist eine Teilmenge von ML.

Deep Learning for Banking (with Python)

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 Python ist eine Programmiersprache auf hohem Niveau, die für ihre klare Syntax und Lesbarkeit des Codes bekannt ist In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Python tiefe Lernmodelle für das Bankwesen implementieren, während sie ein kreatives Kreditrisiko-Modell entwickeln 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 Banking kennen Verwenden Sie Python, Keras und TensorFlow, um Deep-Learning-Modelle für das Banking zu erstellen Erstellen Sie mit Python ein eigenes Deep-Learning-Kreditrisikomodell 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 umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt.

In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert

Publikum

Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe .

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

- die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung

Introduction to Deep Learning

21 hours

Overview

Dieser Kurs bietet einen allgemeinen Überblick über Deep Learning ohne auf bestimmte Methoden einzugehen. Es eignet sich für Personen, die Deep Learning verwenden möchten, um die Genauigkeit der Vorhersage zu verbessern.

Zukünftige Deep Learning (DL) Kurse

Applied AI from Scratch

2019-09-10 09:30:00

Bern

Fernkurs

4000EUR

Schulungsraum

5200EUR

Deep Learning for NLP (Natural Language Processing)

2019-09-10 09:30:00

Bern

Fernkurs

5000EUR

Schulungsraum

6200EUR

Embedding Projector: Visualizing Your Training Data

2019-09-11 09:30:00

Basel

Fernkurs

2000EUR

Schulungsraum

2700EUR

Deep Learning for NLP (Natural Language Processing)

2019-09-16 09:30:00

Basel

Fernkurs

5000EUR

Schulungsraum

6200EUR

Embedding Projector: Visualizing Your Training Data

2019-09-18 09:30:00

Zürich

Fernkurs

2000EUR

Schulungsraum

2700EUR

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, DL (Deep Learning) Wochenendkurse, DL (Deep Learning) Kurs, Deep Learning Training, DL (Deep Learning) Seminar, Deep Learning (DL) Seminare, Deep Learning (DL) Privatkurs, DL (Deep Learning) Coaching, Deep Learning Lehrer