Online lub na miejscu, prowadzone przez instruktora kursy szkoleniowe na żywo dotyczące sieci neuronowych demonstrują poprzez interaktywną dyskusję i praktyczne ćwiczenia, jak konstruować sieci neuronowe przy użyciu wielu zestawów narzędzi i bibliotek, głównie typu open source, a także jak wykorzystywać moc zaawansowanego sprzętu (GPU ) oraz techniki optymalizacyjne obejmujące przetwarzanie rozproszone i duże zbiory danych. Nasze kursy sieci neuronowych są oparte na popularnych językach programowania, takich jak Python, Java, język R i potężnych bibliotekach, w tym TensorFlow, Torch, Caffe, Theano i innych. Nasze kursy dotyczące sieci neuronowych obejmują zarówno teorię, jak i implementację przy użyciu wielu implementacji sieci neuronowych, takich jak głębokie sieci neuronowe (DNN), konwolucyjne sieci neuronowe (CNN) i rekurencyjne sieci neuronowe (RNN). Szkolenie z sieci neuronowych jest dostępne jako "szkolenie online na żywo" lub "szkolenie na miejscu". Szkolenie na żywo online (inaczej "zdalne szkolenie na żywo") odbywa się za pomocą interaktywnego, zdalnego pulpitu . Szkolenie na żywo na miejscu może odbywać się lokalnie w siedzibie klienta w Wrocław lub w korporacyjnych centrach szkoleniowych NobleProg w Wrocław. NobleProg — Twój lokalny dostawca szkoleń
Wrocław
NobleProg, Ludwika Rydygiera 2a/22, Wroclaw, Polska, 50-249
Lokal znajduje się w samym centrum miasta (vis-à-vis hotelu HP Park Plaza), zaledwie 10 minut spacerem od Rynku, tuż przy ...
Lokal znajduje się w samym centrum miasta (vis-à-vis hotelu HP Park Plaza), zaledwie 10 minut spacerem od Rynku, tuż przy skrzyżowaniu ulic Drobnera i Rydygiera.
Wejście do budynku zlokalizowane jest od strony ulicy Śrutowej, tuż przy skrzyżowaniu z Bolesława Drobnera. Idąc od strony pl. Bema, mijamy po prawej stronie Rossmann i tuż za nim skręcamy w Śrutową - wejście będzie po prawej. Kierując się od pl. Dubois, mijamy po lewej aptekę Ziko oraz Carrefour Express i dochodzimy aż do skrzyżowania z ul. Śrutową - skręcamy w nią, wejście do budynku będzie po prawej stronie.
Sala szkoleniowa znajduje się na drugim piętrze.
Parking
W pobliżu sali szkoleniowej liczba miejsc parkingowych jest ograniczona, nie obowiązuje strefa płatnego parkowania (wzdłuż ulic Rydygiera, Śrutowej i Henryka Brodatego, Bolesława Drobnera). Ul. Ludwika Rydygiera jest jednokierunkowa, wjazd od ul. Bolesława Drobnera. Ul. Śrutowa także jest jednokierunkowa, wjazd od ul. Henryka Brodatego.
Dojazd komunikacją miejską
Jest to 4-dniowy kurs wprowadzający sztuczną inteligencję i jej zastosowanie przy użyciu języka programowania Python. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu;
To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów i analityków danych, którzy chcą nauczyć się podstaw Deep Reinforcement Learning podczas tworzenia agenta Deep Learning.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Zrozumienie kluczowych koncepcji stojących za Deep Reinforcement Learning i umiejętność odróżnienia go od uczenia maszynowego.
Zastosowanie zaawansowanych algorytmów Reinforcement Learning do rozwiązywania rzeczywistych problemów.
Kurs ten został stworzony dla menadżerów, architektów, analityków biznesowych i systemowych, menedżerów oprogramowania oraz wszystkich zainteresowanych przeglądem stosowania sztucznej inteligencji i prognozą dla jej rozwoju.
W tym instruktażowym szkoleniu na żywo omówimy zasady działania sieci neuronowych i wykorzystamy OpenNN do zaimplementowania przykładowej aplikacji.
Format kursu
Wykład i dyskusja połączone z praktycznymi ćwiczeniami.
Kurs obejmuje sztuczną inteligencję (z naciskiem na Machine Learning i głębokie uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystywana w wielu sytuacjach w samochodzie: od prostej automatyzacji, rozpoznawania obrazu po autonomiczne podejmowanie decyzji.
Sztuczna sieć neuronowa to obliczeniowy model danych wykorzystywany w rozwoju systemów sztucznej inteligencji (AI) zdolnych do wykonywania "inteligentnych" zadań. Sztuczne sieci neuronowe Neural Networks są powszechnie stosowane w aplikacjach uczenia maszynowego (ML), które same w sobie są jedną z implementacji sztucznej inteligencji. Deep Learning jest podzbiorem ML.
Jest to 4-dniowy kurs wprowadzający w sztuczną inteligencję i jej zastosowanie. Istnieje możliwość dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu;
Ten kurs szkoleniowy jest przeznaczony dla osób, które chciałyby zastosować Machine Learning w praktycznych zastosowaniach.
Publiczność
Ten kurs jest przeznaczony dla naukowców zajmujących się danymi i statystyków, którzy mają pewne obycie ze statystyką i wiedzą, jak programować R (lub Python lub inny wybrany język). Kurs kładzie nacisk na praktyczne aspekty przygotowania danych/modeli, wykonania, analizy post hoc i wizualizacji.
Celem jest przedstawienie praktycznych zastosowań Machine Learning uczestnikom zainteresowanym zastosowaniem metod w pracy.
Aby szkolenie było odpowiednie dla odbiorców, wykorzystywane są przykłady specyficzne dla branży.
Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla naukowców i programistów, którzy chcą używać Chainer do budowania i trenowania sieci neuronowych w Python, jednocześnie ułatwiając debugowanie kodu.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Ustawienie środowiska programistycznego niezbędnego do rozpoczęcia tworzenia modeli sieci neuronowych.
Definiowanie i wdrażanie modeli sieci neuronowych przy użyciu zrozumiałego kodu źródłowego.
Wykonaj przykłady i zmodyfikuj istniejące algorytmy, aby zoptymalizować modele szkoleniowe głębokiego uczenia się, jednocześnie wykorzystując GPU w celu uzyskania wysokiej wydajności.
Ten prowadzony przez instruktora kurs na żywo stanowi wprowadzenie do dziedziny rozpoznawania wzorców i uczenia maszynowego. Porusza praktyczne zastosowania w statystyce, informatyce, przetwarzaniu sygnałów, wizji komputerowej, eksploracji danych i bioinformatyce.
Kurs jest interaktywny i obejmuje wiele praktycznych ćwiczeń, informacje zwrotne od instruktora oraz testowanie zdobytej wiedzy i umiejętności.
Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej ze studentami na Lasagne lub Keras w zależności od grupy dydaktycznej.
Metoda nauczania: prezentacja, dyskusja i studia przypadków
Sztuczna inteligencja zrewolucjonizowała wiele dziedzin nauki, a obecnie zaczyna rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od realiów domen Machine Learning i Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy już opanowali narzędzia informatyczne (w tym podstawową wiedzę na temat programowania oprogramowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych istniejących obecnie architektur sieciowych. Chociaż podstawy matematyczne są przywoływane podczas kursu, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. Całkowicie możliwe jest pominięcie matematyki w celu zachowania jedynie wizji "systemów", ale takie podejście znacznie ograniczy zrozumienie tematu.
To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą dowiedzieć się o zastosowaniu sztucznej inteligencji w systemach mechatronicznych.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Poznanie zagadnień związanych ze sztuczną inteligencją, uczeniem maszynowym i inteligencją obliczeniową.
Zrozumienie koncepcji sieci neuronowych i różnych metod uczenia się.
Wybieranie skutecznych metod sztucznej inteligencji dla rzeczywistych problemów.
Wdrażanie aplikacji sztucznej inteligencji w inżynierii mechatronicznej.
Ten kurs zapewni Ci wiedzę na temat sieci neuronowych i ogólnie na temat algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).To szkolenie skupia się bardziej na podstawach, ale pomoże Ci wybrać odpowiednią technologię: TensorFlow, Caffe, Teano, DeepDrive, Keras itp. Przykłady znajdują się w TensorFlow.
Ta sesja szkoleniowa w klasie będzie zawierać prezentacje i przykłady komputerowe oraz ćwiczenia studium przypadku do wykonania z odpowiednimi bibliotekami sieci neuronowych i sieci głębokich
PaddlePaddle (PArallel Distributed Deep LEarning) to skalowalna platforma głębokiego uczenia opracowana przez Baidu.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z PaddlePaddle, aby umożliwić głębokie uczenie się w swoich aplikacjach produktowych i usługowych.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Konfiguracja i konfiguracja PaddlePaddle
Konfigurowanie konwolucyjnej sieci neuronowej (CNN) do rozpoznawania obrazów i wykrywania obiektów
Konfigurowanie rekurencyjnej sieci neuronowej (RNN) do analizy nastrojów
Skonfiguruj głębokie uczenie w systemach rekomendacji, aby pomóc użytkownikom znaleźć odpowiedzi
Przewidywać współczynniki klikalności (CTR), klasyfikować zestawy obrazów na dużą skalę, wykonywać optyczne rozpoznawanie znaków (OCR), szeregować wyszukiwania, wykrywać wirusy komputerowe i wdrażać system rekomendacji.
Publiczność
Programiści
Naukowcy zajmujący się danymi
Format kursu
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
To prowadzone przez instruktora szkolenie na żywo w Wrocław (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą używać Python do tworzenia systemów rekomendacji.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
Tworzenie systemów rekomendujących na dużą skalę.
Zastosowanie filtrowania kolaboracyjnego do tworzenia systemów rekomendujących.
Używanie Apache Spark do obliczania systemów rekomendacji w klastrach.
Zbuduj strukturę do testowania algorytmów rekomendacji za pomocą Python.
W tym instruktażowym szkoleniu na żywo w Wrocław uczestnicy dowiedzą się, jak wykorzystać innowacje w procesorach TPU, aby zmaksymalizować wydajność własnych aplikacji AI.
Po zakończeniu szkolenia uczestnicy będą w stanie
Trenowanie różnych typów sieci neuronowych na dużych ilościach danych.
Użycie procesorów TPU do przyspieszenia procesu wnioskowania nawet o dwa rzędy wielkości.
Użyj TPU do przetwarzania intensywnych aplikacji, takich jak wyszukiwanie obrazów, widzenie w chmurze i zdjęcia.
Ten kurs rozpoczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych i ogólnie algorytmów uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).
Część 1 (40%) tego szkolenia koncentruje się bardziej na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow, Caffe, Theano, DeepDrive, Keras itp.
Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia się.
Część trzecia (40%) szkolenia będzie w znacznym stopniu oparta na Tensorflow - API drugiej generacji otwartej biblioteki oprogramowania Google do uczenia głębokiego. Przykłady i ćwiczenia zostaną wykonane w TensorFlow.
Publiczność
Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow w swoich projektach Deep Learning
Po ukończeniu tego kursu uczestnicy będą
dobrze rozumie głębokie sieci neuronowe (DNN), CNN i RNN
rozumieć TensorFlow’ strukturę i mechanizmy wdrażania
być w stanie wykonać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie
Więcej...
Last Updated:
Opinie uczestników (8)
Świetny kontakt z uczestnikami, wiedza praktyczna co bardzo się ceni. Dostosowanie toku / tempa. Duuuży plus, mega pozytywny instruktor, aż szkoda że szkolenie trwało tylko 2 dni.
Marcin Mikielewicz - TECNOBIT SLU
Szkolenie - Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)
Maggie Webb - Department of Jobs, Regions, and Precincts
Szkolenie - Introduction to the use of neural networks
Tematyka DL nie jest mi obca, udało się poznac kilka optymalizacyjnych smaczków.
Marcin Staśko - LG Energy Solution Wrocław Sp. z o.o.
Szkolenie - Understanding Deep Neural Networks
That it was applying real company data.
Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Szkolenie - Applied AI from Scratch in Python
dużo ćwiczeń, które bezpośrednio mogę wykorzystać w mojej pracy
Alior Bank S.A.
Szkolenie - Sieci Neuronowe w R
Trener bardzo zrozumiale wytłumaczył trudne i zaawansowane tematy.
Leszek K
Szkolenie - Artificial Intelligence Overview
I liked the opportunities to ask questions and get more in depth explanations of the theory.
Sharon Ruane
Szkolenie - Neural Networks Fundamentals using TensorFlow as Example