
Praktyczne szkolenia na żywo z Deep Learning (DL) demonstrują poprzez dyskusję i ćwiczenia zagadnienia Deep Learning i obejmują tematy takie jak: głębokie uczenie maszynowe, głębokie ustrukturyzowane uczenie się i hierarchiczna nauka. Szkolenie Deep Learning jest dostępne jako "szkolenie stacjonarne" lub "szkolenie online na żywo".
Szkolenie stacjonarne może odbywać się lokalnie w siedzibie klienta w Polsce lub w ośrodkach szkoleniowych NobleProg w Polsce. Zdalne szkolenie online odbywa się za pomocą interaktywnego, zdalnego pulpitu DaDesktop .
NobleProg -- Twój lokalny dostawca szkoleń.
Opinie uczestników
Widać było, że prowadzący to pasjonaci prezentowanych tematów. Używane ciekawe przykłady podczas ćwiczeń.
ING Bank Śląski S.A.
Szkolenie: Introduction to Deep Learning
praca na colaboratory,
ING Bank Śląski S.A.
Szkolenie: Introduction to Deep Learning
Dużo ćwiczeń, bardzo dobra współpraca z grupą.
Janusz Chrobot - ING Bank Śląski S.A.
Szkolenie: Introduction to Deep Learning
Duża oraz aktualna wiedza prowadzących oraz praktyczne przykłady zastosowania.
ING Bank Śląski S.A.
Szkolenie: Introduction to Deep Learning
Mozliwosc omowienia samemu zaproponowanych zagadnien
ORANGE POLSKA S.A.
Szkolenie: Machine Learning and Deep Learning
sposób prowadzenia i przykładay podawane przez trenera
ORANGE POLSKA S.A.
Szkolenie: Machine Learning and Deep Learning
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 - Maria del Carmen Pousa Rodicio, TECNOBIT SLU
Szkolenie: Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
Zdecydowanie było widać, że mamy do czynienia z praktykiem. Plan szkolenia, był przygotowany przekrojowo, ale jeśli jakiś aspekt nas interesował to skupialiśmy się na nim, zamiast sztywno trzymać się planu.
Maria del Carmen Pousa Rodicio, TECNOBIT SLU
Szkolenie: Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
Szeroki kontekst ćwiczenia, pokazanie różnych ciekawych stron i materiałów związanych z tematem szkolenia
Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow
Fragmenty pracy własnej gdzie można było poeksperymentować na kodzie, oraz sama forma szkolenia - dzięki przeplataniu wykład/ćwiczenia/interakcje przetrwanie jednak długiego szkolenia było znacznie prostsze i przyjemniejsze
Michał Motyl - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow
Dobre tempo, zróżnicowane ciekawe materiały, odpowiednia ilość pracy samodzielnej i w grupach, teoria dobrze dopasowana do części praktycznej
Anna Nagi - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow
Sprawnie opanowany aspekt techniczny, duza dawka wiedzy
Igor Ratajczyk - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow
Nie było czegoś co mi się nie podobało.
Dominik Czyżyk - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow
Mnogość praktycznych wskazówek i wiedza prowadzącego z szerokiej gamy zagadnień AI / IT / SQL / IoT.
ABB Sp. z o.o.
Szkolenie: Deep Learning with TensorFlow
Dużo informacji związanych z wdrożeniami rozwiązań
Michał Smolana - ABB Sp. z o.o.
Szkolenie: Deep Learning with TensorFlow
Dużo wskazówek praktycznych
Pawel Dawidowski - ABB Sp. z o.o.
Szkolenie: Deep Learning with TensorFlow
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
Praktyczne ćwiczenia przygotowane przez Pana Macieja
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Wiedza merytoryczna, zaangażowanie, pasjonujący sposób przekazywania wiedzy. Przykłady praktyczne po wykładzie teoretycznym.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Przykłady i omawiane zagadnienia.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
ćwiczenia i przykłady na nich realizowane
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Część praktyczna, gdzie implementowaliśmy algorytmy. Pozwoliło to na lepsze zrozumienie tematu.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Duża wiedza teoretyczna i praktyczna prowadzących. Komunikatywność prowadzących. W trakcie kursu można było zadawać pytania i uzyskać satysfakcjonujące odpowiedzi.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Szeroki zakres poruszanych tematów oraz duża wiedza merytoryczna prowadzących.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Szeroki zakres wiedzy oraz podejście do tematu od różnej strony. Aktywne reagowanie Prowadzącego na wnioski/uwagi przedstawione przez grupę. Możliwość uzyskania informacji spoza ścisłej tematyki szkolenia.
Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Podobała mi się różnorodność danych jakimi się na nich zajmowaliśmy. Dzięki temu mam podstawy, żeby pogłębiać moją wiedzę w konkretnym kierunku. Szkolenie też pokazało nam jak radzić sobie z problemami jakie napotkamy podczas pracy z sieciami neuronowymi.
Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Rozmaite przykłady jak stosować sieci neuronowe w różnych kontekstach. Notebooki były na wysokim poziomie. Można było się również dowiedzieć trochę o innych narzędziach przydatnych w pracy z Machine Learningiem.
Dominik Żurek - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Przekazanie najistotniejszej wiedzy na temat danej technologii oraz podejście praktyczne.
Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Duża różnorodność podejść, danych, problemów do rozwiązania. Ogromna przestrzeń do zadawania pytań na tematy techniczne a także około branżowe.
Karol Talaga - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Obszerne odpowiedzi na pytania, dużo przykładów na różnego rodzaju danych. Dodatkowo pokazywanie innych modułów i bibliotek przydatnych do tworzenia sieci i analizy danych.
Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Kontakt z instruktorem oraz przyjazna atmosfera szkolenia
Piotr Pawełczak - Barbara Bysiewicz - Tokarz, AGH
Szkolenie: Deep Learning with TensorFlow 2
Super atmosfera w trakcie szkolenia. Bardzo dobry kontakt z Trenem oraz Panią Anią. Dobre proporcje pomiędzy wykładami i praktyką. Bardzo interesujący sposób przekazania wiedzy praktycznej. Stworzone w trakcie szkolenia skrypty są bardzo dobrym punktem startowym do kolejnych, samodzielnych projektów. Gorąco polecam szkolenia z NobleProg :)
Maciej Traczyk - PCO S.A.
Szkolenie: Deep Learning with TensorFlow 2
Sposób przekazania informacji, dużo praktyki :) Organizacja projektu i kontakt z trenerem oraz Panią Anią - super
Aleksandra Bieniek - PCO S.A.
Szkolenie: Deep Learning with TensorFlow 2
Zajęcia były prowadzone, w sposób niezwykle kompetentny. Trener był w stanie odpowiedzieć na każde postawione mu pytanie. Sposób przekazywania wiedzy również stał na najwyższym poziomie.
Daniel Wargocki - PCO S.A.
Szkolenie: Deep Learning with TensorFlow 2
Podkategorie Deep Learning (DL)
Plany szkoleń z technologii Deep Learning
-
Zrozumienie zaawansowanych architektur głębokiego uczenia i technik generowania tekstu na obraz.
Wdrażanie złożonych modeli i optymalizacji dla wysokiej jakości syntezy obrazu.
Optymalizacja wydajności i skalowalności dla dużych zbiorów danych i złożonych modeli.
Dostrajanie hiperparametrów w celu uzyskania lepszej wydajności i uogólnienia modelu.
Integracja Stable Diffusion z innymi strukturami i narzędziami głębokiego uczenia.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zrozumienie zasad rozproszonego uczenia głębokiego.
Instalowanie i konfigurowanie DeepSpeed.
Skalowanie modeli głębokiego uczenia na rozproszonym sprzęcie przy użyciu DeepSpeed.
Wdrażanie i eksperymentowanie z funkcjami DeepSpeed w celu optymalizacji i zwiększenia wydajności pamięci.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zrozumienie podstawowych zasad działania AlphaFold.
Dowiedz się, jak działa AlphaFold.
Dowiedz się, jak interpretować przewidywania i wyniki AlphaFold.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zrozumienie zasad działania modelu Stable Diffusion i jego zastosowania do generowania obrazów.
Budowanie i trenowanie modeli Stable Diffusion dla zadań generowania obrazów.
Zastosuj Stable Diffusion do różnych scenariuszy generowania obrazów, takich jak inpainting, outpainting i tłumaczenie obrazu na obraz.
Optymalizacja wydajności i stabilności modeli Stable Diffusion.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Wdrażanie algorytmów i technik uczenia maszynowego w celu rozwiązywania złożonych problemów.
Stosować uczenie głębokie i półnadzorowane w aplikacjach wykorzystujących obrazy, muzykę, tekst i dane finansowe.
Wykorzystanie maksymalnego potencjału algorytmów Python.
Korzystanie z bibliotek i pakietów, takich jak NumPy i Theano.
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Zrozumieć kluczowe koncepcje stojące za Deep Reinforcement Learning i być w stanie odróżnić je od uczenia maszynowego.
Stosować zaawansowane algorytmy Reinforcement Learning do rozwiązywania rzeczywistych problemów.
Zbuduj agenta głębokiego uczenia.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zrozumienie podstawowych koncepcji uczenia głębokiego.
Poznanie aplikacji i zastosowań głębokiego uczenia w telekomunikacji.
Wykorzystanie Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla telekomunikacji.
Zbudują własny model przewidywania rezygnacji klientów oparty na uczeniu głębokim przy użyciu języka Python.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zobacz, jak dane są interpretowane przez modele uczenia maszynowego
Poruszanie się po widokach 3D i 2D danych w celu zrozumienia, w jaki sposób algorytm uczenia maszynowego je interpretuje.
Zrozumienie koncepcji stojących za embeddings i ich roli w reprezentowaniu wektorów matematycznych dla obrazów, słów i cyfr.
Zbadaj właściwości konkretnego osadzenia, aby zrozumieć zachowanie modelu.
Zastosuj Embedding Project do rzeczywistych przypadków użycia, takich jak budowanie systemu rekomendacji utworów dla miłośników muzyki.
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
zrozumieć strukturę i mechanizmy wdrażania Caffe&rsquo
przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
wdrażać zaawansowaną produkcję, taką jak modele szkoleniowe, wdrażanie warstw i rejestrowanie
-
Uwaga
-
Dostęp do CNTK jako biblioteki z poziomu programu Python, C# lub C++
Używać CNTK jako samodzielnego narzędzia do uczenia maszynowego za pośrednictwem własnego języka opisu modelu (BrainScript).
Korzystanie z funkcji oceny modelu CNTK z poziomu programu Java
Łączenie sieci DNN typu feed-forward, sieci konwolucyjnych (CNN) i sieci rekurencyjnych (RNN/LSTM)
Skalowanie wydajności obliczeniowej na CPU, GPU i wielu maszynach
Dostęp do ogromnych zbiorów danych przy użyciu istniejących języków programowania i algorytmów
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Jeśli chcesz dostosować dowolną część tego szkolenia, w tym wybrany język programowania, skontaktuj się z nami w celu uzgodnienia.
-
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.
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Trenowanie modelu rekomendacji z rzadkimi zbiorami danych jako danymi wejściowymi
Skalowanie modeli szkoleniowych i predykcyjnych na wielu GPUs
Rozłożenie obliczeń i pamięci masowej w sposób równoległy do modelu
Generowanie spersonalizowanych rekomendacji produktów w stylu Amazon
Wdrożenie gotowej do produkcji aplikacji, która może być skalowana przy dużych obciążeniach
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Zainstaluj tensor2tensor, wybierz zestaw danych oraz trenuj i oceniaj model sztucznej inteligencji
Dostosowywanie środowiska programistycznego przy użyciu narzędzi i komponentów zawartych w Tensor2Tensor
Tworzenie i wykorzystywanie pojedynczego modelu do jednoczesnego uczenia się wielu zadań z wielu dziedzin
Wykorzystanie modelu do uczenia się na podstawie zadań z dużą ilością danych treningowych i zastosowanie tej wiedzy do zadań, w których ilość danych jest ograniczona.
Uzyskiwanie zadowalających wyników przetwarzania przy użyciu pojedynczego GPU
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Praca z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4 w celu implementacji wykrywania, wyrównywania i przekształcania twarzy.
Zastosuj OpenFace w rzeczywistych aplikacjach, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja stałych klientów itp.
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Zrozumienie i wdrożenie technik uczenia się bez nadzoru
Stosowanie klastrowania i klasyfikacji w celu tworzenia prognoz na podstawie rzeczywistych danych.
Wizualizacja danych w celu szybkiego uzyskania wglądu, podejmowania decyzji i dalszego udoskonalania analizy.
Poprawa wydajności modelu uczenia maszynowego przy użyciu dostrajania hiper-parametrów.
Wdrożenie modelu do produkcji w celu wykorzystania go w większej aplikacji.
Zastosuj zaawansowane techniki uczenia maszynowego, aby odpowiedzieć na pytania dotyczące danych sieci społecznościowych, dużych zbiorów danych i nie tylko.
-
Deweloperzy
Analitycy
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Zrozumienie podstawowych koncepcji uczenia głębokiego
Poznanie aplikacji i zastosowań uczenia głębokiego w finansach
Wykorzystanie R do tworzenia modeli głębokiego uczenia dla finansów
Zbudują własny model przewidywania cen akcji oparty na głębokim uczeniu przy użyciu R
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
-
Zrozumienie podstawowych koncepcji uczenia głębokiego
Poznanie aplikacji i zastosowań uczenia głębokiego w bankowości
Wykorzystanie R do tworzenia modeli głębokiego uczenia dla bankowości
Zbudują własny model ryzyka kredytowego oparty na głębokim uczeniu przy użyciu R
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
-
Zrozumienie podstawowych koncepcji uczenia głębokiego
Poznanie aplikacji i zastosowań uczenia głębokiego w finansach
Wykorzystanie Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla finansów
Zbudują własny model przewidywania cen akcji oparty na uczeniu głębokim przy użyciu języka Python
-
Programiści
Naukowcy zajmujący się danymi
-
Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
Last Updated: