Szkolenia Deep Learning

Szkolenia Deep Learning

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

★★★★★
★★★★★

Plany szkoleń z technologii Deep Learning

Nazwa kursu
Czas trwania
Opis
Nazwa kursu
Czas trwania
Opis
21 godzin
Stable Diffusion to potężny model głębokiego uczenia, który może generować szczegółowe obrazy na podstawie opisów tekstowych; To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy głębokiego uczenia się i ekspertów od wizji komputerowej, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie głębokiego uczenia się w celu generowania tekstu na obraz. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Format kursu
    Interaktywny wykład i dyskusja. Dużo ćwiczeń i praktyki. Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
    Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
21 godzin
DeepSpeed to biblioteka optymalizacji głębokiego uczenia, która ułatwia skalowanie modeli głębokiego uczenia na rozproszonym sprzęcie. Opracowana przez Microsoft, DeepSpeed integruje się z PyTorch, aby zapewnić lepsze skalowanie, szybsze szkolenie i lepsze wykorzystanie zasobów; To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla początkujących i średnio zaawansowanych analityków danych i inżynierów uczenia maszynowego, którzy chcą poprawić wydajność swoich modeli uczenia głębokiego. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Format kursu
    Interaktywny wykład i dyskusja. Dużo ćwiczeń i praktyki. Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
    Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
7 godzin
AlphaFold to system sztucznej inteligencji (AI), który wykonuje przewidywanie struktur białkowych. Został on opracowany przez Alphabet’s/Google’s DeepMind jako system głębokiego uczenia się, który może dokładnie przewidywać modele 3D struktur białkowych. To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla biologów, którzy chcą zrozumieć, jak działa AlphaFold i używać modeli AlphaFold jako przewodników w swoich badaniach eksperymentalnych. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    Zrozumienie podstawowych zasad działania AlphaFold. Dowiedz się, jak działa AlphaFold. Dowiedz się, jak interpretować przewidywania i wyniki AlphaFold.
Format kursu
    Interaktywny wykład i dyskusja. Dużo ćwiczeń i praktyki. Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
    Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
21 godzin
Stable Diffusion to potężny model głębokiego uczenia, który może generować szczegółowe obrazy na podstawie opisów tekstowych; Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, inżynierów uczenia maszynowego i badaczy wizji komputerowej, którzy chcą wykorzystać Stable Diffusion do generowania wysokiej jakości obrazów do różnych zastosowań. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Format kursu
    Interaktywny wykład i dyskusja. Dużo ćwiczeń i praktyki. Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
    Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
21 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają najistotniejsze i najnowocześniejsze techniki uczenia maszynowego w Python, tworząc serię aplikacji demonstracyjnych obejmujących obraz, muzykę, tekst i dane finansowe. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
21 godzin
Deep Reinforcement Learning odnosi się do zdolności "sztucznego agenta" do uczenia się metodą prób i błędów oraz nagród i kar. Sztuczny agent ma na celu naśladowanie ludzkiej zdolności do samodzielnego pozyskiwania i konstruowania wiedzy, bezpośrednio z surowych danych wejściowych, takich jak wizja. Aby zrealizować uczenie ze wzmocnieniem, stosuje się głębokie uczenie i sieci neuronowe. Uczenie ze wzmocnieniem różni się od uczenia maszynowego i nie opiera się na nadzorowanych i nienadzorowanych podejściach do uczenia się. To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą poznać podstawy Deep Reinforcement Learning podczas tworzenia agenta Deep Learning. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Format kursu
    Interaktywny wykład i dyskusja. Dużo ćwiczeń i praktyki. Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
    Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Deep learning to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla telekomunikacji przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Format kursu
    Interaktywny wykład i dyskusja. Dużo ćwiczeń i praktyki. Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
    Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
14 godzin
Embedding Projector to aplikacja internetowa typu open source do wizualizacji danych wykorzystywanych do szkolenia systemów uczenia maszynowego. Stworzona przez Google, jest częścią TensorFlow. To prowadzone przez instruktora szkolenie na żywo wprowadza koncepcje stojące za Embedding Projector i przeprowadza uczestników przez konfigurację projektu demonstracyjnego. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
21 godzin
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.
21 godzin
Ten kurs jest ogólnym przeglądem Deep Learning bez wchodzenia zbyt głęboko w jakiekolwiek konkretne metody. Jest odpowiedni dla osób, które chcą zacząć korzystać z uczenia głębokiego, aby zwiększyć dokładność przewidywania.
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.
21 godzin
Caffe to platforma głębokiego uczenia stworzona z myślą o ekspresji, szybkości i modułowości. Ten kurs bada zastosowanie Caffe jako struktury głębokiego uczenia się do rozpoznawania obrazów na przykładzie MNIST Publiczność Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem Caffe jako frameworka. Po ukończeniu tego kursu uczestnicy będą w stanie
    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
21 godzin
Publiczność Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych Ten kurs zawiera działające przykłady.
14 godzin
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.
21 godzin
Kurs ten obejmuje sztuczną inteligencję (z naciskiem na Machine Learning and Deep Learning)
14 godzin
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.
7 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak skonfigurować i używać OpenNMT do tłumaczenia różnych przykładowych zestawów danych. Kurs rozpoczyna się od przeglądu sieci neuronowych, które mają zastosowanie do tłumaczenia maszynowego. Uczestnicy będą wykonywać ćwiczenia na żywo podczas całego kursu, aby zademonstrować zrozumienie poznanych pojęć i uzyskać informacje zwrotne od instruktora. Pod koniec tego szkolenia uczestnicy będą mieli wiedzę i praktykę potrzebną do wdrożenia rozwiązania OpenNMT na żywo. Próbki języka źródłowego i docelowego zostaną wstępnie przygotowane zgodnie z wymaganiami odbiorców. Format kursu Część wykładu, część dyskusji, ciężka praktyka praktyczna
21 godzin
Typ: Szkolenie teoretyczne z aplikacjami ustalonymi wcześniej z uczniami na Lasagne lub Keras w zależności od grupy uczącej się. Metoda nauczania: prezentacja, wymiana doświadczeń i studia przypadków Sztuczna inteligencja, po zrewolucjonizowaniu wielu dziedzin nauki, zaczęła rewolucjonizować wiele sektorów gospodarki (przemysł, medycynę, komunikację itp.). Jednak sposób, w jaki jest ona przedstawiana w mediach głównego nurtu, jest często fantazją, daleką od tego, co faktycznie dzieje się w dziedzinach Machine Learning lub Deep Learning. Celem tego kursu jest zapewnienie inżynierom, którzy opanowali już narzędzia informatyczne (w tym podstawy programowania), wprowadzenia do Deep Learning i jego różnych specjalistycznych obszarów, a tym samym do głównych dostępnych obecnie architektur sieciowych. Chociaż podstawowa matematyka jest objęta kursem, poziom matematyki taki jak BAC + 2 jest zalecany dla większego komfortu. W kategoriach bezwzględnych możliwe jest pominięcie aspektu matematycznego i zachowanie jedynie widoku systemowego, ale takie podejście zwykle ogranicza zrozumienie tematu.
7 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać Facebook NMT (Fairseq) do tłumaczenia przykładowych treści. Pod koniec tego szkolenia uczestnicy zdobędą wiedzę i praktykę potrzebną do wdrożenia rozwiązania do tłumaczenia maszynowego opartego na Fairseq. Format kursu Część wykładu, część dyskusji, ciężka praktyka praktyczna
    Uwaga
Jeśli chcesz korzystać z określonych treści w języku źródłowym i docelowym, skontaktuj się z nami w celu ustalenia szczegółów.
21 godzin
Microsoft Cognitive Toolkit 2.x (wcześniej CNTK) to komercyjny zestaw narzędzi o otwartym kodzie źródłowym, który trenuje algorytmy głębokiego uczenia się, aby uczyły się jak ludzki mózg. Według Microsoftu, CNTK może być 5-10 razy szybszy niż TensorFlow w przypadku sieci rekurencyjnych i 2 do 3 razy szybszy niż TensorFlow w przypadku zadań związanych z obrazami. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać Microsoft Cognitive Toolkit do tworzenia, szkolenia i oceny algorytmów głębokiego uczenia się do użytku w komercyjnych aplikacjach AI obejmujących wiele typów danych, takich jak dane, mowa, tekst i obrazy. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
Uwaga
    Jeśli chcesz dostosować dowolną część tego szkolenia, w tym wybrany język programowania, skontaktuj się z nami w celu uzgodnienia.
21 godzin
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
7 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać DSSTNE do tworzenia aplikacji rekomendacji. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
7 godzin
Tensor2Tensor (T2T) to modułowa, rozszerzalna biblioteka do trenowania modeli sztucznej inteligencji w różnych zadaniach, przy użyciu różnych typów danych treningowych, na przykład: rozpoznawanie obrazów, tłumaczenie, parsowanie, podpisywanie obrazów i rozpoznawanie mowy. Jest ona utrzymywana przez zespół Google Brain. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak przygotować model głębokiego uczenia się do rozwiązywania wielu zadań. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
14 godzin
OpenFace to oparte na Pythonie i Torch oprogramowanie open-source do rozpoznawania twarzy w czasie rzeczywistym, bazujące na badaniach Google FaceNet. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
21 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają zaawansowane techniki Machine Learning z R, przechodząc przez proces tworzenia rzeczywistej aplikacji. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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.
Publiczność
    Deweloperzy Analitycy Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. R to popularny język programowania w branży finansowej. Jest używany w aplikacjach finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów przy użyciu R, przechodząc przez proces tworzenia modelu przewidywania cen akcji opartego na głębokim uczeniu się. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
28 godzin
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:
  • 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
Audience
  • Developers
  • Data scientists
Format of the course
  • Part lecture, part discussion, exercises and heavy hands-on practice
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. R to popularny język programowania w branży finansowej. Jest używany w aplikacjach finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się dla bankowości przy użyciu R, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów przy użyciu Python, przechodząc przez proces tworzenia modelu przewidywania cen akcji opartego na głębokim uczeniu się. Po zakończeniu tego szkolenia uczestnicy będą w stanie
    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
Publiczność
    Programiści Naukowcy zajmujący się danymi
Format kursu
    Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
21 godzin
Wprowadzenie: Głębokie uczenie staje się głównym elementem projektowania przyszłych produktów, które chcą włączyć sztuczną inteligencję do swoich modeli. W ciągu najbliższych 5-10 lat narzędzia, biblioteki i języki programowania głębokiego uczenia staną się standardowymi komponentami każdego zestawu narzędzi do tworzenia oprogramowania. Jak dotąd Google, Sales Force, Facebook i Amazon z powodzeniem wykorzystują sztuczną inteligencję do głębokiego uczenia się w celu rozwoju swojej działalności. Zastosowania obejmowały automatyczne tłumaczenie maszynowe, analizę obrazu, analizę wideo, analizę ruchu, generowanie ukierunkowanych reklam i wiele innych. Ten kurs jest przeznaczony dla tych organizacji, które chcą włączyć Deep Learning jako bardzo ważną część strategii swojego produktu lub usługi. Poniżej znajduje się zarys kursu głębokiego uczenia się, który możemy dostosować do różnych poziomów pracowników / interesariuszy w organizacji. Docelowi odbiorcy: (W zależności od grupy docelowej, materiały szkoleniowe zostaną dostosowane) Kierownictwo Ogólny przegląd sztucznej inteligencji i tego, jak wpisuje się ona w strategię korporacyjną, z sesjami poświęconymi planowaniu strategicznemu, mapom drogowym technologii i alokacji zasobów w celu zapewnienia maksymalnej wartości. Kierownicy projektów Jak zaplanować projekt AI, w tym gromadzenie i ocenę danych, czyszczenie i weryfikację danych, opracowanie modelu proof-of-concept, integrację z procesami biznesowymi i dostarczanie w całej organizacji. Deweloperzy Dogłębne szkolenia techniczne, ze szczególnym uwzględnieniem sieci neuronowych i głębokiego uczenia, analizy obrazu i wideo (CNN), analizy dźwięku i tekstu (NLP) oraz wprowadzania sztucznej inteligencji do istniejących aplikacji. Sprzedawcy Ogólny przegląd sztucznej inteligencji i sposobu, w jaki może ona zaspokoić potrzeby klientów, propozycje wartości dla różnych produktów i usług oraz sposoby rozwiewania obaw i promowania korzyści płynących ze sztucznej inteligencji.

Last Updated:

Szkolenie Deep Learning, Deep Learning (DL) boot camp, Szkolenia Zdalne Deep Learning (DL), szkolenie wieczorowe Deep Learning, szkolenie weekendowe Deep Learning (DL), Kurs Deep Learning (DL),Kursy DL (Deep Learning), Trener Deep Learning, instruktor Deep Learning (DL), kurs zdalny DL (Deep Learning), edukacja zdalna Deep Learning, nauczanie wirtualne DL (Deep Learning), lekcje UML, nauka przez internet Deep Learning (DL), e-learning DL (Deep Learning), kurs online Deep Learning (DL), wykładowca Deep Learning (DL)

Kursy w promocyjnej cenie

No course discounts for now.

Newsletter z promocjami

Zapisz się na nasz newsletter i otrzymuj informacje o aktualnych zniżkach na kursy otwarte.
Szanujemy Twoją prywatność, dlatego Twój e-mail będzie wykorzystywany jedynie w celu wysyłki naszego newslettera, nie będzie udostępniony ani sprzedany osobom trzecim.
W dowolnej chwili możesz zmienić swoje preferencje co do otrzymywanego newslettera bądź całkowicie się z niego wypisać.

Zaufali nam

This site in other countries/regions