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
sposób prowadzenia i przykładay podawane przez trenera
ORANGE POLSKA S.A.
Szkolenie: Machine Learning and Deep Learning
Mozliwosc omowienia samemu zaproponowanych zagadnien
ORANGE POLSKA S.A.
Szkolenie: Machine Learning and Deep Learning
Duża oraz aktualna wiedza prowadzących oraz praktyczne przykłady zastosowania.
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
praca na colaboratory,
ING Bank Śląski S.A.
Szkolenie: Introduction to Deep Learning
Widać było, że prowadzący to pasjonaci prezentowanych tematów. Używane ciekawe przykłady podczas ćwiczeń.
ING Bank Śląski S.A.
Szkolenie: Introduction to Deep Learning
Szeroki zakres poruszanych tematów oraz duża wiedza merytoryczna prowadzących.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Brak
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
Część praktyczna, gdzie implementowaliśmy algorytmy. Pozwoliło to na lepsze zrozumienie tematu.
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
Przykłady i omawiane zagadnienia.
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
Praktyczne ćwiczenia przygotowane przez Pana Macieja
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Szkolenie: Understanding Deep Neural Networks
Dużo wskazówek praktycznych
Pawel Dawidowski - 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
Mnogość praktycznych wskazówek i wiedza prowadzącego z szerokiej gamy zagadnień AI / IT / SQL / IoT.
ABB Sp. z o.o.
Szkolenie: Deep Learning with TensorFlow
Temat jest bardzo interesujący.
Wojciech Baranowski
Szkolenie: Introduction to Deep Learning
Machine Translated
Trenerzy wiedzą teoretyczną i chęć rozwiązania problemów z uczestnikami po szkoleniu.
Grzegorz Mianowski
Szkolenie: Introduction to Deep Learning
Machine Translated
Temat. Bardzo interesujące!.
Piotr
Szkolenie: Introduction to Deep Learning
Machine Translated
Ćwiczenia po każdym temacie były naprawdę pomocne, mimo że na końcu były zbyt skomplikowane. Ogólnie rzecz biorąc, prezentowany materiał był bardzo ciekawy i angażujący! Ćwiczenia z rozpoznawaniem obrazu były świetne.
Dolby Poland Sp. z o.o.
Szkolenie: Introduction to Deep Learning
Machine Translated
Myślę, że gdyby szkolenie odbyło się w języku polskim, pozwoliłoby trenerowi na dzielenie się wiedzą.
Radek
Szkolenie: Introduction to Deep Learning
Machine Translated
To było bardzo interaktywne i bardziej zrelaksowane i nieformalne niż się spodziewano. Omówiliśmy wiele tematów w tym czasie, a trener zawsze był otwarty na bardziej szczegółowe omówienie tematów i ich powiązanie. Uważam, że szkolenie dało mi narzędzia do kontynuacji nauki, a nie jednorazową sesję, w której nauka kończy się po ukończeniu, co jest bardzo ważne ze względu na skalę i złożoność tematu.
Jonathan Blease
Szkolenie: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Ogólny przegląd głębokiego uczenia się.
Bruno Charbonnier
Szkolenie: Advanced Deep Learning
Machine Translated
Ćwiczenia są wystarczająco praktyczne i nie wymagają dużej wiedzy na temat języka Python .
Alexandre GIRARD
Szkolenie: Advanced Deep Learning
Machine Translated
Wykonywanie ćwiczeń na prawdziwych przykładach przy użyciu Eras. Włochy całkowicie zrozumiały nasze oczekiwania dotyczące tego szkolenia.
Paul Kassis
Szkolenie: Advanced Deep Learning
Machine Translated
Naprawdę doceniam krystalicznie czyste odpowiedzi Chrisa na nasze pytania.
Léo Dubus
Szkolenie: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Ogólnie byłem zadowolony z kompetentnego trenera.
Sridhar Voorakkara
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Podkategorie Deep Learning (DL)
Plany szkoleń z technologii Deep Learning
Nazwa kursu
Czas trwania
Opis
Nazwa kursu
Czas trwania
Opis
7 godzin
AlphaFold jest systemem, który wykonuje prognozę struktur białkowych. Jest on opracowany przez Alphabet’s/Google’s DeepMind jako system głębokiego uczenia się, który może dokładnie przewidzieć modele 3D struktur białkowych.
Ten szkolenie na żywo prowadzone przez instruktora (online lub on-site) jest skierowane do biologów, którzy chcą zrozumieć, jak AlphaFold działa i wykorzystuje AlphaFold modele jako przewodniki w swoich badaniach eksperymentalnych.
Po zakończeniu szkolenia uczestnicy będą mogli:
-
Zrozum podstawowe zasady AlphaFold.
Dowiedz się, jak działa AlphaFold.
Dowiedz się, jak interpretować AlphaFold prognozy i wyniki.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
21 godzin
W tym instruktażowym szkoleniu na żywo uczestnicy poznają najbardziej odpowiednie i najdoskonalsze techniki uczenia maszynowego w Pythonie, ponieważ tworzą serię aplikacji demonstracyjnych obejmujących obraz, muzykę, tekst i dane finansowe Pod koniec tego szkolenia uczestnicy będą mogli: Zaimplementuj algorytmy uczenia maszynowego i techniki rozwiązywania złożonych problemów Zastosuj głębokie uczenie się i nauczanie półinstruowane w aplikacjach wykorzystujących obraz, muzykę, tekst i dane finansowe Pchnij algorytmy Pythona do ich maksymalnego potencjału Używaj bibliotek i pakietów, takich jak NumPy i Theano Publiczność Deweloperzy Analitycy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
21 godzin
Głębokie Reinforcement Learning odnośnie do zdolności agentu artyfikalnego & quot; do nauczenia przez proces i krzywki i nagrady. Artykułny agent celem emulacji ludzkiej ' możliwości do osiągnięcia i konstrukcji wiedzy własnej, bezpośrednio z wkładów surowej, takich jak wizja. Aby wzmocnić uczenie wzmocniające, głębokie uczenie i sieci neuralne są wykorzystywane. Uczba wzmocnienia jest różni od uczby maszyny i nie zależy na nadzorowanych i nieprzewidzianych podejściach nauczania.W tym instruktorze, żywym szkolenia, uczestniki będą nauczylić podstaw Głębokie Reinforcement Learning, gdy oni skończyją poprzez tworzenie Deep Learning Agenta.Do końca tego szkolenia uczestników będą mogły:
- Zrozumiać kluczne koncepcje za głęboką Reinforcement Learning i można je odrzucić od Machine Learning Zastosować avancyjne algoritmy Reinforcement Learning w celu rozwiązania problemów rzeczywistych światów Zbudować Deep Learning Agent
- Rozwojujący Naukaci Danych
- Częściowy przedstawicie, dyskusja części, praktyki i ciężkie praktyki
28 godzin
Uczenie się maszynowe jest gałęzią sztucznej inteligencji, w której komputery mają zdolność do uczenia się bez wyraźnego programowania.
Głębokie uczenie się to podział uczenia się maszynowego, który wykorzystuje metody oparte na prezentacjach i strukturach danych uczenia się, takich jak sieci nerwowe.
Python jest językiem programowania na wysokim poziomie znany ze swojej wyraźnej syntazy i czytelności kodów.
W tym szkoleniu prowadzonym przez instruktora, uczestnicy dowiedzą się, jak wdrożyć modele głębokiego uczenia się do telekomunikacji przy użyciu Python jak przechodzą przez tworzenie modelu ryzyka kredytowego głębokiego uczenia się.
Po zakończeniu szkolenia uczestnicy będą mogli:
-
Zrozum podstawowe pojęcia głębokiego uczenia się.
Naucz się aplikacji i zastosowań głębokiego uczenia się w telecom.
Użyj Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia się dla telecom.
Zbuduj własny model głębokiego uczenia się klienta, używając modelu przewidywania Python.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
14 godzin
Osadzanie Projektora to otwarta aplikacja internetowa do wizualizacji danych wykorzystywanych do szkolenia systemów uczenia maszynowego Stworzony przez Google, jest częścią TensorFlow Ten instruktażowy trening na żywo wprowadza pojęcia związane z osadzaniem projektora i prowadzi uczestników przez proces tworzenia projektu demonstracyjnego Pod koniec tego szkolenia uczestnicy będą mogli: Sprawdź, jak dane są interpretowane przez modele uczenia maszynowego Nawiguj po widokach 3D i 2D danych, aby zrozumieć, w jaki sposób algorytm uczenia maszynowego je interpretuje Zapoznaj się z koncepcjami Embeddings i ich rolą w reprezentowaniu wektorów matematycznych dla obrazów, słów i cyfr Poznaj właściwości konkretnego osadzania, aby zrozumieć zachowanie modelu Zastosuj Projekt Osadzania do przypadków użycia rzeczywistego świata, takich jak budowanie systemu rekomendacji dla melomanów Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
21 godzin
Sztuczna sieć neuronowa jest obliczeniowym modelem danych wykorzystywanym w rozwoju systemów Artificial Intelligence (AI) zdolnych do wykonywania „inteligentnych” zadań. Neural Networks są powszechnie stosowane w aplikacjach Machine Learning (ML), które same są implementacją AI. Deep Learning jest podzbiorem ML.
21 godzin
Ten kurs jest ogólnym przeglądem Deep Learning bez wchodzenia zbyt głęboko w żadne konkretne metody. Jest odpowiedni dla osób, które chcą rozpocząć naukę w Deep, aby zwiększyć swoją dokładność przewidywania.
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Głębokie uczenie się jest dziedziną uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.
21 godzin
Caffe to głęboka struktura uczenia się stworzona z myślą o ekspresji, szybkości i modułowości. Ten kurs omawia zastosowanie Caffe as a Deep do nauki rozpoznawania obrazów za pomocą MNIST jako przykładu Publiczność Ten kurs jest odpowiedni dla naukowców i inżynierów Deep Learning zainteresowanych wykorzystaniem Caffe jako ramy. Po ukończeniu tego kursu delegaci będą mogli:
- rozumiem strukturę i mechanizmy wdrażania Caffe
- wykonać zadania i konfigurację środowiska instalacji / produkcji / architektury
- ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- wdrożyć zaawansowaną produkcję, taką jak modele treningowe, wdrażanie warstw i rejestrowanie
21 godzin
Publiczność Kurs ten jest odpowiedni dla naukowców i inżynierów Deep Learning zainteresowanych wykorzystaniem dostępnych narzędzi (głównie open source) do analizy obrazów komputerowych Ten kurs dostarcza praktycznych przykładów.
14 godzin
Ten kurs obejmuje AI (emphasizing Machine Learning i Deep Learning) w Automotive Przemysłu. Pomaga określić, która technologia może być (potencjalnie) wykorzystywana w wielu sytuacjach w samochodzie: od prostej automatyzacji, rozpoznawania obrazu do autonomicznego podejmowania decyzji.
21 godzin
Ten kurs obejmuje sztuczną inteligencję (podkreślanie Machine Learning i Deep Learning )
14 godzin
W tym instruktorem prowadzonym, na żywo szkoleniem, przechodzimy przez zasady sieci nerwowych i wykorzystujemy OpenNN do wdrożenia aplikacji próbki.
Format kursu
-
Czytanie i dyskusja w połączeniu z praktykami.
7 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak skonfigurować i używać OpenNMT do wykonywania tłumaczeń różnych przykładowych zestawów danych. Kurs rozpoczyna się od przeglądu sieci neuronowych w odniesieniu do tłumaczenia maszynowego. Uczestnicy przeprowadzą na żywo ćwiczenia w trakcie 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 żywo. Próbki języka źródłowego i docelowego zostaną wstępnie ustawione zgodnie z wymaganiami odbiorców.
- Wykład częściowy, dyskusja częściowa, ciężka praktyka praktyczna
21 godzin
Typ: Szkolenie teoretyczne z aplikacjami podjętymi przez studentów na Lasagne lub Keras według grupy pedagogicznej Metoda nauczania: prezentacja, wymiany i studia przypadków Sztuczna inteligencja, po zakłóceniu wielu dziedzin nauki, zaczęła zrewolucjonizować wiele sektorów gospodarki (przemysł, medycyna, komunikacja itp.). Niemniej jednak jego prezentacja w dużych mediach jest często fantazją, bardzo daleką od tego, co naprawdę jest dziedziną Machine Learning lub Deep Learning . Celem tego szkolenia jest zapewnienie inżynierom, którzy już opanowali narzędzia komputerowe (w tym bazę programistyczną) wprowadzenia do Deep Learning i jego różnych obszarów specjalizacji, a tym samym do głównych istniejących architektur sieciowych dziś. Jeśli podstawy matematyczne zostaną przywołane w trakcie kursu, poziom matematyki typu BAC + 2 jest zalecany dla większego komfortu. Absolutnie możliwe jest pominięcie osi matematycznej, aby zachować tylko wizję „systemową”, ale to podejście ogromnie ograniczy zrozumienie tematu.
7 godzin
W tym szkoleniu prowadzonym przez instruktora, uczestnicy dowiedzą się, jak używać Facebook NMT (Fairseq) do przeprowadzenia tłumaczenia treści próbek.
Do końca tego szkolenia uczestnicy będą mieli wiedzę i praktykę potrzebną do wdrożenia rozwiązania tłumaczenia maszynowego na żywo opartego na Fairseq.
Format kursu
-
Część wykładu, część dyskusji, ciężka praktyka
-
Jeśli chcesz użyć konkretnego treści źródłowej i języka docelowego, skontaktuj się z nami, aby zorganizować.
21 godzin
Microsoft Cognitive Toolkit 2x (wcześniej CNTK) to zestaw narzędzi opensource, commercialgrade, który trenuje algorytmy głębokiego uczenia się, aby nauczyć się jak ludzki mózg Według Microsoftu, CNTK może być 510x szybszy niż TensorFlow na sieciach powtarzalnych i 2 do 3 razy szybszy niż TensorFlow dla zadań powiązanych z obrazem W tym instruktażowym szkoleniu na żywo uczestnicy nauczą się korzystać z Microsoft Cognitive Toolkit w celu tworzenia, szkolenia i oceny algorytmów uczenia głębokiego w celu wykorzystania w komercyjnych aplikacjach AI obejmujących wiele rodzajów danych, takich jak dane, mowa, tekst i obrazy Pod koniec tego szkolenia uczestnicy będą mogli: Uzyskaj dostęp do biblioteki CNTK jako biblioteki z poziomu programu Python, C # lub C ++ Użyj CNTK jako samodzielnego narzędzia do nauki maszyn poprzez własny język opisu modelu (BrainScript) Użyj funkcji oceny modelu CNTK z programu Java Połącz feedforward DNN, splotowe sieci (CNN) i sieci powtarzalne (RNN / LSTM) Skaluj moc obliczeniową na procesorach, GPU i wielu komputerach Uzyskaj dostęp do ogromnych zestawów danych przy użyciu istniejących języków programowania i algorytmów Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson Uwaga Jeśli chcesz dostosować dowolną część tego szkolenia, w tym wybrany język programowania, skontaktuj się z nami w celu ustalenia szczegółów .
21 godzin
PaddlePaddle (PArallel Distributed Deep Learning) to skalowalna platforma do głębokiego uczenia się opracowana przez Baidu W tym instruktażowym szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z PaddlePaddle, aby umożliwić głębokie uczenie się w swoich produktach i usługach Pod koniec tego szkolenia uczestnicy będą mogli: Skonfiguruj i skonfiguruj PaddlePaddle Stwórz Convolutional Neural Network (CNN) do rozpoznawania obrazów i wykrywania obiektów Skonfiguruj powtarzalną sieć neuronową (RNN) do analizy sentymentów Skonfiguruj głęboką naukę w systemach rekomendacji, aby pomóc użytkownikom znaleźć odpowiedzi Przewidzieć współczynniki klikalności (CTR), klasyfikować zbiory obrazów wielkoskalowych, wykonywać optyczne rozpoznawanie znaków (OCR), wyszukiwać w rankingu, wykrywać wirusy komputerowe i wdrażać system rekomendacji Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
7 godzin
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać DSSTNE do tworzenia aplikacji rekomendacji. Pod koniec tego szkolenia uczestnicy będą mogli:
- Trenuj model rekomendacji z rzadkimi zestawami danych jako dane wejściowe
- Skaluj szkolenia i modele prognozowania w wielu GPU
- Rozłóż obliczenia i przechowywanie w sposób równoległy do modelu
- Generuj spersonalizowane rekomendacje produktów w stylu Amazon
- Wdrażanie aplikacji gotowej do produkcji, która może skalować się przy dużych obciążeniach
- Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna
7 godzin
Tensor2Tensor (T2T) to modułowa, rozszerzalna biblioteka do szkolenia modeli sztucznej inteligencji w różnych zadaniach, wykorzystująca różne typy danych szkoleniowych, na przykład: rozpoznawanie obrazu, tłumaczenie, analizowanie, podpisywanie obrazów i rozpoznawanie mowy Jest utrzymywany przez zespół Google Brain W tym instruktażowym szkoleniu na żywo uczestnicy dowiedzą się, jak przygotować model głęboki, aby rozwiązać wiele zadań Pod koniec tego szkolenia uczestnicy będą mogli: Zainstaluj tensor2tensor, wybierz zestaw danych i trenuj i oceniaj model sztucznej inteligencji Dostosuj środowisko programistyczne za pomocą narzędzi i komponentów zawartych w Tensor2Tensor Utwórz i używaj jednego modelu do jednoczesnego uczenia się wielu zadań z wielu domen Użyj modelu, aby uczyć się na zadaniach z dużą ilością danych szkoleniowych i zastosować tę wiedzę do zadań, w których dane są ograniczone Uzyskaj satysfakcjonujące wyniki przetwarzania za pomocą pojedynczego procesora graficznego Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
14 godzin
OpenFace to oparte na Pythonie i Torch oprogramowanie do rozpoznawania twarzy w czasie rzeczywistym oparte na badaniach FaceNet firmy Google W tym instruktażowym szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji rozpoznawania twarzy Pod koniec tego szkolenia uczestnicy będą mogli: Pracuj z komponentami OpenFace, w tym dlib, OpenVC, Latarka i nn4, aby zaimplementować wykrywanie twarzy, wyrównanie i transformację Zastosuj OpenFace do aplikacji realworld, takich jak nadzór, weryfikacja tożsamości, wirtualna rzeczywistość, gry i identyfikacja powtarzających się klientów itp Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
21 godzin
Podczas tego instruktażowego szkolenia na żywo uczestnicy poznają zaawansowane techniki uczenia maszynowego z R, gdy będą przechodzić przez tworzenie aplikacji realworld Pod koniec tego szkolenia uczestnicy będą mogli: Użyj technik jako strojenia hiperparametrowego i głębokiego uczenia się Zrozum i wdrażaj nienadzorowane techniki uczenia się Wprowadź model do produkcji do użycia w większej aplikacji Publiczność Deweloperzy Analitycy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
28 godzin
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Głębokie uczenie się jest dziedziną 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 wykorzystywany 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 w zakresie finansowania za pomocą R, gdy przechodzą przez proces tworzenia modelu przewidywania cen akcji. Pod koniec tego szkolenia uczestnicy będą mogli:
- Zrozum podstawowe pojęcia głębokiego uczenia się
- Poznaj aplikacje i zastosowania głębokiego uczenia się w finansach
- Użyj R, aby stworzyć modele głębokiego uczenia się dla finansów
- Zbuduj swój własny model przewidywania ceny akcji dogłębnej nauki za pomocą R
- Deweloperzy
- Dane naukowców
- Wykład częściowy, dyskusja częściowa, 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
- Developers
- Data scientists
- 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. Głębokie uczenie się jest dziedziną 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 wykorzystywany 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 w bankowości, korzystając z R, poprzez stworzenie modelu głębokiego uczenia się ryzyka kredytowego. Pod koniec tego szkolenia uczestnicy będą mogli:
- Zrozum podstawowe pojęcia głębokiego uczenia się
- Poznaj aplikacje i zastosowania głębokiego uczenia się w bankowości
- Użyj R, aby stworzyć głębokie modele uczenia się dla bankowości
- Zbuduj swój własny model ryzyka kredytowego do głębokiego uczenia się przy użyciu R
- Deweloperzy
- Dane naukowców
- Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna
28 godzin
Uczenie maszynowe jest gałęzią sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego zaprogramowania Głębokie uczenie się jest poddziedziną uczenia maszynowego, które wykorzystuje metody oparte na reprezentacji danych uczenia się i strukturach, takich jak sieci neuronowe Python to język programowania wysokiego poziomu znany ze swojej czytelnej składni i czytelności kodu Podczas tego instruktażowego szkolenia na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla finansów za pomocą Pythona, gdy przechodzą przez tworzenie modelu prognozowania cen akcji Pod koniec tego szkolenia uczestnicy będą mogli: Rozumieć podstawowe pojęcia głębokiego uczenia się Poznaj aplikacje i zastosowania głębokiego uczenia się w finansach Używaj Pythona, Keras i TensorFlow do tworzenia modeli głębokiego uczenia się dla finansów Zbuduj własny model prognozowania cen akcji za pomocą Pythona Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
21 godzin
Wprowadzenie :
Głębokie uczenie się staje się głównym składnikiem przyszłego projektowania produktów, które chcą włączyć sztuczną inteligencję do serca swoich modeli. W ciągu najbliższych 5 do 10 lat narzędzia do rozwoju głębokiego uczenia się, biblioteki i języki staną się standardowymi składnikami każdego zestawu narzędzi do rozwoju oprogramowania. Do tej pory Google, Sales Force, Facebook, Amazon z powodzeniem wykorzystuje AI głębokiego uczenia się, aby poprawić swój biznes. Aplikacje różnią się od automatycznej tłumaczenia maszynowego, analizy obrazu, analizy wideo, analizy ruchu, generowania reklam ukierunkowanych i wiele innych.
Ten kurs jest przeznaczony dla tych organizacji, które chcą włączyć Deep Learning jako bardzo ważną część swojej strategii produktu lub usługi. Poniżej znajduje się wyświetlacz kursu głębokiego uczenia się, który możemy dostosować do różnych poziomów pracowników / podmiotów w organizacji.
Odbiorca docelowy:
(W zależności od odbiorców docelowych, materiały kursowe zostaną dostosowane)
Wykonawcy
Ogólny przegląd sztucznej inteligencji i sposobu, w jaki pasuje do strategii korporacyjnej, z sesjami przerw dotyczącymi planowania strategicznego, map technologicznych i przydziału zasobów w celu zapewnienia maksymalnej wartości.
menedżer projektów
Jak zaplanować projekt AI, w tym gromadzenie i ocena danych, czyszczenie i weryfikacja danych, rozwój modelu dowodowego koncepcji, integracja w procesach biznesowych i dostawa w całej organizacji.
Twórcy
Szczegółowe szkolenia techniczne, z uwzględnieniem sieci nerwowych i głębokiego uczenia się, analizy obrazu i wideo (CNN), analizy dźwięku i tekstu (NLP) oraz wprowadzania AI do istniejących aplikacji.
sprzedawcy
Ogólny przegląd AI i jak może zaspokoić potrzeby klientów, propozycje wartości dla różnych produktów i usług oraz jak złagodzić obawy i promować korzyści AI.
14 godzin
Ta sesja szkoleniowa oparta na zajęciach będzie zawierać prezentacje i przykłady oparte na komputerach oraz ćwiczenia studium przypadku, które należy przeprowadzić z odpowiednimi bibliotekami sieci neuronowych i głębokich
14 godzin
Machine Learning jest gałęzią sztucznej inteligencji, w której komputery mają zdolność do uczenia się bez wyraźnego programowania. Deep Learning jest podłożem Machine Learning, który próbuje naśladować działania ludzkiego mózgu w podejmowaniu decyzji. Jest on szkolony z danymi w celu automatycznego dostarczania rozwiązań problemów. Deep Learning zapewnia szerokie możliwości dla przemysłu medycznego, który siedzi na datach miny złota.
W tym szkoleniu prowadzonym przez instruktora, uczestnicy będą uczestniczyć w serii dyskusji, ćwiczeń i analizy przypadków, aby zrozumieć podstawy Deep Learning. Najważniejsze Deep Learning narzędzia i techniki zostaną ocenione, a ćwiczenia zostaną przeprowadzone w celu przygotowania uczestników do przeprowadzenia własnej oceny i wdrażania Deep Learning rozwiązań w ich organizacjach.
Po zakończeniu szkolenia uczestnicy będą mogli:
-
Zrozum podstawowe zasady Deep Learning
Naucz się Deep Learning technik i ich zastosowań w branży
Przegląd problemów w medycynie, które można rozwiązać za pomocą technologii Deep Learning
Przeglądaj Deep Learning badania przypadków w medycynie
Opracowanie strategii przyjmowania najnowszych technologii w Deep Learning w celu rozwiązania problemów w medycynie
-
menedżerów
Specjaliści medyczni w rolach przywódczych
-
Częściowe wykłady, częściowe dyskusje, ćwiczenia i ciężkie praktyki
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
14 godzin
OpenCV to biblioteka funkcji programowania do rozdzielania obrazów za pomocą algorytmów komputerowych. OpenCV 4 jest najnowszym wydaniem OpenCV i zapewnia optymalizowaną modularność, aktualizowane algorytmy i wiele innych. OpenCV 4 i Python, użytkownicy będą mogli oglądać, pobierać i klasyfikować obrazy i filmy dla zaawansowanego rozpoznawania obrazu.
Ten instruktor prowadzony, szkolenie na żywo (online lub on-site) jest skierowany do inżynierów oprogramowania, którzy chcą zaplanować w Python z OpenCV 4 do głębokiego uczenia się.
Po zakończeniu szkolenia uczestnicy będą mogli:
-
Wyświetlanie, ładowanie i klasyfikacja obrazów i filmów za pomocą OpenCV 4.
Wprowadzenie głębokiego nauki w OpenCV 4 z TensorFlow i Keras.
Wykonaj modele głębokiego uczenia się i generuj wpływowe raporty z obrazów i filmów.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
Last Updated:
Nadchodzące szkolenia z technologii Deep Learning (DL)
Deep Learning AI Techniques for Executives, Developers and Managers
2023-04-04 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
21 godzin
Deep Learning for Medicine
2023-04-18 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
14 godzin
Neural computing – Data science
2023-05-02 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
14 godzin
Neural computing – Data science
2023-05-16 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
14 godzin
Deep Learning for Medicine
2023-05-30 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
14 godzin
Deep Learning for Medicine
2023-06-13 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
14 godzin
Python and Deep Learning with OpenCV 4
2023-06-27 09:00
Wrocław, ul.Ludwika Rydygiera 2a/22
14 godzin
Other regions
Other countries
Konsultacje
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)
