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
Opis
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
Opis
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
Opis
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
Opis
TensorFlow jest 2nd Generation API Go otwartej biblioteki oprogramowania źródłowego OGLE za Deep Learning . System został zaprojektowany w celu ułatwienia badań nad uczeniem maszynowym oraz w celu szybkiego i łatwego przejścia od prototypu badawczego do systemu produkcyjnego.

Publiczność

Ten kurs jest przeznaczony dla inżynierów, którzy chcą używać TensorFlow do swoich projektów Deep Learning

Po ukończeniu tego kursu delegaci:

- zrozumieć strukturę i mechanizmy wdrażania TensorFlow
- być w stanie wykonać zadania i konfigurację środowiska instalacji / produkcji / architektury
- być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- być w stanie wdrożyć zaawansowaną produkcję, taką jak modele treningowe, wykresy budowlane i rejestrowanie
28 godzin
Opis
Ten kurs omawia, wraz z konkretnymi przykładami, zastosowanie Tensor Flow do celów rozpoznawania obrazów

Publiczność

Ten kurs jest przeznaczony dla inżynierów, którzy chcą wykorzystać TensorFlow do celów rozpoznawania obrazów

Po ukończeniu tego kursu delegaci będą mogli:

- zrozumieć strukturę i mechanizmy wdrażania TensorFlow
- wykonać zadania i konfigurację środowiska instalacji / produkcji / architektury
- ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- wdrożyć zaawansowaną produkcję, taką jak modele treningowe, wykresy budowlane i rejestrowanie
35 godzin
Opis
TensorFlow ™ to biblioteka oprogramowania typu open source do obliczeń numerycznych z wykorzystaniem wykresów przepływu danych.

SyntaxNet to neuronowa sieć przetwarzania języka naturalnego dla TensorFlow .

Word 2Vec służy do uczenia wektorowych reprezentacji słów, zwanych „osadzaniem słów”. Word 2vec jest szczególnie wydajnym obliczeniowo modelem predykcyjnym do nauki osadzania słów z surowego tekstu. Występuje w dwóch wariantach: modelu Continuous Bag-of- Word (CBOW) i Skip-Gram (rozdział 3.1 i 3.2 w Mikolov i in.).

Używany w tandemie SyntaxNet i Word 2Vec umożliwia użytkownikom generowanie modeli Learned Embedding z wejścia Natural Language.

Publiczność

Kurs jest skierowany do programistów i inżynierów, którzy zamierzają pracować z modelami SyntaxNet i Word 2Vec w swoich wykresach TensorFlow .

Po ukończeniu tego kursu delegaci:

- zrozumieć strukturę i mechanizmy wdrażania TensorFlow
- być w stanie wykonać zadania i konfigurację środowiska instalacji / produkcji / architektury
- być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- być w stanie wdrożyć zaawansowaną produkcję, taką jak modele treningowe, terminy osadzania, wykresy budowlane i rejestrowanie
14 godzin
Opis
Deeplearning4j to rozproszona biblioteka do głębokiego uczenia się napisana dla Java i Scala . Zintegrowany z Hadoop i Spark, DL4J jest przeznaczony do stosowania w środowiskach biznesowych na rozproszonych GPU i procesorach.

Word 2Vec to metoda obliczania reprezentacji wektorowej słów wprowadzonych przez zespół naukowców w Go ogle prowadzonej przez Tomasa Mikolov.

Publiczność

Kurs skierowany jest do naukowców, inżynierów i programistów, którzy chcą wykorzystać Deeplearning4J do konstruowania modeli Word 2Vec.
21 godzin
Opis
Deeplearning4j to pierwsza komercyjna, rozproszona biblioteka do głębokiego uczenia się napisana dla Java i Scala . Zintegrowany z Hadoop i Spark, DL4J jest przeznaczony do stosowania w środowiskach biznesowych na rozproszonych GPU i procesorach.

Publiczność

Ten kurs jest skierowany do inżynierów i programistów, którzy chcą wykorzystać Deeplearning4j w swoich projektach.

Po tym kursie delegaci będą mogli:
21 godzin
Opis
SINGA jest ogólną rozproszoną platformą do głębokiego uczenia się do szkolenia dużych modeli głębokiego uczenia się na dużych zestawach danych. Został zaprojektowany z intuicyjnym modelem programowania opartym na abstrakcji warstwy. Obsługiwane są różne popularne modele głębokiego uczenia się, a mianowicie modele sprzężenia zwrotnego, w tym splotowe sieci neuronowe (CNN), modele energetyczne, takie jak ograniczona maszyna Boltzmanna (RBM), oraz powtarzające się sieci neuronowe (RNN). Wiele wbudowanych warstw jest dostępnych dla użytkowników. Architektura SINGA jest wystarczająco elastyczna, aby uruchamiać synchroniczne, asynchroniczne i hybrydowe struktury szkoleniowe. SINGA obsługuje również różne schematy partycjonowania sieci neuronowych w celu równoległego szkolenia dużych modeli, a mianowicie partycjonowania w wymiarze partii, wymiaru cech lub partycjonowania hybrydowego.

Publiczność

Ten kurs jest skierowany do naukowców, inżynierów i programistów, którzy chcą wykorzystać Apache SINGA jako Apache SINGA do głębokiego uczenia się.

Po ukończeniu tego kursu delegaci:

- zrozumieć strukturę i mechanizmy wdrażania SINGA
- być w stanie wykonać zadania i konfigurację środowiska instalacji / produkcji / architektury
- być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- być w stanie wdrożyć zaawansowaną produkcję, taką jak modele treningowe, terminy osadzania, wykresy budowlane i rejestrowanie
21 godzin
Opis
Deeplearning4j to Open-Source Deep-Learning Software dla Java i Scala na Hadoop i Spark.

Publiczność

Ten kurs jest przeznaczony dla inżynierów i programistów, którzy chcą wykorzystać DeepLearning4J w swoich projektach rozpoznawania obrazów.
21 godzin
Opis
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
Opis
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
Opis
Kurs obejmuje AI (kładąc nacisk na Machine Learning i Deep Learning ) w przemyśle Automotive . Pomaga określić, która technologia może być (potencjalnie) używana w wielu sytuacjach w samochodzie: od prostej automatyzacji, przez rozpoznawanie obrazów po autonomiczne podejmowanie decyzji.
28 godzin
Opis
Ten kurs daje wiedzę na temat sieci neuronowych i ogólnie algorytmu uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).

To szkolenie bardziej koncentruje się na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow , Caffe , Teano, DeepDrive, Keras itp. Przykłady zostały wykonane w TensorFlow .
21 godzin
Opis
Ten kurs obejmuje sztuczną inteligencję (podkreślanie Machine Learning i Deep Learning )
21 godzin
Opis
Torch jest biblioteką uczenia maszynowego typu open source i naukowym środowiskiem komputerowym opartym na języku programowania Lua . Zapewnia środowisko programistyczne dla liczb, uczenia maszynowego i wizji komputerowej, ze szczególnym naciskiem na głębokie uczenie się i sieci splotowe. Jest to jedna z najszybszych i najbardziej elastycznych platform dla Deep Learning maszynowego i Deep Learning i jest używana przez firmy takie jak Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel i wiele innych.

W tym instruktażowym szkoleniu na żywo omawiamy zasady Torch , jej unikalne cechy oraz sposób, w jaki można ją stosować w aplikacjach rzeczywistych. Przez cały czas przechodzimy przez wiele praktycznych ćwiczeń, demonstrując i ćwicząc nabyte pojęcia.

Do końca kursu uczestnicy będą dokładnie rozumieć podstawowe cechy i możliwości Torch , a także jej rolę i wkład w przestrzeń sztucznej inteligencji w porównaniu z innymi strukturami i bibliotekami. Uczestnicy otrzymają również praktykę niezbędną do wdrożenia Torch we własnych projektach.

Format kursu

- Przegląd maszyn i Deep Learning
- Ćwiczenia z kodowania i integracji w klasie
- Pytania testowe posypane po drodze, aby sprawdzić zrozumienie
14 godzin
Opis
OpenNN jest biblioteką klasy open-source napisaną w C ++, która implementuje sieci neuronowe, do wykorzystania w uczeniu maszynowym.

W tym kursie omawiamy zasady sieci neuronowych i wykorzystujemy OpenNN do implementacji przykładowej aplikacji.

Publiczność
Twórcy oprogramowania i programiści, którzy chcą tworzyć aplikacje Deep Learning.

Format kursu
Wykład i dyskusja połączone z praktycznymi ćwiczeniami.
7 godzin
Opis
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.

Format kursu

- Wykład częściowy, dyskusja częściowa, ciężka praktyka praktyczna
21 godzin
Opis
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
Opis
W tym instruktażowym szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z Facebook NMT (Fairseq) do przeprowadzania tłumaczenia przykładowych treści.

Pod koniec 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, ciężkie ćwiczenia praktyczne

Uwaga

- Jeśli chcesz korzystać z określonych treści w języku źródłowym i docelowym, skontaktuj się z nami w celu ustalenia szczegółów.
7 godzin
Opis
The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision.

In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications.

By the end of the training, participants will be able to:

- Train various types of neural networks on large amounts of data.
- Use TPUs to speed up the inference process by up to two orders of magnitude.
- Utilize TPUs to process intensive applications such as image search, cloud vision and photos.

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
21 godzin
Opis
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
Opis
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
Opis
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

Format kursu

- Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna
7 godzin
Opis
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
Opis
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 .
14 godzin
Opis
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
Opis
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
Opis
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 .
7 godzin
Opis
TensorFlow Serving to system do obsługi modeli uczenia maszynowego (ML) do produkcji W tym instruktażowym szkoleniu na żywo uczestnicy dowiedzą się, jak skonfigurować i używać TensorFlow Serving do wdrażania i zarządzania modelami ML w środowisku produkcyjnym Pod koniec tego szkolenia uczestnicy będą mogli: Trenuj, eksportuj i obsługuj różne modele TensorFlow Testuj i wdrażaj algorytmy za pomocą pojedynczej architektury i zestawu interfejsów API Rozszerz obsługę TensorFlow, aby obsługiwać inne typy modeli poza modelami TensorFlow Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .

Nadchodzące szkolenia z technologii Deep Learning (DL)

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

Newsletter z promocjami

We respect the privacy of your email address. We will not pass on or sell your address to others.
You can always change your preferences or unsubscribe completely.

Zaufali nam

This site in other countries/regions