Praktyczne szkolenia na żywo z sieci neuronowej pokazują budowy sieci neuronowych przy użyciu wielu narzędzi i bibliotek opartych na otwartym oprogramowaniu.
Nasze kursy oparte są na popularnych językach programowania, takich jak język Python, Java, R i potężne biblioteki, w tym TensorFlow, Latarka, Caffe, Theano i inne.
Szkolenie na żywo może odbywać się lokalnie w siedzibie klienta w Polsce lub w centrach szkoleniowych NobleProg w Polsce
Zdalne szkolenie online odbywa się za pomocą interaktywnego, zdalnego pulpitu DaDesktop .
NobleProg Twój lokalny dostawca szkoleń.
Opinie uczestników
Trener bardzo zrozumiale wytłumaczył trudne i zaawansowane tematy.
Leszek K
Szkolenie: Artificial Intelligence Overview
dużo ćwiczeń, które bezpośrednio mogę wykorzystać w mojej pracy
Alior Bank S.A.
Szkolenie: Sieci Neuronowe w R
Przykłady na danych rzeczywistych
Alior Bank S.A.
Szkolenie: Sieci Neuronowe w R
neuralnet, pROC w petli
Alior Bank S.A.
Szkolenie: Sieci Neuronowe w R
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
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
Ann stworzyła świetne środowisko do zadawania pytań i uczenia się. Mieliśmy dużo zabawy, a także wiele się nauczyliśmy w tym samym czasie.
Gudrun Bickelq
Szkolenie: Introduction to the use of neural networks
Machine Translated
Część interaktywna, dostosowana do naszych konkretnych potrzeb.
Thomas Stocker
Szkolenie: Introduction to the use of neural networks
Machine Translated
Ogólnie byłem zadowolony z kompetentnego trenera.
Sridhar Voorakkara
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Byłem zdumiony standardem tej klasy - powiedziałbym, że był to standard uniwersytecki.
David Relihan
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Bardzo dobry ogólny przegląd. Go dlaczego Tensorflow działa tak, jak działa.
Kieran Conboy
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Spodobały mi się możliwości zadawania pytań i dokładniejszego wyjaśnienia teorii.
Sharon Ruane
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Spodobały mi się nowe spostrzeżenia w głębokim uczeniu maszynowym.
Josip Arneric
Szkolenie: Sieci Neuronowe w R
Machine Translated
Zdobyliśmy nieco wiedzy na temat NN w ogóle, a najbardziej interesujące dla mnie były nowe typy NN, które są obecnie popularne.
Tea Poklepovic
Szkolenie: Sieci Neuronowe w R
Machine Translated
Najbardziej podobały mi się wykresy w R :))).
Faculty of Economics and Business Zagreb
Szkolenie: Sieci Neuronowe w R
Machine Translated
Perspektywa technologii: jaka technologia / proces może stać się ważniejsza w przyszłości; zobacz, do czego można wykorzystać tę technologię.
Commerzbank AG
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Miałem korzyści z wyboru tematu. Styl szkolenia. Poćwicz orientację.
Commerzbank AG
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Naprawdę doceniam krystalicznie czyste odpowiedzi Chrisa na nasze pytania.
Léo Dubus
Szkolenie: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Łącza komunikacyjne z wykładowcami
文欣 张
Szkolenie: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Wszystko jak
lisa xie
Szkolenie: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Podkategorie Sieci Neuronowe
Plany szkoleń z technologii Sieci Neuronowe
Nazwa kursu
Czas trwania
Opis
Nazwa kursu
Czas trwania
Opis
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.
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 .
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
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
7 godzin
Opis
Snorkel to system do szybkiego tworzenia, modelowania i zarządzania danymi treningowymi Koncentruje się na przyspieszeniu rozwoju strukturalnych lub "ciemnych" aplikacji do ekstrakcji danych w domenach, w których duże zestawy szkoleniowe nie są dostępne lub łatwe do zdobycia W ramach tego instruktażowego szkolenia na żywo uczestnicy poznają techniki uzyskiwania wartości z niestrukturalnych danych, takich jak tekst, tabele, rysunki i obrazy, poprzez modelowanie danych treningowych za pomocą Snorkel Pod koniec tego szkolenia uczestnicy będą mogli: Programowo tworzyć zestawy szkoleniowe, aby umożliwić oznaczanie olbrzymich zestawów szkoleniowych Trenuj modele końca wysokiej jakości, modelując najpierw głośne zestawy treningowe Użyj Snorkela do implementacji słabych technik nadzoru i zastosowania programowania danych do słabo nadzorowanych systemów uczenia maszynowego Publiczność Deweloperzy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
14 godzin
Opis
Szkolenie jest wprowadzeniem do wdrożenia sieci neuronowych w życiu codziennym wykorzystując oprogramowanie R-project.
14 godzin
Opis
A recommender system is an information filtering process that predicts the user's preferences. Python can be used to program deep learning, machine learning, and neural network recommender systems to help users discover new products and content.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
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 .
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.
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.
14 godzin
Opis
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
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 .
To szkolenie bardziej koncentruje się na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow , Caffe , Teano, DeepDrive, Keras itp. Przykłady zostały wykonane w TensorFlow .
7 godzin
Opis
Szkolenie skierowane jest do osób, które chcą zapoznać się z podstawami sieci neuronowych oraz ich zastosowań.
21 godzin
Opis
Mechatronika (aka inżynieria mechatroniczna) to połączenie mechaniki, elektroniki i informatyki.
Ten prowadzony przez instruktora trening na żywo (na miejscu lub zdalnie) skierowany jest do inżynierów, którzy chcą poznać możliwości zastosowania sztucznej inteligencji w systemach mechatronicznych.
Pod koniec tego szkolenia uczestnicy będą mogli:
- Uzyskaj przegląd sztucznej inteligencji, uczenia maszynowego i inteligencji obliczeniowej.
- Zrozum pojęcia sieci neuronowych i różnych metod uczenia się.
- Wybierz metody sztucznej inteligencji efektywnie w rzeczywistych problemach.
- Wdrożenie aplikacji AI w inżynierii mechatronicznej.
Format kursu
- Interaktywny wykład i dyskusja.
- Wiele ćwiczeń i ćwiczeń.
- Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.
Opcje dostosowywania kursu
- Aby poprosić o niestandardowe szkolenie na ten kurs, skontaktuj się z nami w celu umówienia.
Ten prowadzony przez instruktora trening na żywo (na miejscu lub zdalnie) skierowany jest do inżynierów, którzy chcą poznać możliwości zastosowania sztucznej inteligencji w systemach mechatronicznych.
Pod koniec tego szkolenia uczestnicy będą mogli:
- Uzyskaj przegląd sztucznej inteligencji, uczenia maszynowego i inteligencji obliczeniowej.
- Zrozum pojęcia sieci neuronowych i różnych metod uczenia się.
- Wybierz metody sztucznej inteligencji efektywnie w rzeczywistych problemach.
- Wdrożenie aplikacji AI w inżynierii mechatronicznej.
Format kursu
- Interaktywny wykład i dyskusja.
- Wiele ćwiczeń i ćwiczeń.
- Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.
Opcje dostosowywania kursu
- Aby poprosić o niestandardowe szkolenie na ten kurs, skontaktuj się z nami w celu umówienia.
7 godzin
Opis
Kurs ten został stworzony dla menadżerów, architektów, analityków biznesowych i systemowych, menedżerów oprogramowania oraz wszystkich zainteresowanych przeglądem stosowania sztucznej inteligencji i prognozą dla jej rozwoju.
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.
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.
14 godzin
Opis
Encog to otwarta platforma uczenia maszynowego dla języków Java iNet W tym instruktażowym szkoleniu na żywo uczestnicy nauczą się, jak tworzyć różne elementy sieci neuronowej za pomocą ENCOG Omówione zostaną studia przypadków Realworld i zostaną zbadane rozwiązania oparte na języku maszynowym na te problemy Pod koniec tego szkolenia uczestnicy będą mogli: Przygotuj dane dla sieci neuronowych za pomocą procesu normalizacji Zaimplementuj sieci przekazywania danych i metody szkolenia propagowania Wykonaj zadania klasyfikacji i regresji Modeluj i trenuj sieci neuronowe za pomocą środowiska graficznego opartego na GUI Zintegruj obsługę sieci neuronowej z aplikacjami realworld Publiczność Deweloperzy Analitycy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
14 godzin
Opis
Encog to otwarta platforma uczenia maszynowego dla języków Java iNet W tym instruktażowym szkoleniu na żywo uczestnicy poznają zaawansowane techniki uczenia maszynowego do budowania dokładnych modeli predykcyjnych sieci neuronowych Pod koniec tego szkolenia uczestnicy będą mogli: Zaimplementuj różne techniki optymalizacji sieci neuronowych, aby rozwiązać problem niedostosowania i przeuczenia Zrozum i wybierz jedną z wielu architektur sieci neuronowych Zaimplementuj nadzorowane sieci przesyłu danych i opinie Publiczność Deweloperzy Analitycy Data naukowcy Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .
21 godzin
Opis
Głębokie uczenie się o wzmocnieniu odnosi się do zdolności „sztucznego agenta” do uczenia się metodą prób i błędów oraz kar i nagród. Sztuczny czynnik ma na celu naśladowanie ludzkiej zdolności do samodzielnego uzyskiwania i konstruowania wiedzy, bezpośrednio z surowych danych wejściowych, takich jak wizja. Aby zrealizować uczenie się na wzmacnianie, wykorzystuje się głębokie uczenie i sieci neuronowe. Uczenie się o wzmocnieniu różni się od uczenia maszynowego i nie polega na nadzorowanych i nienadzorowanych podejściach do nauki.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają podstawy Deep Reinforcement Learning, gdy przejdą przez tworzenie Deep Learning Agent.
Pod koniec tego szkolenia uczestnicy będą mogli:
- Zrozumienie kluczowych pojęć związanych z Deep Reinforcement Learning i umiejętność odróżnienia go od Machine Learning
- Zastosuj zaawansowane algorytmy uczenia się zbrojenia, aby rozwiązać rzeczywiste problemy
- Zbuduj Deep Learning Agent
Publiczność
- Deweloperzy
- Naukowcy danych
Format kursu
- Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają podstawy Deep Reinforcement Learning, gdy przejdą przez tworzenie Deep Learning Agent.
Pod koniec tego szkolenia uczestnicy będą mogli:
- Zrozumienie kluczowych pojęć związanych z Deep Reinforcement Learning i umiejętność odróżnienia go od Machine Learning
- Zastosuj zaawansowane algorytmy uczenia się zbrojenia, aby rozwiązać rzeczywiste problemy
- Zbuduj Deep Learning Agent
Publiczność
- Deweloperzy
- Naukowcy danych
Format kursu
- Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna
21 godzin
Opis
Ten prowadzony przez instruktora kurs na żywo stanowi wprowadzenie do dziedziny rozpoznawania wzorów i uczenia maszynowego. Dotyczy praktycznych zastosowań w statystyce, informatyce, przetwarzaniu sygnałów, wizji komputerowej, eksploracji danych i bioinformatyce.
Kurs jest interaktywny i obejmuje wiele ćwiczeń praktycznych, informacje zwrotne od instruktora oraz testowanie zdobytej wiedzy i umiejętności.
Kurs jest interaktywny i obejmuje wiele ćwiczeń praktycznych, informacje zwrotne od instruktora oraz testowanie zdobytej wiedzy i umiejętności.
14 godzin
Opis
To szkolenie jest przeznaczone dla osób, które chciałyby zastosować Machine Learning w praktycznych zastosowaniach.
Publiczność
Ten kurs jest przeznaczony dla naukowców zajmujących się danymi i statystyków, którzy znają statystyki i wiedzą, jak programować R (lub Python lub inny wybrany język). Kurs kładzie nacisk na praktyczne aspekty przygotowania danych / modelu, wykonania, analizy post hoc i wizualizacji.
Celem jest praktyczne zastosowanie Machine Learning dla uczestników zainteresowanych zastosowaniem metod w pracy.
Przykłady specyficzne dla danego sektora są wykorzystywane do szkolenia odpowiedniego dla odbiorców.
Publiczność
Ten kurs jest przeznaczony dla naukowców zajmujących się danymi i statystyków, którzy znają statystyki i wiedzą, jak programować R (lub Python lub inny wybrany język). Kurs kładzie nacisk na praktyczne aspekty przygotowania danych / modelu, wykonania, analizy post hoc i wizualizacji.
Celem jest praktyczne zastosowanie Machine Learning dla uczestników zainteresowanych zastosowaniem metod w pracy.
Przykłady specyficzne dla danego sektora są wykorzystywane do szkolenia odpowiedniego dla odbiorców.
28 godzin
Opis
Jest to 4-dniowy kurs przedstawiający sztuczną inteligencję i jego aplikację w Python programowania Python . Istnieje opcja dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu.
28 godzin
Opis
Jest to 4-dniowy kurs przedstawiający sztuczną inteligencję i jej zastosowanie. Istnieje opcja dodatkowego dnia na podjęcie projektu AI po ukończeniu tego kursu.
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.
35 godzin
Opis
Ten kurs jest przeznaczony dla osób, które nie mają wcześniejszego doświadczenia w zakresie prawdopodobieństwa i statystyki.
35 godzin
Opis
Kurs rozpoczyna się od przekazania wiedzy pojęciowej w sieciach neuronowych i ogólnie w algorytmie uczenia maszynowego, głębokiego uczenia się (algorytmy i aplikacje).
Część 1 (40%) tego szkolenia skupia się bardziej na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow , Caffe , Theano, DeepDrive, Keras itp.
Część 2 (20%) tego szkolenia przedstawia Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia.
Część 3 (40%) szkolenia byłaby w dużej mierze oparta na Tensorflow - API drugiej generacji biblioteki oprogramowania open source Go ogle dla Deep Learning . Wszystkie przykłady i wskazówki powstałyby w TensorFlow .
Publiczność
Ten kurs jest przeznaczony dla inżynierów, którzy chcą korzystać z TensorFlow w swoich projektach Deep Learning
Po ukończeniu tego kursu uczestnicy:
-
dobrze rozumie głębokie sieci neuronowe (DNN), CNN i RNN
-
zrozumieć strukturę i mechanizmy wdrażania TensorFlow
-
być w stanie wykonywać zadania związane z instalacją / produkcją / architekturą / konfiguracją
-
być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
-
być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie
Część 1 (40%) tego szkolenia skupia się bardziej na podstawach, ale pomoże ci wybrać odpowiednią technologię: TensorFlow , Caffe , Theano, DeepDrive, Keras itp.
Część 2 (20%) tego szkolenia przedstawia Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia.
Część 3 (40%) szkolenia byłaby w dużej mierze oparta na Tensorflow - API drugiej generacji biblioteki oprogramowania open source Go ogle dla Deep Learning . Wszystkie przykłady i wskazówki powstałyby w TensorFlow .
Publiczność
Ten kurs jest przeznaczony dla inżynierów, którzy chcą korzystać z TensorFlow w swoich projektach Deep Learning
Po ukończeniu tego kursu uczestnicy:
-
dobrze rozumie głębokie sieci neuronowe (DNN), CNN i RNN
-
zrozumieć strukturę i mechanizmy wdrażania TensorFlow
-
być w stanie wykonywać zadania związane z instalacją / produkcją / architekturą / konfiguracją
-
być w stanie ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
-
być w stanie wdrożyć zaawansowaną produkcję, taką jak modele szkoleniowe, tworzenie wykresów i rejestrowanie
Other regions
Other countries
Konsultacje
Szkolenie Sieci Neuronowe, Sieci Neuronowe boot camp, Szkolenia Zdalne Sieci Neuronowe, szkolenie wieczorowe Sieci Neuronowe, szkolenie weekendowe Sieci Neuronowe, Kurs Sieci Neuronowe,Kursy Sieci Neuronowe, Trener Sieci Neuronowe, instruktor Sieci Neuronowe, kurs zdalny Sieci Neuronowe, edukacja zdalna Sieci Neuronowe, nauczanie wirtualne Sieci Neuronowe, lekcje UML, nauka przez internet Sieci Neuronowe, e-learning Sieci Neuronowe, kurs online Sieci Neuronowe, wykładowca Sieci NeuronoweSzkolenie Neural Networks, Neural Networks boot camp, Szkolenia Zdalne Neural Networks, szkolenie wieczorowe Neural Networks, szkolenie weekendowe Neural Networks, Kurs Neural Networks,Kursy Neural Networks, Trener Neural Networks, instruktor Neural Networks, kurs zdalny Neural Networks, edukacja zdalna Neural Networks, nauczanie wirtualne Neural Networks, lekcje UML, nauka przez internet Neural Networks, e-learning Neural Networks, kurs online Neural Networks, wykładowca Neural Networks
.jpg "polska grupa farmaceutyczna (pgf)")
.png "ministerstwo spraw wewnętrznych i administracji (mswia)")
.jpg "komisja nadzoru finansowego (knf)")
.jpg "zakład ubezpieczeń społecznych (zus)")
.gif "telekomunikacja polska (tp)")
.jpg "ministerstwo obrony narodowej (mon)")
.jpg "ministerstwo kultury i dziedzictwa narodowego (mkidn)")
