Online lub na miejscu, prowadzone przez instruktora na żywo kursy Deep Learning (DL) demonstrują poprzez praktyczne ćwiczenia podstawy i zastosowania Deep Learning oraz obejmują tematy takie jak głębokie uczenie maszynowe, głębokie uczenie strukturalne i uczenie hierarchiczne.
Szkolenia z Deep Learning są dostępne jako "szkolenie na żywo online" lub "szkolenie na żywo na miejscu". Szkolenie na żywo online (znane również jako "szkolenie na żywo zdalne") jest prowadzone za pomocą interaktywnego pulpitu zdalnego. Szkolenie na żywo na miejscu może być przeprowadzone lokalnie w siedzibie klienta w Koszalin lub w centrach szkoleniowych NobleProg w Koszalin.
NobleProg -- Twój Lokalny Dostawca Szkoleń
Koszalin
Gwardia, Sportowa 34, Koszalin, Polska, 75-503
Sala szkoleniowa jest wyposażona w nowoczesne udogodnienia. Znajduje się 3 kilometry od centrum miasta. Obiekt posiada przestronny parking dla uczestników szkoleń, co zapewnia wygodny dostęp dla wszystkich kursantów.
To szkolenie prowadzone przez instruktora na żywo w Koszalin (online lub na miejscu) jest skierowane do programistów, naukowców zajmujących się danymi oraz praktyków AI na poziomie średnio zaawansowanym, którzy chcą wykorzystać TensorFlow Lite w aplikacjach Edge AI.
Po zakończeniu szkolenia uczestnicy będą mogli:
Zrozumieć podstawy TensorFlow Lite i jego rolę w Edge AI.
Tworzyć i optymalizować modele AI przy użyciu TensorFlow Lite.
Wdrażać modele TensorFlow Lite na różnych urządzeniach brzegowych.
Wykorzystywać narzędzia i techniki do konwersji i optymalizacji modeli.
Wdrażać praktyczne aplikacje Edge AI przy użyciu TensorFlow Lite.
To szkolenie prowadzone przez instruktora, na żywo w Koszalin (online lub na miejscu), skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat computer vision i poznać możliwości TensorFlow w zakresie tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.
Po zakończeniu szkolenia uczestnicy będą mogli:
Budować i trenować konwolucyjne sieci neuronowe (CNNs) przy użyciu TensorFlow.
Wykorzystywać Google Colab do skalowalnego i efektywnego rozwoju modeli w chmurze.
Stosować techniki wstępnego przetwarzania obrazów do zadań computer vision.
Wdrażać modele computer vision do rzeczywistych zastosowań.
Wykorzystywać transfer learning, aby poprawić wydajność modeli CNN.
Wizualizować i interpretować wyniki modeli klasyfikacji obrazów.
To szkolenie prowadzone przez instruktora na żywo w Koszalin (online lub na miejscu) jest skierowane do średniozaawansowanych naukowców zajmujących się danymi i programistów, którzy chcą zrozumieć i stosować techniki głębokiego uczenia w środowisku Google Colab.
Po zakończeniu szkolenia uczestnicy będą mogli:
Skonfigurować i poruszać się po Google Colab w projektach związanych z głębokim uczeniem.
Zrozumieć podstawy sieci neuronowych.
Implementować modele głębokiego uczenia za pomocą TensorFlow.
Trenować i oceniać modele głębokiego uczenia.
Wykorzystywać zaawansowane funkcje TensorFlow do głębokiego uczenia.
Ta prowadzona przez instruktora, żywa sesja szkoleniowa w Koszalin (online lub na miejscu) jest skierowana do profesjonalistów na zaawansowanym poziomie, którzy chcą specjalizować się w najnowocześniejszych technikach głębokiego uczenia dla NLU.
Pod koniec szkolenia uczestnicy będą w stanie:
Zrozumieć kluczowe różnice między modelami NLU i NLP.
Stosować zaawansowane techniki głębokiego uczenia w zadaniach NLU.
Poznać głębokie architektury, takie jak transformatory i mechanizmy uwagi.
Wykorzystywać przyszłe trendy w NLU do budowania zaawansowanych systemów AI.
To szkolenie prowadzone przez instruktora, na żywo w Koszalin (online lub na miejscu) jest skierowane do profesjonalistów na zaawansowanym poziomie, którzy chcą zgłębić najnowocześniejsze techniki XAI dla modeli głębokiego uczenia się, z naciskiem na budowanie interpretowalnych systemów AI.
Pod koniec szkolenia uczestnicy będą mogli:
Zrozumieć wyzwania związane z explainability w głębokim uczeniu się.
Wdrażać zaawansowane techniki XAI dla sieci neuronowych.
Interpretować decyzje podejmowane przez modele głębokiego uczenia się.
Oceniać kompromisy między wydajnością a przejrzystością.
To szkolenie prowadzone przez instruktora, na żywo w Koszalin (online lub na miejscu) jest skierowane do średnio zaawansowanych i zaawansowanych naukowców zajmujących się danymi, inżynierów uczenia maszynowego, badaczy uczenia głębokiego oraz ekspertów w dziedzinie przetwarzania obrazów, którzy chcą poszerzyć swoją wiedzę i umiejętności w zakresie uczenia głębokiego do generowania obrazów z tekstu.
Pod koniec szkolenia uczestnicy będą mogli:
Zrozumieć zaawansowane architektury i techniki uczenia głębokiego do generowania obrazów z tekstu.
Implementować złożone modele i optymalizacje do syntezy wysokiej jakości obrazów.
Optymalizować wydajność i skalowalność dla dużych zbiorów danych i złożonych modeli.
Dostosowywać hiperparametry w celu poprawy wydajności i uogólnienia modelu.
Integrować Stable Diffusion z innymi frameworkami i narzędziami do uczenia głębokiego.
To szkolenie prowadzone przez instruktora, na żywo w Koszalin (online lub na miejscu) jest skierowane do profesjonalistów na zaawansowanym poziomie, którzy chcą wykorzystać techniki AI, aby zrewolucjonizować procesy odkrywania i rozwoju leków.
Po zakończeniu szkolenia uczestnicy będą w stanie:
Zrozumieć rolę AI w odkrywaniu i rozwoju leków.
Stosować techniki uczenia maszynowego do przewidywania właściwości i interakcji molekularnych.
Wykorzystywać modele głębokiego uczenia do wirtualnego przesiewania i optymalizacji liderów.
Integrować podejścia oparte na AI w proces badań klinicznych.
To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do biologów, którzy chcą zrozumieć, jak działa AlphaFold, i wykorzystywać modele AlphaFold jako przewodniki w swoich badaniach eksperymentalnych.
Po zakończeniu szkolenia uczestnicy będą mogli:
Zrozumieć podstawowe zasady działania AlphaFold.
Poznać, jak działa AlphaFold.
Nauczyć się interpretować przewidywania i wyniki AlphaFold.
Ten prowadzony przez instruktora, żywy trening w Koszalin (online lub na miejscu) jest skierowany do programistów na poziomie podstawowym i średnio zaawansowanym, którzy chcą korzystać z dużych modeli językowych do różnych zadań związanych z językiem naturalnym.
Stworzyć podstawowy LLM i dostroić go do niestandardowego zestawu danych.
Korzystać z LLM do różnych zadań związanych z językiem naturalnym, takich jak podsumowywanie tekstu, odpowiadanie na pytania, generowanie tekstu i wiele innych.
Debugować i oceniać LLM za pomocą narzędzi takich jak TensorBoard, PyTorch Lightning i Hugging Face Datasets.
To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do naukowców zajmujących się danymi, inżynierów uczenia maszynowego i badaczy wizji komputerowej, którzy chcą wykorzystać Stable Diffusion do generowania wysokiej jakości obrazów dla różnych przypadków użycia.
Pod koniec szkolenia uczestnicy będą mogli:
Zrozumieć zasady działania Stable Diffusion i sposób generowania obrazów.
Tworzyć i trenować modele Stable Diffusion do zadań generowania obrazów.
Stosować Stable Diffusion w różnych scenariuszach generowania obrazów, takich jak inpainting, outpainting i translacja obrazów.
Optymalizować wydajność i stabilność modeli Stable Diffusion.
W tym szkoleniu prowadzonym przez instruktora na żyvo w Koszalin, uczestnicy poznają najbardziej istotne i nowoczesne techniki uczenia maszynowego w Pythonie, budując serię demonstracyjnych aplikacji obejmujących dane obrazowe, muzyczne, tekstowe i finansowe.
Pod koniec szkolenia uczestnicy będą mogli:
Implementować algorytmy i techniki uczenia maszynowego do rozwiązywania złożonych problemów.
Stosować uczenie głębokie i częściowo nadzorowane w aplikacjach dotyczących danych obrazowych, muzycznych, tekstowych i finansowych.
Wykorzystywać algorytmy Pythona do ich maksymalnego potencjału.
Korzystać z bibliotek i pakietów takich jak NumPy i Theano.
Stosowana sztuczna inteligencja od podstaw w Pythonie wyposaża programistów i analityków danych w podstawowe techniki budowania rozwiązań uczenia maszynowego od zera przy użyciu Pythona. Kurs obejmuje podstawowe zasady nadzorowanego uczenia maszynowego, takie jak klasyfikacja i regresja, nienadzorowane uczenie maszynowe, w tym klasteryzacja i wykrywanie anomalii, oraz zaawansowane architektury sieci neuronowych. Prezentuje sprawdzone metody pracy z bibliotekami scikit-learn, Apache Spark MLlib oraz Jupyter notebooks w celu praktycznego rozwoju AI. Pomaga profesjonalistom wdrażać praktyczne modele uczenia maszynowego, oceniać ograniczenia algorytmów i realizować projekty aplikacyjne służące rozwiązywaniu rzeczywistych problemów.
Głębokie Uczenie przez Wzmocnienie (DRL) łączy zasady uczenia przez wzmacnianie z architekturami głębokiego uczenia się, umożliwiając agentom podejmowanie decyzji poprzez interakcję z ich środowiskiem. Stanowi podstawę wielu współczesnych postępów w dziedzinie sztucznej inteligencji, takich jak samochody autonomiczne, sterowanie robotami, algorytmiczny handel oraz systemy rekomendacji adaptacyjnych. DRL pozwala sztucznemu agentowi uczyć się strategii, optymalizować polityki i podejmować autonomiczne decyzje na podstawie prób i błędów, wykorzystując uczenie oparte na nagrodach.
To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do programistów i naukowców zajmujących się danymi na poziomie średniozaawansowanym, którzy chcą poznać i zastosować techniki Głębokiego Uczenia przez Wzmocnienie do budowy inteligentnych agentów zdolnych do autonomicznego podejmowania decyzji w złożonych środowiskach.
Po zakończeniu szkolenia uczestnicy będą w stanie:
Zrozumieć teoretyczne podstawy i matematyczne zasady Uczenia przez Wzmocnienie.
Zaimplementować kluczowe algorytmy RL, w tym Q-Learning, Policy Gradients oraz metody Actor-Critic.
Budować i trenować agentów Głębokiego Uczenia przez Wzmocnienie przy użyciu TensorFlow lub PyTorch.
Zastosować DRL w rzeczywistych zastosowaniach, takich jak gry, robotyka i optymalizacja decyzji.
Rozwiązywać problemy, wizualizować i optymalizować wydajność treningu przy użyciu nowoczesnych narzędzi.
Format kursu
Interaktywny wykład i dyskusja pod kierunkiem instruktora.
Ćwiczenia praktyczne i implementacje.
Demonstracje kodowania na żywo i aplikacje oparte na projektach.
Opcje dostosowania kursu
Aby zamówić dostosowaną wersję tego kursu (np. z użyciem PyTorch zamiast TensorFlow), skontaktuj się z nami w celu uzgodnienia szczegółów.
Zagłębianie się w podstawy sztucznej inteligencji ujawnia, jak inteligentna technologia przekształca strategię cyfrową, automatyzację i podejmowanie decyzji w ramach operacji przedsiębiorstwa. Analizuje kluczowe koncepcje obejmujące historię AI, ramy rozwiązywania problemów, reprezentację wiedzy, wnioskowanie w warunkach niepewności oraz paradygmaty uczenia maszynowego, a także komunikację, percepcję i działania autonomiczne. Prowadzi menedżerów i architektów w ocenie możliwości transformacji napędzanej przez AI, ocenie pojawiających się trendów technologicznych oraz integracji praktycznych inteligentnych rozwiązań w celu przyspieszenia elastyczności biznesowej.
Ten kurs obejmuje zagadnienia związane z AI (ze szczególnym naciskiem na Uczenie Maszynowe i Głębokie Uczenie) w przemyśle motoryzacyjnym. Pomaga określić, która technologia może być (potencjalnie) wykorzystana w różnych sytuacjach w samochodzie: od prostych zadań automatyzacji, przez rozpoznawanie obrazów, po autonomiczne podejmowanie decyzji.
Sztuczna Sieć Neuronowa to model obliczeniowy danych używany w rozwoju systemów Sztucznej Inteligencji (AI), które są zdolne do wykonywania "inteligentnych" zadań. Sieci Neuronowe są powszechnie stosowane w zastosowaniach Uczenia Maszynowego (ML), które same w sobie są jedną z implementacji AI. Głębokie Uczenie się to podzbiór ML.
To szkolenie prowadzone przez instruktora, na żywo w Koszalin (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Porusza praktyczne zastosowania w statystyce, informatyce, przetwarzaniu sygnałów, przetwarzaniu obrazów, eksploracji danych i bioinformatyce.
Pod koniec szkolenia uczestnicy będą mogli:
Stosować podstawowe metody statystyczne w rozpoznawaniu wzorców.
Wykorzystywać kluczowe modele, takie jak sieci neuronowe i metody jądrowe, do analizy danych.
Implementować zaawansowane techniki rozwiązywania złożonych problemów.
Poprawiać dokładność predykcji poprzez łączenie różnych modeli.
To szkolenie prowadzone przez instruktora na żywo w Koszalin (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą wykorzystać TensorFlow do analizy potencjalnych danych dotyczących oszustw.
Po zakończeniu szkolenia uczestnicy będą mogli:
Tworzyć modele wykrywania oszustw w Pythonie i TensorFlow.
Budować regresje liniowe i modele regresji liniowej do przewidywania oszustw.
Tworzyć kompleksowe aplikacje AI do analizy danych dotyczących oszustw.
To szkolenie prowadzone przez instruktora, na żywo w Koszalin (online lub na miejscu) jest skierowane do programistów i naukowców zajmujących się danymi, którzy chcą używać TensorFlow 2.x do budowania predyktorów, klasyfikatorów, modeli generatywnych, sieci neuronowych itp.
Pod koniec szkolenia uczestnicy będą mogli:
Zainstalować i skonfigurować TensorFlow 2.x.
Zrozumieć zalety TensorFlow 2.x w porównaniu z poprzednimi wersjami.
Ten kurs zaczyna się od przekazania wiedzy koncepcyjnej na temat sieci neuronowych oraz ogólnie algorytmów uczenia maszynowego, głębokiego uczenia (algorytmy i zastosowania).
Część 1 (40%) tego szkolenia skupia się bardziej na podstawach, ale pomoże Ci w wyborze odpowiedniej technologii: TensorFlow, Caffe, Theano, DeepDrive, Keras itp.
Część 2 (20%) tego szkolenia wprowadza Theano - bibliotekę Pythona, która ułatwia pisanie modeli głębokiego uczenia.
Część 3 (40%) szkolenia będzie w dużej mierze oparta na TensorFlow - API otwartej biblioteki oprogramowania Google do głębokiego uczenia. Przykłady i ćwiczenia praktyczne będą realizowane w TensorFlow.
Grupa docelowa
Ten kurs jest przeznaczony dla inżynierów, którzy chcą używać TensorFlow w swoich projektach związanych z głębokim uczeniem.
Po ukończeniu kursu uczestnicy będą:
dobrze rozumieć głębokie sieci neuronowe (DNN), CNN i RNN
rozumieć strukturę i mechanizmy wdrażania TensorFlow
potrafić przeprowadzać zadania instalacyjne / środowiskowe / architektoniczne i konfiguracyjne
potrafić oceniać jakość kodu, przeprowadzać debugowanie i monitorowanie
potrafić implementować zaawansowane procesy produkcyjne, takie jak trenowanie modeli, budowanie grafów i logowanie
Więcej...
Ostatnia aktualizacja:
Opinie uczestników (6)
Interaktywność szkolenia. Dużo eksperymentowaliśmy.
Lidia Opuchlik - Orange Szkolenia
Szkolenie - Deep Reinforcement Learning with Python
Dużo wiedzy eksperckiej, odpowiedzi trenera na pytania rzeczowe i konkretne. Dostosowanie treści do naszych potrzeb. Wiedza dobrze usystematyzowana.
Augustyn - Samsung Electronics Polska Sp. z o.o.
Szkolenie - Deep Learning with TensorFlow 2
Naprawdę przypadłem do gustu koniec, gdy mieliśmy okazję bawić się CHAT GPT. Sala nie była najlepiej przygotowana do tego - zamiast jednego dużego stołu, kilka mniejszych, które umożliwiłyby nam podzielenie się na małe grupy i brainstorming, byłoby bardziej pomocne.
Nola - Laramie County Community College
Szkolenie - Artificial Intelligence (AI) Overview
Przetłumaczone przez sztuczną inteligencję
Praca na podstawie pierwszych zasad w skoncentrowany sposób i przenoszenie się do stosowania studiów przypadków w tym samym dniu
Maggie Webb - Department of Jobs, Regions, and Precincts
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking
Przetłumaczone przez sztuczną inteligencję
Tematyka DL nie jest mi obca, udało się poznac kilka optymalizacyjnych smaczków.
Marcin Stasko - LG Energy Solution Wroclaw Sp. z o.o.
Szkolenie - Understanding Deep Neural Networks
Że wykorzystywano rzeczywiste dane firmy.
Trener miał bardzo dobry sposób podejścia, zachęcając uczestników do udziału i konkurencji
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski