Deep Learning Schulungen

Deep Learning Schulungen

Lokale, instruktorierte Live-Deep-Learning (DL) -Trainings demonstrieren durch praktische Übungen die Grundlagen und Anwendungen von Deep Learning und decken Themen wie tiefes maschinelles Lernen, tiefgründiges strukturiertes Lernen und hierarchisches Lernen ab Deep Learning Training ist als "Live-Training vor Ort" oder "Remote-Live-Training" verfügbar Onsite Live Training kann vor Ort bei Kunden durchgeführt werden Deutschland oder in NobleProg Corporate Trainingszentren in Deutschland Remote-Live-Training wird über einen interaktiven Remote-Desktop durchgeführt NobleProg Ihr lokaler Trainingsanbieter.

Machine Translated

Erfahrungsberichte

★★★★★
★★★★★

Deep Learning (DL) Kurspläne

Name des Kurses
Dauer
Überblick
Name des Kurses
Dauer
Überblick
7 Stunden
AlphaFold ist ein Artificial Intelligence (AI) System, das die Proteinstrukturen voraussagt. Es wird von Alphabet’s/Google’s DeepMind als ein tiefer Lernsystem entwickelt, das genau 3D-Modelle von Proteinstrukturen vorhersagen kann.

Dieser Instructor-leitet, Live-Training (online oder online) richtet sich an Biologen, die verstehen wollen, wie AlphaFold arbeiten und verwenden AlphaFold Modelle als Leitfaden in ihren experimentellen Studien.

Am Ende dieser Ausbildung können die Teilnehmer:

Sie verstehen die Grundprinzipien von AlphaFold. Lernen Sie, wie AlphaFold funktioniert. Erfahren Sie, wie Sie AlphaFold Prognosen und Ergebnisse interpretieren.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
21 Stunden
In diesem instruierten Live-Training lernen die Teilnehmer die relevantesten und fortschrittlichsten maschinellen Lerntechniken in Python kennen, während sie eine Reihe von Demo-Anwendungen mit Bild-, Musik-, Text- und Finanzdaten erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Implementieren Sie maschinelle Lernalgorithmen und Techniken zur Lösung komplexer Probleme Wenden Sie intensives Lernen und halbüberwachtes Lernen auf Anwendungen mit Bild-, Musik-, Text- und Finanzdaten an Push Python-Algorithmen auf ihr maximales Potenzial Verwenden Sie Bibliotheken und Pakete wie NumPy und Theano Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 Stunden
Tiefe Reinforcement Learning verweist auf die Fähigkeit eines "artificiellen Agents", durch Prozess- und Fehler und Belohungen zu lernen. Ein künstlicher Agent cielt, ein menschliches ' zu emuliern; die Möglichkeit, Wissen auf eigenen und konstruieren, direkt aus Roh-Eingaben wie Vision zu erhalten. Um die Verstärkung von Lernen zu erfahren, werden die tiefe Lern- und Neurannetzwerken verwendet. Die Reforcement-Lern ist unterschiedlich von Maschine-Lern und vertraut nicht auf überwachsene und unübersichtliche Lernbedingungen.

In diesem Instruktor lebende Ausbildung lernen Teilnehmer die Grundlagen der Tiefe Reinforcement Learning, während sie durch die Schaffung eines Deep Learning Agents schritten.

Bis Ende dieser Ausbildung werden Teilnehmer:

Verstehen Sie die Schlüsselkonzepte hinter Tiefe Reinforcement Learning und können sie von Machine Learning Erweiterte Reinforcement Learning Algoritmen unterscheiden, um echte Weltproblemen zu lösen Bauen eine Deep Learning Agent

Audienz

Entwickler Datenwissenschaftler

Form des Kurses

Teilleistung, Teildiskussion, Übungen und schwere Händliche Praxis
28 Stunden
Machine Learning ist eine Branche der künstlichen Intelligenz, in der Computer die Fähigkeit haben, ohne ausdrücklich programmiert zu werden.

Die tiefe Lernen ist ein Unterfeld des Maschinenlernen, das Methoden verwendet, die auf Lerndaten-Repräsentationen und Strukturen wie neurale Netzwerke basieren.

Python ist eine hochwertige Programmiersprache berühmt für ihre klaren Syntax und Code Lesbarkeit.

In diesem Instructor-leitet, Live-Training, lernen die Teilnehmer, wie die Implementierung von tiefen Lernmodellen für Telekom mit Python wie sie durch die Schaffung eines tiefen Lern-Kredit-Risiko-Modell.

Am Ende dieser Ausbildung können die Teilnehmer:

Sie verstehen die grundlegenden Konzepte des tiefen Lernens. Lernen Sie die Anwendungen und Anwendungen des tiefen Lernens in Telekom. Nutzen Python, Keras und TensorFlow, um tiefe Lernmodelle für Telecom zu erstellen. Erstellen Sie Ihr eigenes Deep Learning Customer Churn Prognose-Modell mit Python.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
14 Stunden
Embedding Projector ist eine Open-Source-Webanwendung zur Visualisierung der Daten, die zum Trainieren von maschinellen Lernsystemen verwendet werden Erstellt von Google, ist es ein Teil von TensorFlow Dieses instruierte Live-Training stellt die Konzepte hinter Embedding Projector vor und führt die Teilnehmer durch die Einrichtung eines Demo-Projekts Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erfahren Sie, wie Daten von maschinellen Lernmodellen interpretiert werden Navigieren Sie durch 3D- und 2D-Ansichten von Daten, um zu verstehen, wie ein maschineller Lernalgorithmus sie interpretiert Verstehen Sie die Konzepte hinter Embedding und ihre Rolle bei der Darstellung mathematischer Vektoren für Bilder, Wörter und Zahlen Erkunden Sie die Eigenschaften einer bestimmten Einbettung, um das Verhalten eines Modells zu verstehen Wenden Sie Embedding Project auf reale Anwendungsfälle an, wie zum Beispiel das Erstellen eines Song-Empfehlungssystems für Musikliebhaber Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 Stunden
Das künstliche neuronale Netz ist ein Computerdatenmodell, das bei der Entwicklung von Artificial Intelligence (AI) Systemen Artificial Intelligence (AI) verwendet wird, die "intelligente" Aufgaben ausführen können. Neural Networks werden häufig in ML-Anwendungen ( Machine Learning ) verwendet, bei denen es sich um eine Implementierung von AI handelt. Deep Learning ist eine Teilmenge von ML.
21 Stunden
Dieser Kurs bietet einen allgemeinen Überblick über Deep Learning ohne auf bestimmte Methoden einzugehen. Es eignet sich für Personen, die Deep Learning verwenden möchten, um die Genauigkeit der Vorhersage zu verbessern.
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren.
21 Stunden
Caffe ist ein umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt.

In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert

Publikum

Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe .

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

- die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung
21 Stunden
Publikum

Dieser Kurs ist für Deep Learning Forscher und Ingenieure geeignet, die verfügbare Tools (meist Open Source) zur Analyse von Computerbildern verwenden möchten

Dieser Kurs enthält Arbeitsbeispiele.
14 Stunden
Dieser Kurs umfasst AI (emphasizing Machine Learning und Deep Learning) in Automotive Industrie. Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomen Entscheidungsfindung.
21 Stunden
Dieser Kurs befasst sich mit KI (Schwerpunkt Machine Learning und Deep Learning )
14 Stunden
In diesem Instructor-leitet, Live-Training, gehen wir über die Prinzipien von Neural-Netzwerken und verwenden OpenNN um eine Probe-Anwendung zu implementieren.

Format des Kurses

Lektüre und Diskussion zusammen mit Übungen.
7 Stunden
In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie OpenNMT eingerichtet und verwendet OpenNMT , um die Übersetzung verschiedener Beispieldatensätze durchzuführen. Der Kurs beginnt mit einem Überblick über neuronale Netze, wie sie für die maschinelle Übersetzung gelten. Die Teilnehmer führen während des gesamten Kurses Live-Übungen durch, um ihr Verständnis der erlernten Konzepte zu demonstrieren und Feedback vom Kursleiter zu erhalten.

Am Ende dieser Schulung verfügen die Teilnehmer über das Wissen und die Praxis, um eine Live- OpenNMT Lösung zu implementieren.

Quell- und Zielsprachenbeispiele werden nach den Anforderungen des Publikums vorbestellt.

Format des Kurses

- Teilvorlesung, Teildiskussion, viel Praxis
21 Stunden
Typ: Theoretisches Training mit Anwendungen, die vorab mit den Schülern auf Lasagne oder Keras gemäß der pädagogischen Gruppe entschieden wurden

Unterrichtsmethode: Präsentation, Austausch und Fallstudien

Künstliche Intelligenz, nachdem sie viele wissenschaftliche Bereiche gestört hatte, begann eine große Anzahl von Wirtschaftssektoren (Industrie, Medizin, Kommunikation usw.) zu revolutionieren. Nichtsdestotrotz ist seine Präsentation in den großen Medien oft eine Fantasie, weit entfernt von den eigentlichen Bereichen des Machine Learning oder des Deep Learning . Ziel dieser Schulung ist es, Ingenieuren, die bereits über Kenntnisse in Computerwerkzeugen (einschließlich Softwareprogrammierung) verfügen, eine Einführung in Deep Learning und seine verschiedenen Spezialgebiete und damit in die wichtigsten vorhandenen Netzwerkarchitekturen zu geben heute. Wenn die mathematischen Grundlagen während des Kurses abgerufen werden, wird für mehr Komfort ein Mathematikniveau vom Typ BAC + 2 empfohlen. Es ist absolut möglich, die mathematische Achse zu überspringen, um nur eine "System" -Vision zu behalten, aber dieser Ansatz wird Ihr Verständnis des Themas stark einschränken.
7 Stunden
In diesem Live-Training unter Leitung von Lehrern lernen die Teilnehmer, wie man Facebook NMT (Fairseq) verwendet, um die Übersetzung von Probeninhalt durchzuführen.

Am Ende dieser Ausbildung haben die Teilnehmer die notwendigen Kenntnisse und Praktiken, um eine Live-Fairseq-basierte Maschinenübersetzungslösung zu implementieren.

Format des Kurses

Teilverhandlung, Teildiskussion, schwere Praxis

Hinweis

Wenn Sie spezifische Quell- und Zielspracheinhalte verwenden möchten, wenden Sie sich bitte an uns, um zu arrangieren.
21 Stunden
Microsoft Cognitive Toolkit 2x (früher CNTK) ist ein Open Source-Toolkit für den kommerziellen Einsatz, das tiefgreifende Lernalgorithmen zum Lernen wie das menschliche Gehirn trainiert Laut Microsoft kann CNTK 510x schneller als TensorFlow in wiederkehrenden Netzwerken und 2- bis 3-mal schneller als TensorFlow für bildbezogene Tasks sein In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Microsoft Cognitive Toolkit tiefgreifende Lernalgorithmen für kommerzielle AI-Anwendungen erstellen, trainieren und auswerten, die verschiedene Arten von Daten wie Daten, Sprache, Text und Bilder umfassen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Greifen Sie aus einem Python-, C # - oder C ++ - Programm heraus auf CNTK als Bibliothek zu Nutzen Sie CNTK als eigenständiges Machine Learning Tool durch eine eigene Modellbeschreibungssprache (BrainScript) Verwenden Sie die CNTK-Modellbewertungsfunktionalität aus einem Java-Programm Kombinieren von Feedforward-DNNs, Faltungsnetzwerken (CNNs) und wiederkehrenden Netzwerken (RNNs / LSTMs) Skalieren Sie die Rechenkapazität für CPUs, GPUs und mehrere Maschinen Greifen Sie auf riesige Datensätze mit vorhandenen Programmiersprachen und Algorithmen zu Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Wenn Sie einen Teil dieses Trainings anpassen möchten, einschließlich der Programmiersprache Ihrer Wahl, kontaktieren Sie uns bitte, um dies zu arrangieren .
21 Stunden
PaddlePaddle (PArallel Distributed Deep LEarning) ist eine von Baidu entwickelte skalierbare Deep-Learning-Plattform In diesem instruierten Live-Training lernen die Teilnehmer, PaddlePaddle zu verwenden, um tiefes Lernen in ihren Produkt- und Serviceanwendungen zu ermöglichen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Richten Sie PaddlePaddle ein und konfigurieren Sie es Richten Sie ein Convolutional Neural Network (CNN) für die Bilderkennung und Objekterkennung ein Richten Sie ein Recurrent Neural Network (RNN) für die Stimmungsanalyse ein Richten Sie Deep Learning auf Empfehlungssystemen ein, damit Benutzer Antworten finden können Klickraten (Click-through-Rate - CTR) vorhersagen, großformatige Bildsätze klassifizieren, optische Zeichenerkennung (OCR) durchführen, Suchanfragen einordnen, Computerviren erkennen und ein Empfehlungssystem implementieren Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
7 Stunden
In diesem von Lehrern geleiteten Live-Training lernen die Teilnehmer, wie sie mit DSSTNE eine Empfehlungsanwendung erstellen.

Am Ende dieser Schulung können die Teilnehmer:

- Trainieren Sie ein Empfehlungsmodell mit spärlichen Datensätzen als Eingabe
- Skalieren Sie Trainings- und Vorhersagemodelle über mehrere GPU
- Verteilen Sie die Berechnung und Speicherung modellparallel
- Generieren Sie Amazon-ähnliche, personalisierte Produktempfehlungen
- Stellen Sie eine produktionsbereite Anwendung bereit, die bei hoher Auslastung skaliert werden kann

Format des Kurses

- Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
7 Stunden
Tensor2Tensor (T2T) ist eine modulare, erweiterbare Bibliothek zum Trainieren von KI-Modellen in verschiedenen Aufgaben, wobei verschiedene Arten von Trainingsdaten verwendet werden, z B: Bilderkennung, Übersetzung, Parsing, Bildunterschrift und Spracherkennung Es wird vom Google Brain-Team verwaltet In diesem instruierten Live-Training lernen die Teilnehmer, wie sie ein Deeplearning-Modell vorbereiten können, um mehrere Aufgaben zu lösen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie tensor2tensor, wählen Sie einen Datensatz aus und trainieren und bewerten Sie ein AI-Modell Passen Sie eine Entwicklungsumgebung mit den Tools und Komponenten von Tensor2Tensor an Erstellen und verwenden Sie ein einzelnes Modell, um gleichzeitig eine Reihe von Aufgaben aus mehreren Domänen zu lernen Verwenden Sie das Modell, um aus Aufgaben mit einer großen Menge an Trainingsdaten zu lernen, und wenden Sie dieses Wissen auf Aufgaben an, bei denen Daten begrenzt sind Erzielen Sie zufriedenstellende Verarbeitungsergebnisse mit einer einzelnen GPU Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
14 Stunden
OpenFace ist Python und Torch-basierte Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google basiert In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe der OpenFace-Komponenten eine Musteranwendung für die Gesichtserkennung erstellen und bereitstellen können Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Arbeiten Sie mit OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, um Gesichtserkennung, Ausrichtung und Transformation zu implementieren Wenden Sie OpenFace auf Realworld-Anwendungen wie Überwachung, Identitätsüberprüfung, Virtual Reality, Spiele und Identifizierung von Stammkunden usw an Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 Stunden
In diesem instruierten Live-Training erlernen die Teilnehmer fortgeschrittene Techniken für Maschinelles Lernen mit R, während sie eine Realworld-Anwendung erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie Techniken wie Hyperparameter-Tuning und Deep Learning Unüberwachte Lerntechniken verstehen und implementieren Erstellen Sie ein Modell für die Verwendung in einer größeren Anwendung Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
14 Stunden
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.

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

- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters

Audience

- Developers
- Engineers
- Domain experts

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren. R ist eine beliebte Programmiersprache in der Finanzbranche. Es wird in Finanzanwendungen eingesetzt, die von Kernhandelsprogrammen bis zu Risikomanagementsystemen reichen.

In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie sie Deep-Learning-Modelle für die Finanzierung mit R implementieren, während sie ein Deep-Learning-Aktienkurs-Vorhersagemodell erstellen.

Am Ende dieser Schulung können die Teilnehmer:

- Verstehe die grundlegenden Konzepte des Tiefenlernens
- Lernen Sie die Anwendungen und Verwendungen von Deep Learning im Finanzbereich
- Verwenden Sie R, um vertiefte Lernmodelle für Finanzen zu erstellen
- Bauen Sie mit R ihr eigenes Deep Learning-Aktienkurs-Vorhersagemodell auf

Publikum

- Entwickler
- Datenwissenschaftler

Format des Kurses

- Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
28 Stunden
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability.

In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.

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

- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren. R ist eine beliebte Programmiersprache in der Finanzbranche. Es wird in Finanzanwendungen eingesetzt, die von Kernhandelsprogrammen bis zu Risikomanagementsystemen reichen.

In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie sie Deep-Learning-Modelle für das Bankwesen mithilfe von R implementieren, während sie ein Deep-Learning-Kreditrisikomodell erstellen.

Am Ende dieser Schulung können die Teilnehmer:

- Verstehe die grundlegenden Konzepte des Tiefenlernens
- Lernen Sie die Anwendungen und Verwendungen von Deep Learning im Bankwesen
- Verwenden Sie R, um Deep-Learning-Modelle für das Bankwesen zu erstellen
- Erstellen Sie mit R ein eigenes Deep Learning-Kreditrisikomodell

Publikum

- Entwickler
- Datenwissenschaftler

Format des Kurses

- Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren Python ist eine Programmiersprache auf hohem Niveau, die für ihre klare Syntax und Lesbarkeit des Codes bekannt ist In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Python tiefe Lernmodelle für das Finanzwesen implementieren können, während sie ein Modell für eine tief gehende Aktienkursvorhersage entwickeln Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verstehen Sie die grundlegenden Konzepte des Deep Learning Lernen Sie die Anwendungen und Anwendungen von Deep Learning im Finanzwesen Verwenden Sie Python, Keras und TensorFlow, um tiefgründige Lernmodelle für das Finanzwesen zu erstellen Erstellen Sie mit Python ein eigenes Deep Learning-Kursmodell Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 Stunden
Einführung :

Die tiefe Lernen wird zu einem wichtigen Bestandteil des zukünftigen Produktdesigns, der künstliche Intelligenz im Herzen ihrer Modelle einbezieht. In den nächsten 5 bis 10 Jahren werden Deep Learning Development Tools, Bibliotheken und Sprachen zu Standardkomponenten jedes Software-Entwicklungs-Toolkit. Bis jetzt Google, Sales Force, Facebook, Amazon hat erfolgreich die Deep Learning AI verwendet, um ihr Geschäft zu fördern. Anwendungen variieren von automatischer Maschinenübersetzung, Bildanalyse, Videoanalyse, Bewegungsanalyse, gezielte Werbung und vieles mehr.

Dieser Kurs richtet sich an die Organisationen, die Deep Learning als sehr wichtiger Bestandteil ihrer Produkt- oder Dienststrategie einbeziehen möchten. Im Folgenden ist die Auszeichnung des tiefen Lernkurses, den wir für verschiedene Ebenen von Mitarbeitern / Akteuren in einer Organisation anpassen können.

Zielgruppe :

(Je nach Zielgruppe werden Kursmaterialien angepasst)

Exekutive

Eine allgemeine Übersicht über die KI und wie sie in die Unternehmensstrategie passt, mit Breakout-Sitzungen über strategische Planung, Technologie-Roadmaps und Ressourcenverteilung, um den maximalen Wert zu gewährleisten.

Projektmanager

Wie man ein AI-Projekt planen, einschließlich Datenerhebung und Bewertung, Datenreinigung und Verifizierung, Entwicklung eines Beweis-of-Konzeptmodells, Integration in Geschäftsprozesse und Lieferung in der gesamten Organisation.

Entwickler

Tiefe technische Ausbildung, mit Schwerpunkt auf Neural-Netzwerke und tiefe Lernen, Bild- und Videoanalyse (CNNs), Sound- und Textanalyse (NLPs) und die Einführung von AI in bestehende Anwendungen.

Verkäufer

Eine allgemeine Übersicht über die KI und wie sie Kundenbedürfnisse erfüllen kann, Wertevorschläge für verschiedene Produkte und Dienstleistungen, und wie Angst zu lindern und die Vorteile der KI zu fördern.
14 Stunden
Diese auf Klassenräumen basierende Schulungssitzung enthält Präsentationen und computergestützte Beispiele sowie Fallstudien, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden sollen
14 Stunden
Machine Learning ist eine Branche der künstlichen Intelligenz, in der Computer die Fähigkeit haben, ohne ausdrücklich programmiert zu werden. Deep Learning ist ein Unterfeld von Machine Learning, das versucht, die Aktivitäten des menschlichen Gehirns bei der Entscheidungsfindung zu imitieren. Es wird mit Daten ausgebildet, um Probleme automatisch zu lösen. Deep Learning bietet eine riesige Gelegenheit für die medizinische Industrie, die sich auf einem Datengoldminn sitzt.

In diesem Instructor-Leid, Live-Training werden die Teilnehmer an einer Reihe von Diskussionen, Übungen und Fallstudie-Analyse teilnehmen, um die Grundlagen zu verstehen Deep Learning. Die wichtigsten Deep Learning Werkzeuge und Techniken werden bewertet und Übungen durchgeführt werden, um die Teilnehmer vorzubereiten, ihre eigene Bewertung und Umsetzung von Deep Learning Lösungen innerhalb ihrer Organisationen durchzuführen.

Am Ende dieser Ausbildung können die Teilnehmer:

Verständnis der Grundlagen Deep Learning Lernen Sie Deep Learning Techniken und ihre Anwendungen in der Branche Untersuchung von Problemen in der Medizin, die durch Deep Learning Technologien gelöst werden können Erforschen Deep Learning Fallstudien in der Medizin Formulieren Sie eine Strategie zur Annahme der neuesten Technologien in Deep Learning für die Lösung von Problemen in der Medizin

Publikum

Manager Ärzte in Führungsrollen

Format des Kurses

Teilverhandlung, Teildiskussion, Übungen und schwere Übungen

Hinweis

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

Last Updated:

Zukünftige Deep Learning Kurse

Deep Learning (DL) Schulung, Deep Learning boot camp, Deep Learning Abendkurse, Deep Learning Wochenendkurse, Deep Learning (DL) Kurs, Deep Learning Training, Deep Learning (DL) Seminar, DL (Deep Learning) Seminare, Deep Learning (DL) Privatkurs, Deep Learning Coaching, Deep Learning (DL) Lehrer

Sonderangebote

Sonderangebote Newsletter

Wir behandeln Ihre Daten vertraulich und werden sie nicht an Dritte weitergeben.
Sie können Ihre Einstellungen jederzeit ändern oder sich ganz abmelden.

EINIGE UNSERER KUNDEN

is growing fast!

We are looking for a good mixture of IT and soft skills in Germany!

As a NobleProg Trainer you will be responsible for:

  • delivering training and consultancy Worldwide
  • preparing training materials
  • creating new courses outlines
  • delivering consultancy
  • quality management

At the moment we are focusing on the following areas:

  • Statistic, Forecasting, Big Data Analysis, Data Mining, Evolution Alogrithm, Natural Language Processing, Machine Learning (recommender system, neural networks .etc...)
  • SOA, BPM, BPMN
  • Hibernate/Spring, Scala, Spark, jBPM, Drools
  • R, Python
  • Mobile Development (iOS, Android)
  • LAMP, Drupal, Mediawiki, Symfony, MEAN, jQuery
  • You need to have patience and ability to explain to non-technical people

To apply, please create your trainer-profile by going to the link below:

Apply now!

This site in other countries/regions