Deep Learning Schulungen

Stable Diffusion ist ein leistungsstarkes Deep-Learning-Modell, das detaillierte Bilder basierend auf Textbeschreibungen generieren kann.Dieses von Lehrern geleitete Live-Training (online oder vor Ort) richtet sich an Datenwissenschaftler mittlerer bis fortgeschrittener Ebene, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihr Wissen und ihre Fähigkeiten im Deep Learning für Text-to erweitern möchten -Bilderzeugung.Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Verstehen Sie fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-zu-Bild-Generierung. Implementieren Sie komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese. Optimieren Sie Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle. Optimieren Sie Hyperparameter für eine bessere Modellleistung und Generalisierung. Integrieren Sie Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools.

Format des Kurses

Interaktiver Vortrag und Diskussion. Viele Übungen und Übungen. Praxisnahe Umsetzung in einer Live-Lab-Umgebung.

Optionen zur Kursanpassung

Um eine individuelle Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.

DeepSpeed ist eine Deep-Learning-Optimierungsbibliothek, die die Skalierung von Deep-Learning-Modellen auf verteilter Hardware erleichtert. DeepSpeed wurde von Microsoft entwickelt und lässt sich in PyTorch integrieren, um eine bessere Skalierung, schnelleres Training und eine verbesserte Ressourcennutzung zu ermöglichen.Diese von Lehrern geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler auf Anfänger- bis Fortgeschrittenenniveau und Ingenieure für maschinelles Lernen, die die Leistung ihrer Deep-Learning-Modelle verbessern möchten.Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Verstehen Sie die Prinzipien des verteilten Deep Learning. Installieren und konfigurieren Sie DeepSpeed. Skalieren Sie Deep-Learning-Modelle auf verteilter Hardware mit DeepSpeed. Implementieren und experimentieren Sie mit DeepSpeed-Funktionen zur Optimierung und Speichereffizienz.

Format des Kurses

Interaktiver Vortrag und Diskussion. Viele Übungen und Übungen. Praxisnahe Umsetzung in einer Live-Lab-Umgebung.

Optionen zur Kursanpassung

Um eine individuelle Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.

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.

Stable Diffusion ist ein leistungsstarkes Deep-Learning-Modell, das detaillierte Bilder basierend auf Textbeschreibungen generieren kann.Dieses von Lehrern geleitete Live-Training (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Computer-Vision-Forscher, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu generieren.Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Verstehen Sie die Prinzipien von Stable Diffusion und wie es bei der Bilderzeugung funktioniert. Erstellen und trainieren Sie Stable Diffusion Modelle für Bildgenerierungsaufgaben. Wenden Sie Stable Diffusion auf verschiedene Bildgenerierungsszenarien an, z. B. Inpainting, Outpainting und Bild-zu-Bild-Übersetzung. Optimieren Sie die Leistung und Stabilität von Stable Diffusion-Modellen.

Format des Kurses

Interaktiver Vortrag und Diskussion. Viele Übungen und Übungen. Praxisnahe Umsetzung in einer Live-Lab-Umgebung.

Optionen zur Kursanpassung

Um eine individuelle Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.

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 .

Deep Reinforcement Learning bezieht sich auf die Fähigkeit eines „künstlichen Agenten“, durch Versuch und Irrtum sowie Belohnung und Strafe zu lernen. Ein künstlicher Agent zielt darauf ab, die Fähigkeit eines Menschen nachzuahmen, selbstständig Wissen zu erlangen und zu konstruieren, und zwar direkt aus rohen Eingaben wie Visionen. Um Reinforcement Learning zu realisieren, werden Deep Learning und neuronale Netze eingesetzt. Reinforcement Learning unterscheidet sich vom maschinellen Lernen und basiert nicht auf überwachten und unüberwachten Lernansätzen.Dieses von einem Lehrer geleitete Live-Training (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die die Grundlagen von Deep Reinforcement Learning erlernen möchten, während sie die Erstellung eines Deep Learning Agenten durchlaufen.Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Verstehen Sie die Schlüsselkonzepte hinter Deep Reinforcement Learning und können Sie es von Machine Learning unterscheiden. Wenden Sie fortschrittliche Reinforcement Learning Algorithmen an, um reale Probleme zu lösen. Erstellen Sie einen Deep Learning Agenten.

Format des Kurses

Interaktiver Vortrag und Diskussion. Viele Übungen und Übungen. Praxisnahe Umsetzung in einer Live-Lab-Umgebung.

Optionen zur Kursanpassung

Um eine individuelle Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.

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.

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 .

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.

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.

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.

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

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.

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.

Dieser Kurs befasst sich mit KI (Schwerpunkt Machine Learning und Deep Learning )

In dieser von einem Trainer geleiteten Live-Schulung werden die Grundlagen neuronaler Netze erläutert und mit OpenNN eine Beispielanwendung implementiert. Format des Kurses Vortrag und Diskussion in Verbindung mit praktischen Übungen.

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

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.

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.

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 .

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 .

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

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 .

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 .

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 .

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

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

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

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

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 .