Local, instructor-led live Deep Learning (DL) training courses demonstrate through hands-on practice the fundamentals and applications of Deep Learning and cover subjects such as deep machine learning, deep structured learning, and hierarchical learning.
Deep Learning training is available as "onsite live training" or "remote live training". Onsite live Deep Learning trainings in Deutschland can be carried out locally on customer premises or in NobleProg corporate training centers. Remote live training is carried out by way of an interactive, remote desktop.
NobleProg -- Your Local Training Provider
Erfahrungsberichte
★★★★★
★★★★★
Es war sehr interaktiv und entspannter und informeller als erwartet. Wir haben in der Zeit viele Themen behandelt und der Trainer war immer offen dafür, im Detail oder allgemeiner über die Themen und ihre Zusammenhänge zu sprechen. Ich denke, das Training hat mir die Werkzeuge gegeben, um weiter zu lernen, im Gegensatz zu einer einmaligen Sitzung, in der das Lernen nach dem Abschluss aufhört, was angesichts des Umfangs und der Komplexität des Themas sehr wichtig ist.
Jonathan Blease
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Das Thema ist sehr interessant.
Wojciech Baranowski
Kurs: Introduction to Deep Learning
Machine Translated
Trainer theoretische Kenntnisse und Bereitschaft, die Probleme mit den Teilnehmern nach dem Training zu lösen.
Grzegorz Mianowski
Kurs: Introduction to Deep Learning
Machine Translated
Thema. Sehr interessant!.
Piotr
Kurs: Introduction to Deep Learning
Machine Translated
Übungen nach jedem Thema waren sehr hilfreich, obwohl es am Ende zu kompliziert war. Im Allgemeinen war das präsentierte Material sehr interessant und interessant! Übungen mit Bilderkennung waren großartig.
Dolby Poland Sp. z o.o.
Kurs: Introduction to Deep Learning
Machine Translated
Ich denke, wenn das Training auf Polnisch gemacht würde, würde es dem Trainer erlauben, sein Wissen effizienter zu teilen.
Radek
Kurs: Introduction to Deep Learning
Machine Translated
Der globale Überblick über Deep Learning.
Bruno Charbonnier
Kurs: Advanced Deep Learning
Machine Translated
Die Übungen sind ausreichend praktisch und erfordern keine hohen Kenntnisse in Python.
Alexandre GIRARD
Kurs: Advanced Deep Learning
Machine Translated
Übungen an echten Beispielen mit Eras. Italien hat unsere Erwartungen an dieses Training vollkommen verstanden.
Paul Kassis
Kurs: Advanced Deep Learning
Machine Translated
Das Thema. Es schien interessant, aber ich verließ nicht viel mehr als vorher.
Radoslaw Labedzki
Kurs: Introduction to Deep Learning
Machine Translated
Mir hat gefallen, dass dieser Kurs ein sehr interessantes Thema hatte.
Wojciech Wilk
Kurs: Introduction to Deep Learning
Machine Translated
Ich habe die kristallklaren Antworten von Chris auf unsere Fragen sehr geschätzt.
Léo Dubus
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ich genoss im Allgemeinen den sachkundigen Trainer.
Sridhar Voorakkara
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ich war erstaunt über den Standard dieser Klasse - ich würde sagen, dass es Universitätsstandard war.
David Relihan
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Sehr gute Rundum-Übersicht. Ein guter Hintergrund, warum Tensorflow so funktioniert.
Kieran Conboy
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ich mochte die Gelegenheiten, Fragen zu stellen und tiefergehende Erklärungen der Theorie zu bekommen.
Sharon Ruane
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Wir haben viel mehr Einblick in das Thema bekommen. Mit einigen echten Themen in unserem Unternehmen wurde eine nette Diskussion geführt.
Sebastiaan Holman
Kurs: Machine Learning and Deep Learning
Machine Translated
Das Training bot die richtige Grundlage, um weiter zu expandieren, indem wir zeigen, wie Theorie und Praxis Hand in Hand gehen. Es hat mich mehr an dem Thema interessiert als zuvor.
Jean-Paul van Tillo
Kurs: Machine Learning and Deep Learning
Machine Translated
Ich habe die Berichterstattung und Tiefe der Themen sehr genossen.
Anirban Basu
Kurs: Machine Learning and Deep Learning
Machine Translated
Das tiefe Wissen des Trainers über das Thema.
Sebastian Görg
Kurs: Introduction to Deep Learning
Machine Translated
Sehr aktualisierter Ansatz oder CPI (Tensor Flow, Ära, lernen), um maschinelles Lernen zu tun.
Paul Lee
Kurs: TensorFlow for Image Recognition
Machine Translated
Voraussichtlicher Stand der Technologie: Welche Technologie / Prozess könnte in Zukunft wichtiger werden? sehen Sie, wofür die Technologie verwendet werden kann.
Commerzbank AG
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ich habe von der Themenauswahl profitiert. Art des Trainings. Praxisorientierung.
Commerzbank AG
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Vertiefte Darstellung von Themen des maschinellen Lernens, insbesondere neuronaler Netze. Entmystifizierte viel von dem Thema.
Sacha Nandlall
Kurs: Python for Advanced Machine Learning
Machine Translated
Ich habe von der Leidenschaft zum Lehren profitiert und mich darauf konzentriert, Dinge sinnvoll zu machen.
Zaher Sharifi - GOSI
Kurs: Advanced Deep Learning
Machine Translated
Personalausweis und Leiterplattenminderkennung
王 春柱 - 中移物联网
Kurs: Deep Learning for NLP (Natural Language Processing)
Machine Translated
beweisen
中移物联网
Kurs: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Über Gesichtsbereich.
中移物联网
Kurs: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Der informelle Austausch, den wir während der Vorträge hatten, hat mir wirklich geholfen, mein Verständnis für das Thema zu vertiefen.
Dieser Kurs behandelt KI (Schwerpunkt Maschinelles Lernen und Deep Learning) in der Automobilindustrie Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomer Entscheidungsfindung .
Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (onsite or remote) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes. - Use Keras to build and train convolutional neural networks. - Train a deep learning model to differentiate traffic signs. - Simulate a fully autonomous car.
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.
Dieser Kurs vermittelt Ihnen Kenntnisse in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Dieses Training konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Teano, DeepDrive, Keras usw Die Beispiele werden in TensorFlow erstellt .
Diese Schulungssitzung im Klassenzimmer enthält Präsentationen und computerbasierte Beispiele sowie Fallstudienübungen, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden .
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 von Ausbildern geleiteten Live-Training lernen die Teilnehmer, wie man OpenNMT aufbaut und nutzt, um die Übersetzung verschiedener Beispieldatensätze durchzuführen. Der Kurs beginnt mit einem Überblick über neuronale Netzwerke, wie sie für maschinelle Übersetzungen gelten. Die Teilnehmer werden während des gesamten Kurses Live-Übungen durchführen, um ihr Verständnis der erlernten Konzepte zu demonstrieren und Feedback vom Lehrer zu erhalten.
Am Ende dieses Trainings werden die Teilnehmer über das nötige Wissen und die Praxis verfügen, um eine Live-OpenNMT-Lösung
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 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 .
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 .
SINGA ist eine allgemein verbreitete Deep-Learning-Plattform zum Training großer Deep-Learning-Modelle über große Datensätze Es basiert auf einem intuitiven Programmiermodell, das auf der Ebenenabstraktion basiert Eine Vielzahl von populären Deep-Learning-Modellen wird unterstützt, und zwar Feedforward-Modelle einschließlich Convolutional Neural Networks (CNN), Energiemodelle wie Restricted Boltzmann Machine (RBM) und Recurrent Neural Networks (RNN) Viele eingebaute Schichten werden für Benutzer bereitgestellt Die SINGA-Architektur ist ausreichend flexibel, um synchrone, asynchrone und hybride Trainings-Frameworks zu betreiben SINGA unterstützt auch verschiedene neuronale Netzpartitionierungsschemata, um das Training großer Modelle zu parallelisieren, nämlich Partitionierung auf Batch-Dimension, Feature-Dimension oder Hybrid-Partitionierung Publikum Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Apache SINGA als tiefgehenden Lernrahmen nutzen möchten Nach Abschluss dieses Kurses werden die Delegierten: SINGAs Struktur und Einsatzmechanismen verstehen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle zu implementieren, Begriffe einzubetten, Diagramme zu erstellen und zu loggen .
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 .
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 .
TensorFlow ist eine populäre und maschinelle Lernbibliothek, die von Google für tiefes Lernen, numerische Berechnungen und großflächiges maschinelles Lernen entwickelt wurde. TensorFlow 2.0, veröffentlicht im Januar 2019, ist die neueste Version von TensorFlow und enthält Verbesserungen in der eifrigen Ausführung, Kompatibilität und API-Konsistenz.
Dieses von Ausbildern geleitete Live-Training (vor Ort oder Remote) richtet sich an Entwickler und Datenwissenschaftler, die mit Tensorflow 2.0 Vorhersagen, Klassifizierer, generative Modelle, neuronale Netzwerke und so weiter bauen wollen.
Am Ende dieses Trainings können die Teilnehmer:
- installieren und TensorFlow 2.0 konfigurieren . - Verstehen Sie die Vorteile von TensorFlow 2.0 gegenüber früheren Versionen . - Build deep learning models . - implementieren Sie einen erweiterten Bildklassifizierer . - Ein tiefgreifendes Lernmodell für die Cloud, Mobile und IoT-Geräte .
Format der
- interaktiven Vortrag und Diskussion . - Viele Übungen und Übungen . - Hands-on-Umsetzung in einem Live-Labor-Umfeld .
- Um ein maßgeschneidertes Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um zu arrangieren. - Um mehr über TensorFlow zu erfahren, besuchen Sie bitte: https://www.tensorflow.org/
TensorFlow Serving ist ein System, mit dem Machine-Learning-Modelle (ML) in der Produktion eingesetzt werden können In diesem instruierten Live-Training lernen die Teilnehmer, wie sie TensorFlow Serving konfigurieren und einsetzen, um ML-Modelle in einer Produktionsumgebung bereitzustellen und zu verwalten Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren, exportieren und bedienen Sie verschiedene TensorFlow-Modelle Testen und implementieren Sie Algorithmen mithilfe einer einzigen Architektur und einer Reihe von APIs Erweitern Sie TensorFlow Serving, um andere Arten von Modellen als TensorFlow-Modelle zu bedienen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
TensorFlow ist eine 2nd Generation API von Googles Open Source Software Library für Deep Learning Das System wurde entwickelt, um die maschinelle Lernforschung zu erleichtern und den Übergang vom Forschungsprototyp zum Produktionssystem schnell und einfach zu gestalten Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning-Projekte einsetzen möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle, Erstellung von Graphen und Protokollierung zu implementieren .
Dieser Kurs untersucht anhand konkreter Beispiele die Anwendung von Tensor Flow für die Zwecke der Bilderkennung Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für die Bilderkennung einsetzen möchten Nach Abschluss dieses Kurses können die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen Ausführen von Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen bewerten Sie die Codequalität, führen Sie Debugging durch, überwachen Sie implementieren fortschrittliche Produktion wie Trainingsmodelle, Erstellen von Grafiken und Protokollierung .
Torch ist eine Open-Source-Software für das maschinelle Lernen und ein wissenschaftlicher Computing-Rahmen, der auf der Programmiersprache Lua basiert. Es bietet eine Entwicklungsumgebung für Numerie, maschinelles Lernen und Computer-Vision, mit einem besonderen Schwerpunkt auf tiefes Lernen und Konvolution-Netze. Es ist einer der schnellsten und flexibelsten Rahmen für Machine und Deep Learning und wird von Unternehmen wie Facebook, Google, Twitter, NVIDIA, AMD, Intel und vielen anderen genutzt.
In diesem von Ausbildern geleiteten Live-Training decken wir die Prinzipien von Fackel, seine einzigartigen Eigenschaften und wie sie in realen Anwendungen angewendet werden kann. Wir durchlaufen dabei die ganze Zeit über zahlreiche praktische Übungen, die die erlernten Konzepte demonstrieren und üben.
Am Ende des Kurses werden die Teilnehmer ein tiefgreifendes Verständnis der zugrundeliegenden Funktionen und Fähigkeiten von Torch sowie deren Rolle und Beitrag innerhalb des KI-Raumes im Vergleich zu anderen Frameworks und Bibliotheken haben. Die Teilnehmer haben auch die nötige Übung erhalten, um Fackeln in eigenen Projekten umzusetzen.
Format der
- Überblick über das maschinelle und tiefenlernen - - Testfragen, die auf dem Weg besprengt wurden, um das Verständnis zu überprüfen
Die Tensor Processing Unit (TPU) ist die Architektur, die Google seit einigen Jahren intern nutzt und nun für die breite Öffentlichkeit verfügbar ist Es enthält mehrere Optimierungen speziell für die Verwendung in neuronalen Netzen, einschließlich einer gestrafften Matrixmultiplikation und 8-Bit-Ganzzahlen anstelle von 16-Bit, um geeignete Genauigkeitsniveaus zu erhalten In diesem instruierten Live-Training lernen die Teilnehmer, wie sie die Vorteile von TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren Am Ende des Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie verschiedene Arten von neuronalen Netzwerken auf großen Datenmengen Verwenden Sie TPUs, um den Inferenzprozess um bis zu zwei Größenordnungen zu beschleunigen Verwenden Sie TPUs, um intensive Anwendungen wie Bildsuche, Cloud Vision und Fotos zu verarbeiten Publikum Entwickler Forscher Ingenieure Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
TensorFlow ™ ist eine Open-Source-Softwarebibliothek für numerische Berechnungen mit Datenflussdiagrammen SyntaxNet ist ein NeuralNetwork Natural Language Processing Framework für TensorFlow Word2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die "Worteinbettungen" genannt werden Word2vec ist ein besonders recheneffizientes Vorhersagemodell für das Einlernen von Worteinbettungen aus Rohtext Es gibt zwei Varianten, das Continuous BagofWords-Modell (CBOW) und das SkipGram-Modell (Kapitel 31 und 32 in Mikolov et al) In Verbindung mit SyntaxNet und Word2Vec können Benutzer Learned Embedding-Modelle aus Natural Language-Eingaben generieren Publikum Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet- und Word2Vec-Modellen in ihren TensorFlow-Diagrammen arbeiten möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle zu implementieren, Begriffe einzubetten, Diagramme zu erstellen und zu loggen .
Dieser Kurs beginnt mit konzeptuellem Wissen in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Teil 1 (40%) dieses Trainings konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras usw Teil 2 (20%) dieser Schulung stellt Theano eine Python-Bibliothek vor, die das Schreiben von Deep-Learning-Modellen erleichtert Teil 3 (40%) des Trainings würde weitgehend auf der Tensorflow 2nd Generation API der Open-Source-Software-Bibliothek von Google für Deep Learning basieren Die Beispiele und Handsons würden alle in TensorFlow gemacht werden Publikum Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning-Projekte einsetzen möchten Nach Abschluss dieses Kurses werden die Delegierten: habe ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle, Erstellung von Graphen und Protokollierung zu implementieren Aufgrund der Weite des Themas würden nicht alle Themen in einem öffentlichen Klassenzimmer mit einer Dauer von 35 Stunden behandelt Die Dauer des gesamten Kurses beträgt ca 70 Stunden und nicht 35 Stunden .
In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mit Matlab ein konvolutionelles neuronales Netzwerk für die Bilderkennung entwerfen, aufbauen und visualisieren können Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erstellen Sie ein tiefes Lernmodell Automatisieren Sie die Datenbeschriftung Arbeiten Sie mit Modellen von Caffe und TensorFlowKeras Trainieren Sie Daten mit mehreren GPUs, der Cloud oder den Clustern Publikum Entwickler Ingenieure Domain-Experten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
Das künstliche neuronale Netzwerk ist ein computergestütztes Datenmodell, das bei der Entwicklung von Systemen für künstliche Intelligenz (KI) verwendet wird, die "intelligente" Aufgaben ausführen können. Neuronale Netze werden häufig in Machine Learning (ML) -Anwendungen verwendet, die selbst eine Implementierung von AI sind. Deep Learning ist eine Teilmenge von ML.
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 populäre Programmiersprache in der Finanzindustrie Es wird in Finanzanwendungen verwendet, die von Kernhandelsprogrammen bis zu Risikomanagementsystemen reichen In diesem instruierten Live-Training lernen die Teilnehmer, wie sie tiefe Lernmodelle für das Banking mit R implementieren können, während sie ein kreatives Kreditrisiko-Modell 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 Banking kennen Verwenden Sie R, um Deep-Learning-Modelle für das Banking zu erstellen Erstellen Sie ein eigenes Deep-Learning-Kreditrisikomodell mit R Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
Caffe ist ein tiefgründiger Lernrahmen, der Ausdruck, Schnelligkeit und Modularität bietet Dieser Kurs untersucht die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST Publikum Dieser Kurs eignet sich für Deep Learning-Forscher und Ingenieure, die Caffe als Framework nutzen möchten Nach Abschluss dieses Kurses können die Delegierten: verstehe Caffes Struktur und Einsatzmechanismen Ausführen von Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen bewerten Sie die Codequalität, führen Sie Debugging durch, überwachen Sie Implementierung fortgeschrittener Produktion wie Trainingsmodelle, Implementierung von Layern und Protokollierung .
Dieser Kurs bietet einen allgemeinen Überblick über Deep Learning, ohne dabei auf bestimmte Methoden einzugehen. Es eignet sich für Personen, die Deep Learning nutzen möchten, um ihre Vorhersagegenauigkeit zu verbessern.
Deeplearning4j ist die erste kommerzielle Open Source-Bibliothek für Java und Scala In Verbindung mit Hadoop und Spark wurde DL4J für den Einsatz in Geschäftsumgebungen mit verteilten GPUs und CPUs entwickelt Publikum Dieser Kurs richtet sich an Ingenieure und Entwickler, die Deeplearning4j in ihren Projekten einsetzen möchten Nach diesem Kurs werden die Delegierten in der Lage sein: .
Deeplearning4j ist eine OpenSource DeepLearning Software für Java und Scala auf Hadoop und Spark Publikum Dieser Kurs richtet sich an Ingenieure und Entwickler, die DeepLearning4J für ihre Bilderkennungsprojekte einsetzen möchten .
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
.jpg "deutsche bank (db)")
.png "procter & gamble (p&g)")
.jpg "food and drug administration (fda)")
.jpg "aeronautical radio, incorporated (arinc)")
