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
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 Python Kenntnisse.
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
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 Rundumübersicht. Go od Hintergrund in warum Tensorflow arbeitet , wie es der Fall ist.
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
Die Schulung bot die richtige Grundlage, um weiter auszubauen und zu zeigen, wie Theorie und Praxis Hand in Hand gehen. Es hat mich tatsächlich mehr für das Thema interessiert als vorher.
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 die kristallklaren Antworten von Chris auf unsere Fragen sehr geschätzt.
Léo Dubus
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Art und Weise des Leitens und des Beispiels, das vom Trainer gegeben wird
ORANGE POLSKA S.A.
Kurs: Machine Learning and Deep Learning
Machine Translated
Möglichkeit, die vorgeschlagenen Themen selbst zu diskutieren
ORANGE POLSKA S.A.
Kurs: Machine Learning and Deep Learning
Machine Translated
Kommunikation mit Dozenten
文欣 张
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Gefällt mir
lisa xie
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Großes und aktuelles Wissen über führende und praktische Anwendungsbeispiele.
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Viele Übungen, sehr gute Zusammenarbeit mit der Gruppe.
Janusz Chrobot - ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Arbeit an Kolaboratoren,
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Es war offensichtlich, dass die Enthusiasten der präsentierten Themen führend waren. Benutzte interessante Beispiele während des Trainings.
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Eine breite Palette von Themen abgedeckt und umfangreiches Wissen der Führungskräfte.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Mangel
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Großes theoretisches und praktisches Wissen der Dozenten. Kommunikativität von Trainern. Während des Kurses können Sie Fragen stellen und zufriedenstellende Antworten erhalten.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Praktischer Teil, bei dem wir Algorithmen implementiert haben. Dies ermöglichte ein besseres Verständnis des Themas.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Übungen und Beispiele auf ihnen implementiert
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Beispiele und diskutierte Themen.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Substanzielles Wissen, Engagement, eine leidenschaftliche Art Wissen zu vermitteln. Praktische Beispiele nach einem theoretischen Vortrag.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Praktische Übungen von Herrn Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Deep Learning (DL) Unterkategorien
Deep Learning (DL) Kurspläne
Name des Kurses
Dauer
Überblick
Name des Kurses
Dauer
Überblick
14 Stunden
Überblick
Dieser Kurs behandelt KI (mit Schwerpunkt auf Machine Learning und Deep Learning ) in der Automotive . Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto eingesetzt werden kann: von der einfachen Automatisierung über die Bilderkennung bis hin zur autonomen Entscheidungsfindung.
21 Stunden
Überblick
TensorFlow ist eine beliebte und maschinelles Lernen Bibliothek entwickelt von Go Ogle für tiefe Lernen, numerische Berechnung und Groß maschinellen Lernen. TensorFlow 2.0, veröffentlicht im Januar 2019, ist die neueste Version von TensorFlow und enthält Verbesserungen in TensorFlow auf eifrige Ausführung, Kompatibilität und API-Konsistenz.
Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.0 verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netzwerke usw. zu erstellen.
Am Ende dieser Schulung können die Teilnehmer:
- Installieren und konfigurieren Sie TensorFlow 2.0.
- Verstehen Sie die Vorteile von TensorFlow 2.0 gegenüber früheren Versionen.
- Bauen Sie Deep-Learning-Modelle auf.
- Implementieren Sie einen erweiterten Bildklassifikator.
- Stellen Sie ein Deep-Learning-Modell für Cloud-, Mobil- und IoT-Geräte bereit.
Format des Kurses
- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.
Anpassungsoptionen für den Kurs
- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
- Um mehr über TensorFlow zu erfahren, besuchen Sie bitte: https://www.tensorflow.org/
Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.0 verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netzwerke usw. zu erstellen.
Am Ende dieser Schulung können die Teilnehmer:
- Installieren und konfigurieren Sie TensorFlow 2.0.
- Verstehen Sie die Vorteile von TensorFlow 2.0 gegenüber früheren Versionen.
- Bauen Sie Deep-Learning-Modelle auf.
- Implementieren Sie einen erweiterten Bildklassifikator.
- Stellen Sie ein Deep-Learning-Modell für Cloud-, Mobil- und IoT-Geräte bereit.
Format des Kurses
- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.
Anpassungsoptionen für den Kurs
- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
- Um mehr über TensorFlow zu erfahren, besuchen Sie bitte: https://www.tensorflow.org/
14 Stunden
Überblick
Diese auf Klassenräumen basierende Schulungssitzung enthält Präsentationen und computergestützte Beispiele sowie Fallstudien, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden sollen
14 Stunden
Überblick
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
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.
14 Stunden
Überblick
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 .
7 Stunden
Überblick
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
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
14 Stunden
Überblick
OpenNN ist eine in C ++ geschriebene Open-Source-Klassenbibliothek, die neuronale Netzwerke für maschinelles Lernen implementiert.
In diesem Kurs gehen wir auf die Prinzipien neuronaler Netzwerke ein und verwenden OpenNN, um eine Beispielanwendung zu implementieren.
Publikum
Softwareentwickler und Programmierer, die Deep-Learning-Anwendungen erstellen möchten.
Format des Kurses
Vortrag und Diskussion, begleitet von praktischen Übungen.
In diesem Kurs gehen wir auf die Prinzipien neuronaler Netzwerke ein und verwenden OpenNN, um eine Beispielanwendung zu implementieren.
Publikum
Softwareentwickler und Programmierer, die Deep-Learning-Anwendungen erstellen möchten.
Format des Kurses
Vortrag und Diskussion, begleitet von praktischen Übungen.
21 Stunden
Überblick
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 .
21 Stunden
Überblick
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
Überblick
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 .
21 Stunden
Überblick
Deep Learning ist ein Teilgebiet des maschinellen Lernens. Es verwendet Methoden, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren.
Keras ist eine High-Level-API für neuronale Netze für schnelle Entwicklung und Experimente. Es läuft auf TensorFlow , CNTK oder Theano.
Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler, die ein selbstfahrendes Auto mit vertieften Lerntechniken bauen möchten.
Am Ende dieser Schulung können die Teilnehmer:
- Verwenden Sie Computer Vision-Techniken, um Fahrspuren zu identifizieren.
- Verwenden Sie Keras , um Faltungs-Neuronale Netze aufzubauen und zu trainieren.
- Trainieren Sie ein Deep-Learning-Modell, um Verkehrszeichen zu unterscheiden.
- Simulieren Sie ein völlig autonomes Auto.
Format des Kurses
- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.
Anpassungsoptionen für den Kurs
- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
Keras ist eine High-Level-API für neuronale Netze für schnelle Entwicklung und Experimente. Es läuft auf TensorFlow , CNTK oder Theano.
Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler, die ein selbstfahrendes Auto mit vertieften Lerntechniken bauen möchten.
Am Ende dieser Schulung können die Teilnehmer:
- Verwenden Sie Computer Vision-Techniken, um Fahrspuren zu identifizieren.
- Verwenden Sie Keras , um Faltungs-Neuronale Netze aufzubauen und zu trainieren.
- Trainieren Sie ein Deep-Learning-Modell, um Verkehrszeichen zu unterscheiden.
- Simulieren Sie ein völlig autonomes Auto.
Format des Kurses
- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.
Anpassungsoptionen für den Kurs
- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
21 Stunden
Überblick
SINGA ist eine allgemeine verteilte Deep-Learning-Plattform zum Trainieren großer Deep-Learning-Modelle über große Datenmengen. Es wurde mit einem intuitiven Programmiermodell entwickelt, das auf der Ebenenabstraktion basiert. Es wird eine Vielzahl gängiger Deep-Learning-Modelle unterstützt, darunter Feed-Forward-Modelle, einschließlich faltungsbezogener neuronaler Netze (CNN), Energiemodelle wie der eingeschränkten Boltzmann-Maschine (RBM) und wiederkehrender neuronaler Netze (RNN). Viele integrierte Ebenen werden für Benutzer bereitgestellt. Die SINGA-Architektur ist flexibel genug, um synchrone, asynchrone und hybride Trainings-Frameworks auszuführen. SINGA unterstützt auch verschiedene Partitionierungsschemata für neuronale Netze, um das Training großer Modelle zu parallelisieren, nämlich Partitionierung nach Batch-Dimension, Feature-Dimension oder Hybrid-Partitionierung.
Publikum
Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Apache SINGA als Deep-Learning-Framework einsetzen Apache SINGA .
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Verstehen der Struktur und der Bereitstellungsmechanismen von SINGA
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren
Publikum
Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Apache SINGA als Deep-Learning-Framework einsetzen Apache SINGA .
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Verstehen der Struktur und der Bereitstellungsmechanismen von SINGA
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren
7 Stunden
Überblick
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
Überblick
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 Stunden
Überblick
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 Stunden
Überblick
TensorFlow Lite is an open source deep learning framework for executing models on mobile and embedded devices with limited compute and memory resources.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 Stunden
Überblick
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
21 Stunden
Überblick
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 Stunden
Überblick
TensorFlow Lite for Microcontrollers is a port of TensorFlow Lite designed to run machine learning models on microcontrollers and other devices with limited memory.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
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.
7 Stunden
Überblick
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 .
21 Stunden
Überblick
TensorFlow ist eine 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Das System wurde entwickelt, um die Forschung im Bereich maschinelles Lernen zu vereinfachen 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 TensorFlow
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
28 Stunden
Überblick
In diesem Kurs wird anhand konkreter Beispiele die Anwendung von Tensor Flow zur Bilderkennung erläutert
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen TensorFlow
Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen TensorFlow
Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren
21 Stunden
Überblick
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 Stunden
Überblick
Torch ist eine Open-Source-Bibliothek für maschinelles Lernen und ein Framework für wissenschaftliches Rechnen, das auf der Programmiersprache Lua basiert. Es bietet eine Entwicklungsumgebung für Numerik, maschinelles Lernen und Computer Vision mit besonderem Schwerpunkt auf Deep Learning und Faltungsnetzen. Es ist eine der schnellsten und flexibelsten Rahmenbedingungen für die Maschine und Deep Learning und wird von Unternehmen wie verwendet Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel, und viele andere.
In diesem von Lehrern geführten Live-Training werden die Prinzipien von Torch , seine einzigartigen Funktionen und seine Anwendung in realen Anwendungen erläutert. Wir führen durch zahlreiche praktische Übungen, demonstrieren und üben die erlernten Konzepte.
Am Ende des Kurses werden die Teilnehmer ein umfassendes Verständnis der zugrunde liegenden Funktionen und Fähigkeiten von Torch sowie seiner Rolle und seines Beitrags im KI-Raum im Vergleich zu anderen Frameworks und Bibliotheken haben. Die Teilnehmer haben auch die notwendige Übung erhalten, um Torch in ihren eigenen Projekten zu implementieren.
Format des Kurses
- Überblick über maschinelles und Deep Learning
- Codierungs- und Integrationsübungen in der Klasse
- Testfragen wurden auf dem Weg verteilt, um das Verständnis zu überprüfen
In diesem von Lehrern geführten Live-Training werden die Prinzipien von Torch , seine einzigartigen Funktionen und seine Anwendung in realen Anwendungen erläutert. Wir führen durch zahlreiche praktische Übungen, demonstrieren und üben die erlernten Konzepte.
Am Ende des Kurses werden die Teilnehmer ein umfassendes Verständnis der zugrunde liegenden Funktionen und Fähigkeiten von Torch sowie seiner Rolle und seines Beitrags im KI-Raum im Vergleich zu anderen Frameworks und Bibliotheken haben. Die Teilnehmer haben auch die notwendige Übung erhalten, um Torch in ihren eigenen Projekten zu implementieren.
Format des Kurses
- Überblick über maschinelles und Deep Learning
- Codierungs- und Integrationsübungen in der Klasse
- Testfragen wurden auf dem Weg verteilt, um das Verständnis zu überprüfen
7 Stunden
Überblick
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 .
35 Stunden
Überblick
TensorFlow ™ ist eine Open-Source-Softwarebibliothek für die numerische Berechnung mithilfe von Datenflussdiagrammen.
SyntaxNet ist ein Framework für die Verarbeitung natürlicher Sprachen in einem neuronalen Netzwerk für TensorFlow .
Word 2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die als "Worteinbettungen" bezeichnet werden. Word 2vec ist ein besonders recheneffizientes Vorhersagemodell zum Lernen von Worteinbettungen aus Rohtext. Es gibt zwei Varianten: das Continuous Bag-of- Word Modell (CBOW) und das Skip-Gram-Modell (Kapitel 3.1 und 3.2 in Mikolov et al.).
In Kombination mit SyntaxNet und Word 2Vec können Benutzer gelernte Einbettungsmodelle aus Eingaben in natürlicher Sprache generieren.
Publikum
Dieser Kurs richtet sich an Entwickler und Ingenieure, die beabsichtigen, mit SyntaxNet- und Word 2Vec-Modellen in ihren TensorFlow Diagrammen zu arbeiten.
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren
SyntaxNet ist ein Framework für die Verarbeitung natürlicher Sprachen in einem neuronalen Netzwerk für TensorFlow .
Word 2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die als "Worteinbettungen" bezeichnet werden. Word 2vec ist ein besonders recheneffizientes Vorhersagemodell zum Lernen von Worteinbettungen aus Rohtext. Es gibt zwei Varianten: das Continuous Bag-of- Word Modell (CBOW) und das Skip-Gram-Modell (Kapitel 3.1 und 3.2 in Mikolov et al.).
In Kombination mit SyntaxNet und Word 2Vec können Benutzer gelernte Einbettungsmodelle aus Eingaben in natürlicher Sprache generieren.
Publikum
Dieser Kurs richtet sich an Entwickler und Ingenieure, die beabsichtigen, mit SyntaxNet- und Word 2Vec-Modellen in ihren TensorFlow Diagrammen zu arbeiten.
Nach Abschluss dieses Kurses werden die Teilnehmer:
- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren
35 Stunden
Überblick
Dieser Kurs beginnt mit dem Erlernen von konzeptionellen Kenntnissen in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus und Tiefenlernen (Algorithmen und Anwendungen).
Teil 1 (40%) dieses Trainings konzentriert sich mehr auf Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras usw.
In Teil 2 (20%) dieses Trainings wird Theano vorgestellt - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.
Part-3 (40%) die Ausbildung intensiv auf Basis von Tensorflow würde - 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Die Beispiele und Handys würden alle in TensorFlow .
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow
Nach Abschluss dieses Kurses werden die Teilnehmer:
-
ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN haben
-
Struktur und Einsatzmechanismen von TensorFlow verstehen
-
in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
-
in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
-
in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
Teil 1 (40%) dieses Trainings konzentriert sich mehr auf Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras usw.
In Teil 2 (20%) dieses Trainings wird Theano vorgestellt - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.
Part-3 (40%) die Ausbildung intensiv auf Basis von Tensorflow würde - 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Die Beispiele und Handys würden alle in TensorFlow .
Publikum
Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow
Nach Abschluss dieses Kurses werden die Teilnehmer:
-
ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN haben
-
Struktur und Einsatzmechanismen von TensorFlow verstehen
-
in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
-
in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
-
in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
28 Stunden
Überblick
Dieser Kurs vermittelt Kenntnisse in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen).
Diese Schulung konzentriert sich mehr auf die Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Teano, DeepDrive, Keras usw. Die Beispiele wurden in TensorFlow .
Diese Schulung konzentriert sich mehr auf die Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Teano, DeepDrive, Keras usw. Die Beispiele wurden in TensorFlow .
21 Stunden
Überblick
Dieser Kurs befasst sich mit KI (Schwerpunkt Machine Learning und Deep Learning )
21 Stunden
Überblick
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.
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)")
