Live-Schulungen zu künstlichen Intelligenz (KI) vor Ort demonstrieren anhand praktischer Übungen, wie KI-Lösungen zur Lösung realer Probleme implementiert werden. KI-Schulungen sind als "Live-Training vor Ort" oder "Remote-Live-Training" verfügbar. Live-Schulungen vor Ort können vor Ort beim Kunden vor Ort durchgeführt werden Deutschland oder in NobleProg-Schulungszentren in Deutschland . Das Remote-Live-Training wird über einen interaktiven Remote-Desktop durchgeführt. NobleProg - Ihr lokaler Trainingsanbieter.
Ref Material später zu verwenden war sehr gut.
PAUL BEALES- Seagate Technology.
Course: Angewandtes Maschinelles Lernen
Translated by
Was hat Ihnen an dem Training am meisten gefallen ?: Gab mir eine gute Übung, um mithilfe von R Maschinenlernsysteme für reale Situationen zu bauen. Ich kann das sofort in meiner Arbeit verwenden. Das war ein ausgezeichneter Kurs. Eines der besten, die ich je hatte.
Matthew Thomas - British Telecom
Course: Angewandtes Maschinelles Lernen
Translated by
Er war sehr informativ und hilfsbereit.
Pratheep Ravy
Course: Predictive Modelling with R
Translated by
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
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Ann schuf eine großartige Umgebung, um Fragen zu stellen und zu lernen. Wir hatten viel Spaß und lernten gleichzeitig viel.
Gudrun Bickelq
Course: Introduction to the use of neural networks
Translated by
Der interaktive Teil, zugeschnitten auf unsere spezifischen Bedürfnisse.
Thomas Stocker
Course: Introduction to the use of neural networks
Translated by
Ich mochte die Übungen.
Office for National Statistics
Course: Natural Language Processing with Python
Translated by
Ich habe den praktischen Ansatz wirklich genossen.
Kevin De Cuyper
Course: Computer Vision with OpenCV
Translated by
Der Trainer war so sachkundig und schloss Bereiche ein, an denen ich interessiert war.
Mohamed Salama
Course: Data Mining & Machine Learning with R
Translated by
Das Thema ist sehr interessant.
Wojciech Baranowski
Course: Introduction to Deep Learning
Translated by
Trainer theoretische Kenntnisse und Bereitschaft, die Probleme mit den Teilnehmern nach dem Training zu lösen.
Grzegorz Mianowski
Course: Introduction to Deep Learning
Translated by
Thema. Sehr interessant!.
Piotr
Course: Introduction to Deep Learning
Translated by
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.
Course: Introduction to Deep Learning
Translated by
Ich denke, wenn das Training auf Polnisch gemacht würde, würde es dem Trainer erlauben, sein Wissen effizienter zu teilen.
Radek
Course: Introduction to Deep Learning
Translated by
Der globale Überblick über Deep Learning.
Bruno Charbonnier
Course: Advanced Deep Learning
Translated by
Die Übungen sind ausreichend praktisch und erfordern keine hohen Kenntnisse in Python.
Alexandre GIRARD
Course: Advanced Deep Learning
Translated by
Übungen an echten Beispielen mit Eras. Italien hat unsere Erwartungen an dieses Training vollkommen verstanden.
Paul Kassis
Course: Advanced Deep Learning
Translated by
Das Thema. Es schien interessant, aber ich verließ nicht viel mehr als vorher.
Radoslaw Labedzki
Course: Introduction to Deep Learning
Translated by
Mir hat gefallen, dass dieser Kurs ein sehr interessantes Thema hatte.
Wojciech Wilk
Course: Introduction to Deep Learning
Translated by
Ich habe die kristallklaren Antworten von Chris auf unsere Fragen sehr geschätzt.
Léo Dubus
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Ich genoss im Allgemeinen den sachkundigen Trainer.
Sridhar Voorakkara
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Ich war erstaunt über den Standard dieser Klasse - ich würde sagen, dass es Universitätsstandard war.
David Relihan
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Sehr gute Rundum-Übersicht. Ein guter Hintergrund, warum Tensorflow so funktioniert.
Kieran Conboy
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Ich mochte die Gelegenheiten, Fragen zu stellen und tiefergehende Erklärungen der Theorie zu bekommen.
Sharon Ruane
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Wir haben viel mehr Einblick in das Thema bekommen. Mit einigen echten Themen in unserem Unternehmen wurde eine nette Diskussion geführt.
Sebastiaan Holman
Course: Machine Learning and Deep Learning
Translated by
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
Course: Machine Learning and Deep Learning
Translated by
Ich habe die Berichterstattung und Tiefe der Themen sehr genossen.
Anirban Basu
Course: Machine Learning and Deep Learning
Translated by
Der Trainer erklärte sehr leicht schwierige und fortgeschrittene Themen.
Leszek K
Course: Ein Überblick über künstliche Intelligenz
Translated by
Ich mochte die neuen Einblicke in tiefes maschinelles Lernen.
Josip Arneric
Course: Training Neural Network in R
Translated by
Wir haben etwas über NN im Allgemeinen gelernt, und was für mich am interessantesten war, waren die neuen Typen von NN, die heutzutage populär sind.
Tea Poklepovic
Course: Training Neural Network in R
Translated by
Mir gefielen die Graphen in R :))).
Faculty of Economics and Business Zagreb
Course: Training Neural Network in R
Translated by
Das tiefe Wissen des Trainers über das Thema.
Sebastian Görg
Course: Introduction to Deep Learning
Translated by
Sehr aktualisierter Ansatz oder CPI (Tensor Flow, Ära, lernen), um maschinelles Lernen zu tun.
Paul Lee
Course: TensorFlow for Image Recognition
Translated by
Voraussichtlicher Stand der Technologie: Welche Technologie / Prozess könnte in Zukunft wichtiger werden? sehen Sie, wofür die Technologie verwendet werden kann.
Commerzbank AG
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Ich habe von der Themenauswahl profitiert. Art des Trainings. Praxisorientierung.
Commerzbank AG
Course: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Alle mögen es
蒙 李
Course: Machine Learning Fundamentals with Python
Translated by
Art und Weise des Leitens und des Beispiels, das vom Trainer gegeben wird
ORANGE POLSKA S.A.
Course: Machine Learning and Deep Learning
Translated by
Möglichkeit, die vorgeschlagenen Themen selbst zu diskutieren
ORANGE POLSKA S.A.
Course: Machine Learning and Deep Learning
Translated by
Kommunikation mit Dozenten
文欣 张
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Gefällt mir
lisa xie
Course: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Vertiefte Darstellung von Themen des maschinellen Lernens, insbesondere neuronaler Netze. Entmystifizierte viel von dem Thema.
Sacha Nandlall
Course: Python for Advanced Machine Learning
Translated by
Dies ist eine der besten Übungen mit Programmierkursen, die ich je gemacht habe.
Laura Kahn
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
Dies ist eines der besten Online-Trainings, die ich je in meiner 13-jährigen Karriere gemacht habe. Mach weiter so!
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
viele Übungen, die ich direkt in meiner Arbeit anwenden kann.
Alior Bank S.A.
Course: Training Neural Network in R
Translated by
Beispiele für echte Daten.
Alior Bank S.A.
Course: Training Neural Network in R
Translated by
neuralnet, pROC in einer Schleife.
Alior Bank S.A.
Course: Training Neural Network in R
Translated by
Richard's Trainingsstil hielt es interessant, die Beispiele aus der realen Welt halfen, die Konzepte nach Hause zu bringen.
Jamie Martin-Royle - NBrown Group
Course: From Data to Decision with Big Data and Predictive Analytics
Translated by
Der Inhalt, wie ich es sehr interessant fand und denke, dass es mir in meinem letzten Jahr an der Universität helfen würde.
Krishan Mistry - NBrown Group
Course: From Data to Decision with Big Data and Predictive Analytics
Translated by
Großes und aktuelles Wissen über führende und praktische Anwendungsbeispiele.
ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Translated by
Viele Übungen, sehr gute Zusammenarbeit mit der Gruppe.
Janusz Chrobot - ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Translated by
Arbeit an Kolaboratoren,
ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Translated by
Es war offensichtlich, dass die Enthusiasten der präsentierten Themen führend waren. Benutzte interessante Beispiele während des Trainings.
ING Bank Śląski S.A.
Course: Introduction to Deep Learning
Translated by
Eine breite Palette von Themen abgedeckt und umfangreiches Wissen der Führungskräfte.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Translated by
Mangel
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Translated by
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
Course: Understanding Deep Neural Networks
Translated by
Praktischer Teil, bei dem wir Algorithmen implementiert haben. Dies ermöglichte ein besseres Verständnis des Themas.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Translated by
Übungen und Beispiele auf ihnen implementiert
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Translated by
Beispiele und diskutierte Themen.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Translated by
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
Course: Understanding Deep Neural Networks
Translated by
Praktische Übungen von Herrn Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Course: Understanding Deep Neural Networks
Translated by
Die einfache Verwendung der VideoCapture-Funktionalität zum Erfassen von Videobildern von einer Laptop-Kamera.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Course: Computer Vision with OpenCV
Translated by
Ich habe die Empfehlungen des Trainers zur Verwendung der Tools genossen. Dies ist etwas, das nicht aus dem Internet erhalten werden kann und sehr nützlich ist.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Course: Computer Vision with OpenCV
Translated by
Ich habe die Empfehlungen des Trainers zur Verwendung der Tools genossen. Dies ist etwas, das nicht aus dem Internet erhalten werden kann und sehr nützlich ist.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Course: Computer Vision with OpenCV
Translated by
Es war leicht zu folgen.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Course: Computer Vision with OpenCV
Translated by
Zusätzliche Materialien. Theoretische Vorbereitung.
ING Bank Śląski
Course: Using Computer Network ToolKit (CNTK)
Translated by
Großes Wissen des Lehrers sowie die Bereitschaft und Fähigkeit, es zu teilen. Inspiration für die Suche nach Anwendungen von Algorithmen künstlicher Intelligenz
ING Bank Śląski
Course: Using Computer Network ToolKit (CNTK)
Translated by
Ich mag Beispiele zum Erklären
AUO友达光电（苏州）有限公司
Course: OptaPlanner in Practice
Translated by
Die Angelegenheit war gut präsentiert und ordentlich.
Marylin Houle - Ivanhoe Cambridge
Course: Introduction to R with Time Series Analysis
Translated by
Ich habe von der Leidenschaft zum Lehren profitiert und mich darauf konzentriert, Dinge sinnvoll zu machen.
Zaher Sharifi - GOSI
Course: Advanced Deep Learning
Translated by
Dies ist eines der besten Online-Trainings, die ich je in meiner 13-jährigen Karriere gemacht habe. Mach weiter so!
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
| Code | Name | Dauer | Übersicht |
|---|---|---|---|
| aiint | Ein Überblick über künstliche Intelligenz | 7 Stunden | Dieser Kurs richtet sich an Manager, Lösungsarchitekten, Innovationsbeauftragte, CTOs, Software-Architekten und alle, die sich für einen Überblick über angewandte künstliche Intelligenz und die nächste Prognose für ihre Entwicklung interessieren. |
| nlg | Python for Natural Language Generation | 21 Stunden | Natural Language Generation (NLG) bezieht sich auf die Produktion von natürlichsprachlichem Text oder Sprache durch einen Computer In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Python hochwertigen Text in natürlicher Sprache erstellen können, indem sie ihr eigenes NLG-System von Grund auf neu erstellen Fallstudien werden ebenfalls untersucht und die relevanten Konzepte werden auf Live-Lab-Projekte zur Generierung von Inhalten angewendet Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie NLG, um automatisch Inhalte für verschiedene Branchen zu generieren, von Journalismus über Immobilien bis hin zu Wetter- und Sportberichten Auswählen und Organisieren von Quellinhalt, Planen von Sätzen und Vorbereiten eines Systems zum automatischen Generieren von Originalinhalten Verstehen Sie die NLG-Pipeline und wenden Sie die richtigen Techniken in jeder Phase an Verstehen Sie die Architektur eines Natural Language Generation (NLG) -Systems Implementieren Sie die am besten geeigneten Algorithmen und Modelle für die Analyse und Bestellung Ziehen Sie Daten aus öffentlich verfügbaren Datenquellen sowie aus kuratierten Datenbanken, die als Material für generierten Text verwendet werden sollen Ersetze manuelle und mühsame Schreibprozesse durch computergenerierte, automatisierte Inhaltserstellung Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 Stunden | Deep Learning für NLP ermöglicht es einer Maschine, einfache bis komplexe Sprachverarbeitung zu erlernen Zu den derzeit möglichen Aufgaben gehören die Übersetzung von Sprachen und die Erstellung von Bildunterschriften für Fotos DL (Deep Learning) ist eine Teilmenge von ML (Machine Learning) Python ist eine beliebte Programmiersprache, die Bibliotheken für Deep Learning für NLP enthält In diesem instruierten Live-Training lernen die Teilnehmer, Python-Bibliotheken für NLP (Natural Language Processing) zu verwenden, während sie eine Anwendung erstellen, die eine Reihe von Bildern verarbeitet und Untertitel generiert Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Entwerfen und kodieren Sie DL für NLP mit Python-Bibliotheken Erstellen Sie Python-Code, der eine im Wesentlichen große Sammlung von Bildern liest und Schlüsselwörter generiert Erstellen Sie Python-Code, der Untertitel aus den erkannten Keywords generiert Publikum Programmierer mit Interesse an Linguistik Programmierer, die ein Verständnis für NLP (Natural Language Processing) suchen Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| textsum | Text Summarization with Python | 14 Stunden | In Python Machine Learning kann die Textzusammenfassungsfunktion den eingegebenen Text lesen und eine Textzusammenfassung erstellen Diese Funktion ist über die Befehlszeile oder als Python API / Library verfügbar Eine aufregende Anwendung ist die schnelle Erstellung von Executive-Zusammenfassungen; Dies ist besonders nützlich für Organisationen, die umfangreiche Textdaten vor dem Erstellen von Berichten und Präsentationen überprüfen müssen In diesem instruierten Live-Training lernen die Teilnehmer, mit Python eine einfache Anwendung zu erstellen, die automatisch eine Zusammenfassung des Eingabetextes generiert Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie ein Befehlszeilenprogramm, das den Text zusammenfasst Entwerfen und erstellen Sie Textzusammenfassungscode mithilfe von Python-Bibliotheken Bewerten Sie drei Python-Zusammenfassungsbibliotheken: sumy 070, pysummarization 104, readless 1017 Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| undnn | Understanding Deep Neural Networks | 35 Stunden | 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 . |
| opennlp | OpenNLP for Text Based Machine Learning | 14 Stunden | Die Apache OpenNLP-Bibliothek ist ein auf maschinellem Lernen basierendes Toolkit zur Verarbeitung von Text in natürlicher Sprache Es unterstützt die gebräuchlichsten NLP-Aufgaben, wie z B Spracherkennung, Tokenisierung, Satzsegmentierung, Teil-Spech-Tagging, Namensentitätsextraktion, Chunking, Parsing und Koreferenzierung In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mit OpenNLP Modelle für die Verarbeitung textbasierter Daten erstellen können Als Grundlage für die Laborübungen dienen sowohl Trainingsdaten als auch kundenspezifische Datensätze Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren und konfigurieren Sie OpenNLP Laden Sie bestehende Modelle herunter und erstellen Sie eigene Modelle Trainieren Sie die Modelle auf verschiedenen Sample-Datensätzen Integrieren Sie OpenNLP in vorhandene Java-Anwendungen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| mlbankingpython_ | Machine Learning for Banking (with Python) | 21 Stunden | Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden Python ist eine Programmiersprache, die für ihre klare Syntax und Lesbarkeit bekannt ist Es bietet eine hervorragende Sammlung von gut getesteten Bibliotheken und Techniken zur Entwicklung von maschinellen Lernanwendungen In diesem instruierten Live-Training werden die Teilnehmer lernen, Techniken und Werkzeuge des maschinellen Lernens anzuwenden, um reale Probleme in der Bankenbranche zu lösen Die Teilnehmer lernen zunächst die Schlüsselprinzipien kennen und setzen ihr Wissen dann in die Praxis um, indem sie ihre eigenen Modelle für maschinelles Lernen aufbauen und damit eine Reihe von Teamprojekten durchführen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| mlbankingr | Machine Learning for Banking (with R) | 28 Stunden | In diesem instruierten Live-Training werden die Teilnehmer lernen, Techniken und Werkzeuge des maschinellen Lernens anzuwenden, um reale Probleme in der Bankenbranche zu lösen R wird als Programmiersprache verwendet Die Teilnehmer lernen zunächst die Schlüsselprinzipien kennen und setzen ihr Wissen dann in die Praxis um, indem sie ihre eigenen Modelle für maschinelles Lernen aufbauen und sie für eine Reihe von Live-Projekten verwenden Publikum Entwickler Datenwissenschaftler Banking-Profis mit einem technischen Hintergrund Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| python_nlp | Natural Language Processing with Deep Dive in Python and NLTK | 35 Stunden | Am Ende der Schulung wird erwartet, dass die Delegierten ausreichend mit den wesentlichen Python-Konzepten ausgestattet sind und in der Lage sein sollten, NLTK ausreichend zu verwenden, um die meisten NLP- und ML-basierten Operationen zu implementieren Das Training zielt darauf ab, nicht nur ein Ausführungswissen, sondern auch das logische und operative Wissen der darin enthaltenen Technologie zu vermitteln . |
| matlabdl | Matlab for Deep Learning | 14 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 . |
| matlabpredanalytics | Matlab for Predictive Analytics | 21 Stunden | Predictive Analytics ist der Prozess der Verwendung von Datenanalysen, um Vorhersagen über die Zukunft zu treffen Dieser Prozess verwendet Daten zusammen mit Data-Mining-, Statistik- und maschinellen Lerntechniken, um ein Vorhersagemodell für die Vorhersage zukünftiger Ereignisse zu erstellen In diesem instruierten Live-Training lernen die Teilnehmer, wie sie Matlab nutzen können, um Vorhersagemodelle zu erstellen und sie auf große Beispieldatensätze anzuwenden, um zukünftige Ereignisse basierend auf den Daten vorherzusagen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erstellen Sie Vorhersagemodelle, um Muster in historischen und transaktionalen Daten zu analysieren Verwenden Sie Predictive Modeling, um Risiken und Chancen zu identifizieren Erstellen Sie mathematische Modelle, die wichtige Trends erfassen Verwenden Sie Daten von Geräten und Geschäftssystemen, um Verschwendung zu reduzieren, Zeit zu sparen oder Kosten zu senken Publikum Entwickler Ingenieure Domain-Experten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| tensorflowserving | TensorFlow Serving | 7 Stunden | 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 . |
| mlios | Machine Learning on iOS | 14 Stunden | In diesem instruierten Live-Training lernen die Teilnehmer, wie sie den Technologie-Stack von iOS Machine Learning (ML) nutzen können, während sie die Erstellung und Bereitstellung einer mobilen iOS-App durchlaufen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erstellen Sie eine mobile App, die Bildverarbeitung, Textanalyse und Spracherkennung unterstützt Greifen Sie auf vortrainierte ML-Modelle zur Integration in iOS-Apps zu Erstellen Sie ein benutzerdefiniertes ML-Modell Fügen Sie Siri Voice-Unterstützung für iOS-Apps hinzu Verstehen und verwenden Sie Frameworks wie CoreML, Vision, CoreGraphics und GamePlayKit Verwenden Sie Sprachen und Tools wie Python, Keras, Caffee, Tensorflow, Scikit lernen, libsvm, Anaconda und Spyder Publikum Entwickler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| pythontextml | Python: Machine Learning with Text | 21 Stunden | In diesem instruierten Live-Training werden die Teilnehmer lernen, wie sie das richtige maschinelle Lernen und NLP-Techniken (Natural Language Processing) einsetzen, um aus textbasierten Daten Nutzen zu ziehen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Lösen Sie textbasierte Probleme der Datenwissenschaft mit qualitativ hochwertigem, wiederverwendbarem Code Wenden Sie verschiedene Aspekte von scikitlearn an (Klassifikation, Clustering, Regression, Dimensionalitätsreduktion), um Probleme zu lösen Erstellen Sie effektive maschinelle Lernmodelle mit textbasierten Daten Erstellen Sie ein Dataset und extrahieren Sie Features aus unstrukturiertem Text Visualisieren Sie Daten mit Matplotlib Erstellen und bewerten Sie Modelle, um Einblicke zu gewinnen Beheben Sie Textcodierungsfehler Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| mlfinancepython | Machine Learning for Finance (with Python) | 21 Stunden | Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden Python ist eine Programmiersprache, die für ihre klare Syntax und Lesbarkeit bekannt ist Es bietet eine hervorragende Sammlung von gut getesteten Bibliotheken und Techniken zur Entwicklung von maschinellen Lernanwendungen In diesem instruierten Live-Training werden die Teilnehmer lernen, Techniken und Werkzeuge des maschinellen Lernens anzuwenden, um reale Probleme in der Finanzindustrie zu lösen Die Teilnehmer lernen zunächst die Schlüsselprinzipien kennen und setzen ihr Wissen dann in die Praxis um, indem sie ihre eigenen Modelle für maschinelles Lernen aufbauen und damit eine Reihe von Teamprojekten durchführen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verstehen Sie die grundlegenden Konzepte des maschinellen Lernens Erlernen Sie die Anwendungen und Anwendungen des maschinellen Lernens im Finanzwesen Entwickeln Sie ihre eigene algorithmische Handelsstrategie mit Machine Learning mit Python Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| encogintro | Encog: Introduction to Machine Learning | 14 Stunden | Encog ist ein Open Source-Framework zum maschinellen Lernen für Java undNet In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von ENCOG verschiedene neuronale Netzwerkkomponenten erstellen können Realworld-Fallstudien werden diskutiert und maschinensprachliche Lösungen für diese Probleme werden untersucht Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Bereiten Sie Daten für neuronale Netze unter Verwendung des Normalisierungsprozesses vor Implementieren Sie Feed-Forward-Netzwerke und Fortpflanzungs-Trainingsmethoden Implementieren Sie Klassifizierungs- und Regressionsaufgaben Modellieren und trainieren Sie neurale Netzwerke mithilfe der GUI-basierten Workbench von Encog Integrieren Sie die neuronale Netzwerkunterstützung in Realworld-Anwendungen Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| encogadv | Encog: Advanced Machine Learning | 14 Stunden | Encog ist ein Open Source-Framework zum maschinellen Lernen für Java undNet In diesem instruierten Live-Training lernen die Teilnehmer fortgeschrittene Techniken des maschinellen Lernens kennen, um präzise neuronale Vorhersagemodelle zu erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Implementieren Sie verschiedene Optimierungstechniken für neuronale Netzwerke, um die Unter- und Überanpassung zu beheben Verstehen und wählen Sie aus einer Reihe von neuronalen Netzwerkarchitekturen Implementieren Sie überwachte Feed-Forward- und Feedback-Netzwerke Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| radvml | Advanced Machine Learning with R | 21 Stunden | In diesem instruierten Live-Training erlernen die Teilnehmer fortgeschrittene Techniken für Maschinelles Lernen mit R, während sie eine Realworld-Anwendung erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie Techniken wie Hyperparameter-Tuning und Deep Learning Unüberwachte Lerntechniken verstehen und implementieren Erstellen Sie ein Modell für die Verwendung in einer größeren Anwendung Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| pythonadvml | Python for Advanced Machine Learning | 21 Stunden | In diesem instruierten Live-Training lernen die Teilnehmer die relevantesten und fortschrittlichsten maschinellen Lerntechniken in Python kennen, während sie eine Reihe von Demo-Anwendungen mit Bild-, Musik-, Text- und Finanzdaten erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Implementieren Sie maschinelle Lernalgorithmen und Techniken zur Lösung komplexer Probleme Wenden Sie intensives Lernen und halbüberwachtes Lernen auf Anwendungen mit Bild-, Musik-, Text- und Finanzdaten an Push Python-Algorithmen auf ihr maximales Potenzial Verwenden Sie Bibliotheken und Pakete wie NumPy und Theano Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| fiji | Fiji: Introduction to Scientific Image Processing | 21 Stunden | Fidschi ist ein Open Source-Bildverarbeitungspaket, das ImageJ (ein Bildverarbeitungsprogramm für wissenschaftliche multidimensionale Bilder) und eine Reihe von Plugins für die wissenschaftliche Bildanalyse bündelt In diesem instruierten Live-Training lernen die Teilnehmer, wie sie die Fiji-Distribution und das ihr zugrundeliegende ImageJ-Programm verwenden, um eine Bildanalyseanwendung zu erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie die erweiterten Programmierfunktionen und Softwarekomponenten von Fiji, um ImageJ zu erweitern Stitch große 3D-Bilder von überlappenden Fliesen Automatisches Update einer Fidschi-Installation beim Start mit dem integrierten Update-System Wählen Sie aus einer breiten Auswahl an Skriptsprachen aus, um benutzerdefinierte Bildanalyse-Lösungen zu erstellen Verwenden Sie Fidschis leistungsstarke Bibliotheken wie ImgLib auf großen Bioimage-Datasets Stellen Sie ihre Anwendung bereit und arbeiten Sie mit anderen Wissenschaftlern an ähnlichen Projekten zusammen Publikum Wissenschaftler Forscher Entwickler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| rasberrypiopencv | Raspberry Pi + OpenCV: Build a Facial Recognition System | 21 Stunden | Dieses instruierte Live-Training stellt den Software-, Hardware- und Step-by-Step-Prozess vor, der benötigt wird, um ein Gesichtserkennungssystem von Grund auf aufzubauen Gesichtserkennung ist auch als Gesichtserkennung bekannt Die in diesem Labor verwendete Hardware umfasst Rasberry Pi, ein Kameramodul, Servos (optional) usw Die Teilnehmer sind selbst für den Kauf dieser Komponenten verantwortlich Die verwendete Software beinhaltet OpenCV, Linux, Python, etc Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie Linux, OpenCV und andere Software-Hilfsprogramme und Bibliotheken auf einem Rasberry Pi Konfigurieren Sie OpenCV zum Erfassen und Erkennen von Gesichtsbildern Verstehen Sie die verschiedenen Möglichkeiten, ein Rasberry Pi-System für den Einsatz in realen Umgebungen zu verpacken Passen Sie das System für eine Vielzahl von Anwendungsfällen an, einschließlich Überwachung, Identitätsüberprüfung usw Publikum Entwickler Hardware- / Software-Techniker Technische Personen in allen Branchen Hobbyisten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Andere Hardware- und Softwareoptionen umfassen: Arduino, OpenFace, Windows usw Wenn Sie eines dieser Produkte verwenden möchten, kontaktieren Sie uns bitte, um dies zu arrangieren . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 Stunden | OpenFace ist Python und Torch-basierte Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google basiert In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe der OpenFace-Komponenten eine Musteranwendung für die Gesichtserkennung erstellen und bereitstellen können Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Arbeiten Sie mit OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, um Gesichtserkennung, Ausrichtung und Transformation zu implementieren Wenden Sie OpenFace auf Realworld-Anwendungen wie Überwachung, Identitätsüberprüfung, Virtual Reality, Spiele und Identifizierung von Stammkunden usw an Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 Stunden | Embedding Projector ist eine Open-Source-Webanwendung zur Visualisierung der Daten, die zum Trainieren von maschinellen Lernsystemen verwendet werden Erstellt von Google, ist es ein Teil von TensorFlow Dieses instruierte Live-Training stellt die Konzepte hinter Embedding Projector vor und führt die Teilnehmer durch die Einrichtung eines Demo-Projekts Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erfahren Sie, wie Daten von maschinellen Lernmodellen interpretiert werden Navigieren Sie durch 3D- und 2D-Ansichten von Daten, um zu verstehen, wie ein maschineller Lernalgorithmus sie interpretiert Verstehen Sie die Konzepte hinter Embedding und ihre Rolle bei der Darstellung mathematischer Vektoren für Bilder, Wörter und Zahlen Erkunden Sie die Eigenschaften einer bestimmten Einbettung, um das Verhalten eines Modells zu verstehen Wenden Sie Embedding Project auf reale Anwendungsfälle an, wie zum Beispiel das Erstellen eines Song-Empfehlungssystems für Musikliebhaber Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| t2t | T2T: Creating Sequence to Sequence Models for Generalized Learning | 7 Stunden | Tensor2Tensor (T2T) ist eine modulare, erweiterbare Bibliothek zum Trainieren von KI-Modellen in verschiedenen Aufgaben, wobei verschiedene Arten von Trainingsdaten verwendet werden, z B: Bilderkennung, Übersetzung, Parsing, Bildunterschrift und Spracherkennung Es wird vom Google Brain-Team verwaltet In diesem instruierten Live-Training lernen die Teilnehmer, wie sie ein Deeplearning-Modell vorbereiten können, um mehrere Aufgaben zu lösen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie tensor2tensor, wählen Sie einen Datensatz aus und trainieren und bewerten Sie ein AI-Modell Passen Sie eine Entwicklungsumgebung mit den Tools und Komponenten von Tensor2Tensor an Erstellen und verwenden Sie ein einzelnes Modell, um gleichzeitig eine Reihe von Aufgaben aus mehreren Domänen zu lernen Verwenden Sie das Modell, um aus Aufgaben mit einer großen Menge an Trainingsdaten zu lernen, und wenden Sie dieses Wissen auf Aufgaben an, bei denen Daten begrenzt sind Erzielen Sie zufriedenstellende Verarbeitungsergebnisse mit einer einzelnen GPU Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| cognitivecomputing | Cognitive Computing: An Introduction for Business Managers | 7 Stunden | Kognitives Rechnen bezieht sich auf Systeme, die maschinelles Lernen, Argumentation, Verarbeitung natürlicher Sprache, Spracherkennung und -visionen (Objekterkennung), Mensch-Computer-Interaktion, Dialog und Erzählgenerierung umfassen, um nur einige zu nennen Ein kognitives Computersystem besteht häufig aus mehreren Technologien, die zusammenarbeiten, um sowohl "heiße" kontextbezogene Daten als auch große Mengen von "kalten" historischen Daten stapelweise zu verarbeiten Beispiele für solche Technologien sind Kafka, Spark, Elasticsearch, Cassandra und Hadoop In diesem instruierten Live-Training erfahren die Teilnehmer, wie Cognitive Computing KI und Big Data ergänzt und wie zweckgebundene Systeme dazu verwendet werden können, menschenähnliche Verhaltensweisen zu realisieren, die die Leistung von Mensch-Maschine-Interaktionen in Unternehmen verbessern Am Ende dieses Trainings werden die Teilnehmer verstehen: Die Beziehung zwischen Cognitive Computing und künstlicher Intelligenz (AI) Die inhärent probabilistische Natur von Cognitive Computing und wie man es als Geschäftsvorteil nutzen kann Wie man kognitive Computersysteme verwaltet, die sich auf unerwartete Weise verhalten Welche Unternehmen und Softwaresysteme bieten die überzeugendsten Cognitive Computing-Lösungen? Publikum Geschäftsführer Format des Kurses Vortrag, Fallbesprechungen und Übungen . |
| dsstne | Amazon DSSTNE: Build a Recommendation System | 7 Stunden | Amazon DSSTNE ist eine OpenSource-Bibliothek zum Trainieren und Implementieren von Empfehlungsmodellen Damit können Modelle mit Gewichtsmatrizen, die für eine einzelne GPU zu groß sind, auf einem einzelnen Host trainiert werden In diesem instruierten Live-Training lernen die Teilnehmer, wie DSSTNE zum Erstellen einer Empfehlungsanwendung verwendet werden kann Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie ein Empfehlungsmodell mit sparse Datensätzen als Eingabe Skalieren Sie Trainings- und Vorhersagemodelle über mehrere GPUs Verteilen Sie Berechnung und Speicherung modellparallel Generieren Sie amazonike personalisierte Produktempfehlungen Stellen Sie eine produktionsbereite Anwendung bereit, die bei hohen Arbeitslasten skaliert werden kann Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| bigdatabicriminal | Big Data Business Intelligence for Criminal Intelligence Analysis | 35 Stunden | Fortschritte bei den Technologien und die zunehmende Menge an Informationen verändern die Art und Weise, in der die Strafverfolgung durchgeführt wird Die Herausforderungen, die Big Data mit sich bringt, sind fast so gewaltig wie die Versprechen von Big Data Die effiziente Speicherung von Daten ist eine dieser Herausforderungen es effektiv zu analysieren ist ein anderes In diesem instruierten Live-Training lernen die Teilnehmer die Denkweise kennen, mit der sie Big Data-Technologien angehen, ihre Auswirkungen auf bestehende Prozesse und Richtlinien bewerten und diese Technologien zum Zweck der Identifizierung krimineller Aktivitäten und zur Verhinderung von Kriminalität einsetzen können Fallstudien von Strafverfolgungsbehörden auf der ganzen Welt werden untersucht, um Einblicke in ihre Adoptionsansätze, Herausforderungen und Ergebnisse zu erhalten Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Kombinieren Sie Big-Data-Technologie mit traditionellen Datenerfassungs-Prozessen, um während einer Untersuchung eine Geschichte zusammenzustellen Implementieren Sie industrielle Big-Data-Speicher- und Verarbeitungslösungen für die Datenanalyse Vorbereitung eines Vorschlags für die Einführung der am besten geeigneten Instrumente und Verfahren zur Ermöglichung eines datengestützten Ansatzes bei strafrechtlichen Ermittlungen Publikum Strafverfolgungsspezialisten mit technischem Hintergrund Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| pythoncomputervision | Computer Vision with Python | 14 Stunden | Computer Vision ist ein Feld, das das automatische Extrahieren, Analysieren und Verstehen nützlicher Informationen aus digitalen Medien beinhaltet Python ist eine Highlevel-Programmiersprache, die für ihre klare Syntax und Code-Lesbarkeit bekannt ist In diesem instruierten Live-Training lernen die Teilnehmer die Grundlagen von Computer Vision, während sie die Erstellung einer Reihe von einfachen Computer Vision-Anwendungen mit Python durchlaufen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verstehen Sie die Grundlagen von Computer Vision Verwenden Sie Python, um Computer Vision-Aufgaben zu implementieren Erstellen Sie eigene Gesichtserkennungs-, Objekt- und Bewegungserkennungssysteme Publikum Python-Programmierer interessieren sich für Computer Vision Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| PaddlePaddle | PaddlePaddle | 21 Stunden | PaddlePaddle (PArallel Distributed Deep LEarning) ist eine von Baidu entwickelte skalierbare Deep-Learning-Plattform In diesem instruierten Live-Training lernen die Teilnehmer, PaddlePaddle zu verwenden, um tiefes Lernen in ihren Produkt- und Serviceanwendungen zu ermöglichen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Richten Sie PaddlePaddle ein und konfigurieren Sie es Richten Sie ein Convolutional Neural Network (CNN) für die Bilderkennung und Objekterkennung ein Richten Sie ein Recurrent Neural Network (RNN) für die Stimmungsanalyse ein Richten Sie Deep Learning auf Empfehlungssystemen ein, damit Benutzer Antworten finden können Klickraten (Click-through-Rate - CTR) vorhersagen, großformatige Bildsätze klassifizieren, optische Zeichenerkennung (OCR) durchführen, Suchanfragen einordnen, Computerviren erkennen und ein Empfehlungssystem implementieren Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| ML_LBG | Machine Learning – Data science | 21 Stunden | In dieser Präsenzschulung werden Tools für maschinelles Lernen mit Python (vorgeschlagen) vorgestellt Die Delegierten werden computerbasierte Beispiele und Fallstudienübungen durchführen . |
| Course | Schulungsdatum | Kurspreis (Fernkurs / Schulungsraum) |
|---|---|---|
| Deep Learning for Banking (with Python) - Hannover | Mo, 2019-03-11 09:30 | 5000EUR / 6000EUR |
| Deep Learning for Banking (with Python) - Potsdam | Mo, 2019-03-11 09:30 | 5000EUR / 6000EUR |
| Deep Learning for Banking (with Python) - Bremen | Mo, 2019-03-11 09:30 | 5000EUR / 6000EUR |
| Deep Learning for Banking (with Python) - Berlin | Mo, 2019-03-11 09:30 | 5000EUR / 6000EUR |
| Deep Learning for Banking (with Python) - Dresden | Di, 2019-03-12 09:30 | 5000EUR / 6000EUR |
| Course | Ort | Schulungsdatum | Kurspreis (Fernkurs / Schulungsraum) |
|---|---|---|---|
| Monax: Build a Smart Contract Application | Köln | Mi, 2019-03-06 09:30 | 1575EUR / 1975EUR |
| Embedded Linux Kernel and Driver Development | Nürnberg | Mi, 2019-03-20 09:30 | 2250EUR / 2850EUR |
| IBM ODM and Blockchain: Applying Business Rules to Smart Contracts | Bremen | Do, 2019-04-18 09:30 | 2250EUR / 2850EUR |
| Introduction to the use of neural networks | Leipzig | Do, 2019-05-02 09:30 | 1575EUR / 1975EUR |
| R | Leipzig | Mi, 2019-06-19 09:30 | 4725EUR / 5525EUR |
.jpg "deutsche bank (db)")
.png "procter & gamble (p&g)")
.jpg "food and drug administration (fda)")
.jpg "aeronautical radio, incorporated (arinc)")
We are looking to expand our presence in Switzerland!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
