Lokale, instruktorierte Live-Kurse für künstliche Intelligenz (AI) demonstrieren durch praktische Übungen, wie man AI-Lösungen zur Lösung von realen Problemen implementiert AI-Training ist als "Live-Training vor Ort" oder "Fern-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.
Ref Material später zu verwenden war sehr gut.
PAUL BEALES- Seagate Technology.
Course: Applied Machine Learning
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: Applied Machine Learning
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
Bereich des Materials
Maciej Jonczyk
Course: From Data to Decision with Big Data and Predictive Analytics
Translated by
Systematisierung von Wissen im Bereich ML
Orange Polska
Course: From Data to Decision with Big Data and Predictive Analytics
Translated by
Ref Material später zu verwenden war sehr gut.
PAUL BEALES
Course: Applied Machine Learning
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
Ich habe die kristallklaren Antworten von Chris auf unsere Fragen sehr geschätzt.
Léo Dubus
Course: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
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: Artificial Intelligence Overview
Translated by
Ich mochte die neuen Einblicke in tiefes maschinelles Lernen.
Josip Arneric
Course: 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: Neural Network in R
Translated by
Mir gefielen die Graphen in R :))).
Faculty of Economics and Business Zagreb
Course: Neural Network in R
Translated by
Sehr flexibel.
Frank Ueltzhöffer
Course: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
Ich habe generell die Flexibilität genossen.
Werner Philipp
Course: Artificial Neural Networks, Machine Learning and Deep Thinking
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
Papier Erklärung
Course: Deep Learning with TensorFlow - bespoke
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
Alles was ich am 6. bewertet habe
AB S.A.
Course: Machine Learning - szkolenie dedykowane
Translated by
viele Informationen
Tomasz Szumigalski
Course: Machine Learning - szkolenie dedykowane
Translated by
Probleme klar erklärt
AB S.A.
Course: Machine Learning - szkolenie dedykowane
Translated by
Großes Wissen über den Trainer und die Fähigkeit, die Bedeutung unserer dummen Fragen zu verstehen;)
AB S.A.
Course: Machine Learning - szkolenie dedykowane
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: Sieci Neuronowe w R
Translated by
Beispiele für echte Daten.
Alior Bank S.A.
Course: Sieci Neuronowe w R
Translated by
neuralnet, pROC in einer Schleife.
Alior Bank S.A.
Course: Sieci Neuronowe w 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
| Code | Name | Dauer | Übersicht |
|---|---|---|---|
| optaprac | OptaPlanner in Practice | 21 Stunden | Dieser Kurs verwendet einen praktischen Ansatz, um OptaPlanner zu unterrichten. Es bietet den Teilnehmern die Werkzeuge, die benötigt werden, um die Grundfunktionen dieses Werkzeugs auszuführen. |
| 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 . |
| 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 . |
| 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 . |
| nlpwithr | NLP: Natural Language Processing with R | 21 Stunden | Es wird geschätzt, dass unstrukturierte Daten mehr als 90 Prozent aller Daten ausmachen, viele davon in Form von Text Blogposts, Tweets, soziale Medien und andere digitale Publikationen tragen ständig zu diesem wachsenden Datenbestand bei Dieser Kurs konzentriert sich auf das Extrahieren von Einsichten und Bedeutung aus diesen Daten Unter Verwendung der R Language und Natural Language Processing (NLP) -Bibliotheken kombinieren wir Konzepte und Techniken aus der Informatik, künstlichen Intelligenz und Computerlinguistik, um die Bedeutung von Textdaten algorithmisch zu verstehen Datenmuster sind in verschiedenen Sprachen je Kundenanforderung verfügbar Am Ende dieses Trainings werden die Teilnehmer in der Lage sein, Datensätze (große und kleine) aus unterschiedlichen Quellen zu erstellen, dann die richtigen Algorithmen zu verwenden, um sie zu analysieren und über ihre Bedeutung zu berichten Publikum Linguisten und Programmierer Format des Kurses Teilvorlesung, Teildiskussion, schwere Handson-Praxis, gelegentliche Tests, um das Verständnis zu erfassen . |
| aitech | Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP | 21 Stunden | This course is aimed at developers and data scientists who wish to understand and implement AI within their applications. Special focus is given to Data Analysis, Distributed AI and NLP. |
| w2vdl4j | NLP with Deeplearning4j | 14 Stunden | Deeplearning4j ist eine Open Source-Bibliothek für Java und Scala In Verbindung mit Hadoop und Spark wurde DL4J für den Einsatz in Geschäftsumgebungen mit verteilten GPUs und CPUs entwickelt Word2Vec ist eine Methode zur Berechnung von Vektordarstellungen von Wörtern, die von einem Team von Forschern bei Google unter der Leitung von Tomas Mikolov vorgestellt wurden Publikum Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Deeplearning4J zur Erstellung von Word2Vec-Modellen nutzen möchten . |
| tsflw2v | Natural Language Processing with TensorFlow | 35 Stunden | TensorFlow ™ ist eine Open-Source-Softwarebibliothek für numerische Berechnungen mit Datenflussdiagrammen SyntaxNet ist ein NeuralNetwork Natural Language Processing Framework für TensorFlow Word2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die "Worteinbettungen" genannt werden Word2vec ist ein besonders recheneffizientes Vorhersagemodell für das Einlernen von Worteinbettungen aus Rohtext Es gibt zwei Varianten, das Continuous BagofWords-Modell (CBOW) und das SkipGram-Modell (Kapitel 31 und 32 in Mikolov et al) In Verbindung mit SyntaxNet und Word2Vec können Benutzer Learned Embedding-Modelle aus Natural Language-Eingaben generieren Publikum Dieser Kurs richtet sich an Entwickler und Ingenieure, die mit SyntaxNet- und Word2Vec-Modellen in ihren TensorFlow-Diagrammen arbeiten möchten Nach Abschluss dieses Kurses werden die Delegierten: verstehen TensorFlows Struktur und Einsatzmechanismen in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen, zu überwachen in der Lage sein, fortgeschrittene Produktion wie Trainingsmodelle zu implementieren, Begriffe einzubetten, Diagramme zu erstellen und zu loggen . |
| python_nltk | Natural Language Processing with Python | 28 Stunden | Dieser Kurs stellt Linguisten oder Programmierern NLP in Python vor Während dieses Kurses werden wir hauptsächlich nltkorg (Natural Language Tool Kit) verwenden, aber wir werden auch andere Bibliotheken verwenden, die für NLP relevant und nützlich sind Im Moment können wir diesen Kurs in Python 2x oder Python 3x durchführen Beispiele sind in Englisch oder Mandarin (普通话) Andere Sprachen können ebenfalls zur Verfügung gestellt werden, wenn dies vor der Buchung vereinbart wurde . |
| nlp | Natural Language Processing | 21 Stunden | Dieser Kurs wurde für Personen entwickelt, die Interesse daran haben, Bedeutung aus geschriebenem englischem Text zu extrahieren, obwohl das Wissen auch auf andere menschliche Sprachen angewendet werden kann. Der Kurs behandelt die Verwendung von Text, der von Menschen geschrieben wurde, wie Blog-Posts, Tweets usw. Zum Beispiel kann ein Analyst einen Algorithmus einrichten, der basierend auf einer umfangreichen Datenquelle automatisch zu einer Schlussfolgerung kommt. |
| drlpython | Deep Reinforcement Learning with Python | 21 Stunden | Deep Reinforcement Learning bezieht sich auf die Fähigkeit eines "künstlichen Agenten", durch Trialander- und Belohnungs- und Punishment-Techniken zu lernen Ein künstlicher Agent zielt darauf ab, die Fähigkeit eines Menschen zu simulieren, Wissen direkt aus rohen Inputs wie Vision zu gewinnen und zu konstruieren Um verstärktes Lernen zu realisieren, werden Deep Learning und neuronale Netze eingesetzt Verstärkungslernen unterscheidet sich vom maschinellen Lernen und beruht nicht auf überwachten und unüberwachten Lernansätzen In diesem instruierten Live-Training lernen die Teilnehmer die Grundlagen von Deep Reinforcement Learning kennen, während sie die Entwicklung eines Deep Learning Agents durchlaufen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verstehen Sie die Schlüsselkonzepte von Deep Reinforcement Learning und können Sie diese von Machine Learning unterscheiden Wenden Sie fortschrittliche Reinforcement-Learning-Algorithmen an, um reale Probleme zu lösen Baue einen Deep Learning-Agenten 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 . |
| 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 . |
| 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 . |
| snorkel | Snorkel: Rapidly Process Training Data | 7 Stunden | Snorkel ist ein System zum schnellen Erstellen, Modellieren und Verwalten von Trainingsdaten Es konzentriert sich auf die beschleunigte Entwicklung von strukturierten oder "dunklen" Datenextraktionsanwendungen für Domänen, in denen große beschriftete Trainingssätze nicht verfügbar oder leicht zu erhalten sind In diesem instruierten Live-Training lernen die Teilnehmer Techniken zum Extrahieren von Werten aus unstrukturierten Daten wie Text, Tabellen, Zahlen und Bildern durch Modellierung von Trainingsdaten mit Snorkel kennen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Programmatische Erstellung von Trainingssätzen zur Kennzeichnung von umfangreichen Trainingssätzen Trainiere hochwertige Endmodelle, indem du zuerst laute Trainingssätze modellierst Verwenden Sie Snorkel, um schwache Überwachungstechniken zu implementieren und die Datenprogrammierung auf schwach überwachte Maschinenlernsysteme anzuwenden Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen . |
| genealgo | Genetic Algorithms | 28 Stunden | Dieser viertägige Kurs zielt darauf ab zu lehren, wie genetische Algorithmen funktionieren es umfasst auch, wie man Modellparameter eines genetischen Algorithmus auswählt; Es gibt viele Anwendungen für genetische Algorithmen in diesem Kurs und Optimierungsprobleme werden mit den genetischen Algorithmen angegangen . |
| 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 . |
| MicrosoftCognitiveToolkit | Microsoft Cognitive Toolkit 2.x | 21 Stunden | Microsoft Cognitive Toolkit 2x (früher CNTK) ist ein Open Source-Toolkit für den kommerziellen Einsatz, das tiefgreifende Lernalgorithmen zum Lernen wie das menschliche Gehirn trainiert Laut Microsoft kann CNTK 510x schneller als TensorFlow in wiederkehrenden Netzwerken und 2- bis 3-mal schneller als TensorFlow für bildbezogene Tasks sein In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Microsoft Cognitive Toolkit tiefgreifende Lernalgorithmen für kommerzielle AI-Anwendungen erstellen, trainieren und auswerten, die verschiedene Arten von Daten wie Daten, Sprache, Text und Bilder umfassen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Greifen Sie aus einem Python-, C # - oder C ++ - Programm heraus auf CNTK als Bibliothek zu Nutzen Sie CNTK als eigenständiges Machine Learning Tool durch eine eigene Modellbeschreibungssprache (BrainScript) Verwenden Sie die CNTK-Modellbewertungsfunktionalität aus einem Java-Programm Kombinieren von Feedforward-DNNs, Faltungsnetzwerken (CNNs) und wiederkehrenden Netzwerken (RNNs / LSTMs) Skalieren Sie die Rechenkapazität für CPUs, GPUs und mehrere Maschinen Greifen Sie auf riesige Datensätze mit vorhandenen Programmiersprachen und Algorithmen zu Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Wenn Sie einen Teil dieses Trainings anpassen möchten, einschließlich der Programmiersprache Ihrer Wahl, kontaktieren Sie uns bitte, um dies zu arrangieren . |
| tpuprogramming | TPU Programming: Building Neural Network Applications on Tensor Processing Units | 7 Stunden | 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 . |
| OpenNN | OpenNN: Implementing Neural Networks | 14 Stunden | OpenNN ist eine in C ++ geschriebene OpenSource-Klassenbibliothek, die neuronale Netzwerke zur Verwendung im maschinellen 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 in Verbindung mit praktischen Übungen . |
| datamodeling | Pattern Recognition | 35 Stunden | Dieser Kurs bietet eine Einführung in das Gebiet der Mustererkennung und des maschinellen Lernens Es befasst sich mit praktischen Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik Der Kurs ist interaktiv und beinhaltet viele praktische Übungen, Feedback von Lehrern und Tests der erworbenen Kenntnisse und Fähigkeiten Publikum Datenanalytiker Doktoranden, Forscher und Praktiker . |
| Neuralnettf | Neural Networks Fundamentals using TensorFlow as Example | 28 Stunden | Dieser Kurs vermittelt Ihnen Kenntnisse in neuronalen Netzen und allgemein im maschinellen Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen) Dieses Training konzentriert sich mehr auf die Grundlagen, hilft Ihnen aber bei der Auswahl der richtigen Technologie: TensorFlow, Caffe, Teano, DeepDrive, Keras usw Die Beispiele werden in TensorFlow erstellt . |
| aiintrozero | From Zero to AI | 35 Stunden | Dieser Kurs wurde für Personen entwickelt, die noch keine Erfahrung mit Wahrscheinlichkeit und Statistik haben . |
| annmldt | Artificial Neural Networks, Machine Learning, Deep Thinking | 21 Stunden | Das künstliche neuronale Netzwerk ist ein computergestütztes Datenmodell, das bei der Entwicklung von Systemen für künstliche Intelligenz (KI) verwendet wird, die "intelligente" Aufgaben ausführen können. Neuronale Netze werden häufig in Machine Learning (ML) -Anwendungen verwendet, die selbst eine Implementierung von AI sind. Deep Learning ist eine Teilmenge von ML. |
| appliedml | Angewandtes Maschinelles Lernen | 14 Stunden | Der Übungskurs ist für alle diejenigen gedacht, die "Machine Learning" in praktischen Applikationen anwenden möchten Teilnehmer Dieser Kurs ist für Data Scientists und Statistiker, die Grundkenntnisse in Statistik haben und wissen, wie man R programmiert. Der Schwerpunkt des Kurses liegt auf dem praktischen Aspekt von Daten/Modell-Vorbereitung, Execution, post hoc Analyse und Visualisierung. Das Ziel ist es, den Teilnehmern praktische Kenntnisse im Maschinellen Lernen zu vermitteln. Bereichsspezifische Beispiele erhöhen die Relevanz der Schulung für die Teilnehmer. |
| rneuralnet | Training Neural Network in R | 14 Stunden | Dieser Kurs ist eine Einführung in die Anwendung neuronaler Netzwerke in realen Problemen mit Rproject Software . |
| neuralnet | Introduction to the use of neural networks | 7 Stunden | Das Training richtet sich an Menschen, die die Grundlagen neuronaler Netze und deren Anwendungen erlernen wollen. |
| 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. |
| aiauto | Artificial Intelligence in Automotive | 14 Stunden | Dieser Kurs behandelt KI (Schwerpunkt Maschinelles Lernen und Deep Learning) in der Automobilindustrie Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomer Entscheidungsfindung . |
| 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 . |
| Course | Schulungsdatum | Kurspreis (Fernkurs / Schulungsraum) |
|---|---|---|
| Introduction to R with Time Series Analysis - Erfurt | Fr, 2018-10-05 09:30 | 5250EUR / 6050EUR |
| Deep Learning for Finance (with R) - Bremen | Mo, 2018-10-08 09:30 | 7000EUR / 8000EUR |
| Introduction to Machine Learning with MATLAB - Potsdam | Mo, 2018-10-08 09:30 | 4500EUR / 5300EUR |
| From Data to Decision with Big Data and Predictive Analytics - München | Di, 2018-10-09 09:30 | 5250EUR / 6050EUR |
| Snorkel: Rapidly Process Training Data - Berlin | Do, 2018-10-11 09:30 | 1500EUR / 1900EUR |
| Course | Ort | Schulungsdatum | Kurspreis (Fernkurs / Schulungsraum) |
|---|---|---|---|
| jQuery für Fortgeschrittene | Bremen | Di, 2018-09-25 09:30 | 2700EUR / 3300EUR |
| FreeRTOS: Programming for Real Time Operating Systems | Nürnberg | Mo, 2018-10-01 09:30 | 1485EUR / 1885EUR |
| Entwurfsmuster in C# (Design Patterns) | Stuttgart | Mo, 2018-10-22 09:30 | 2970EUR / 3570EUR |
| Verständliches GIT | Dresden | Mi, 2018-10-31 09:30 | 4050EUR / 4850EUR |
| System Engineering using SysML and UML 2 | Frankfurt am Main | Mo, 2018-11-19 09:30 | 5198EUR / 5998EUR |
| OCEB2 OMG Certified Expert in BPM - Fundamental Exam Preparation | Erfurt | Mi, 2018-12-19 09:30 | 6300EUR / 7300EUR |
.jpg "abu dhabi company for onshore oil operations (adco)")
.jpg "aeronautical radio, incorporated (arinc)")
.jpg "american international group (aig)")
.png "american medical association (ama)")
.png "bank of montreal (bmo)")
We are looking to expand our presence in your region!
If you are interested in running a high-tech, high-quality training and consulting business.
contact us right away!
