Lokale, instruktorierte Live-Trainingskurse für neuronale Netzwerke demonstrieren durch interaktive Diskussionen und praktische Übungen, wie neuronale Netzwerke mit einer Anzahl von meist Open Source-Toolkits und Bibliotheken aufgebaut werden können und wie die Leistungsfähigkeit von fortgeschrittener Hardware (GPUs) und Optimierungstechniken genutzt werden kann Große Daten Unsere Neural Network Kurse basieren auf populären Programmiersprachen wie Python, Java, R Sprache und leistungsstarken Bibliotheken, einschließlich TensorFlow, Torch, Caffe, Theano und mehr Unsere Kurse im Neuronalen Netz decken sowohl die Theorie als auch die Implementierung ab und verwenden eine Reihe neuronaler Netzwerkimplementierungen wie Deep Neural Networks (DNN), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) Neural Network 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.
Machine Translated
Erfahrungsberichte
Ann schuf eine großartige Umgebung, um Fragen zu stellen und zu lernen. Wir hatten viel Spaß und lernten gleichzeitig viel.
Gudrun Bickelq
Kurs: Introduction to the use of neural networks
Machine Translated
Der interaktive Teil, zugeschnitten auf unsere spezifischen Bedürfnisse.
Thomas Stocker
Kurs: Introduction to the use of neural networks
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
Es war sehr interaktiv und entspannter und informeller als erwartet. Wir haben in der Zeit viele Themen behandelt und der Trainer war immer offen dafür, im Detail oder allgemeiner über die Themen und ihre Zusammenhänge zu sprechen. Ich denke, das Training hat mir die Werkzeuge gegeben, um weiter zu lernen, im Gegensatz zu einer einmaligen Sitzung, in der das Lernen nach dem Abschluss aufhört, was angesichts des Umfangs und der Komplexität des Themas sehr wichtig ist.
Jonathan Blease
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Ich habe die kristallklaren Antworten von Chris auf unsere Fragen sehr geschätzt.
Léo Dubus
Kurs: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
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
Der Trainer erklärte sehr leicht schwierige und fortgeschrittene Themen.
Leszek K
Kurs: Artificial Intelligence Overview
Machine Translated
Ich mochte die neuen Einblicke in tiefes maschinelles Lernen.
Josip Arneric
Kurs: Neural Network in R
Machine Translated
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
Kurs: Neural Network in R
Machine Translated
Mir gefielen die Graphen in R :))).
Faculty of Economics and Business Zagreb
Kurs: Neural Network in R
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
viele Übungen, die ich direkt in meiner Arbeit anwenden kann.
Alior Bank S.A.
Kurs: Sieci Neuronowe w R
Machine Translated
Beispiele für echte Daten.
Alior Bank S.A.
Kurs: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC in einer Schleife.
Alior Bank S.A.
Kurs: Sieci Neuronowe w R
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
Der informelle Austausch, den wir während der Vorträge hatten, hat mir wirklich geholfen, mein Verständnis für das Thema zu vertiefen.
Explore
Kurs: Deep Reinforcement Learning with Python
Machine Translated
Der Trainer war ein Fachmann auf dem Fachgebiet und verwandte Theorie mit ausgezeichneter Anwendung
Fahad Malalla - Tatweer Petroleum
Kurs: Applied AI from Scratch in Python
Machine Translated
Themen, freundliche Haltung des Moderators
Fujitsu Technology Solutions Sp. z o.o.
Kurs: Artificial Intelligence Overview
Machine Translated
Neural Networks Unterkategorien
Neural Networks Kurspläne
Name des Kurses
Dauer
Überblick
Name des Kurses
Dauer
Überblick
28 Stunden
Dies ist ein 4-Tage-Kurs, mit dem AI und seine Anwendung mit der Programmiersprache eingeführt werden. Es gibt eine Option, einen zusätzlichen Tag zu haben, um ein AI-Projekt zu unternehmen, um diesen Kurs zu beenden.
21 Stunden
Tiefe Reinforcement Learning verweist auf die Fähigkeit eines "artificiellen Agents", durch Prozess- und Fehler und Belohungen zu lernen. Ein künstlicher Agent cielt, ein menschliches ' zu emuliern; die Möglichkeit, Wissen auf eigenen und konstruieren, direkt aus Roh-Eingaben wie Vision zu erhalten. Um die Verstärkung von Lernen zu erfahren, werden die tiefe Lern- und Neurannetzwerken verwendet. Die Reforcement-Lern ist unterschiedlich von Maschine-Lern und vertraut nicht auf überwachsene und unübersichtliche Lernbedingungen.
In diesem Instruktor lebende Ausbildung lernen Teilnehmer die Grundlagen der Tiefe Reinforcement Learning, während sie durch die Schaffung eines Deep Learning Agents schritten.
Bis Ende dieser Ausbildung werden Teilnehmer:
Verstehen Sie die Schlüsselkonzepte hinter Tiefe Reinforcement Learning und können sie von Machine Learning Erweiterte Reinforcement Learning Algoritmen unterscheiden, um echte Weltproblemen zu lösen Bauen eine Deep Learning Agent
Audienz
Entwickler Datenwissenschaftler
Form des Kurses
Teilleistung, Teildiskussion, Übungen und schwere Händliche Praxis
In diesem Instruktor lebende Ausbildung lernen Teilnehmer die Grundlagen der Tiefe Reinforcement Learning, während sie durch die Schaffung eines Deep Learning Agents schritten.
Bis Ende dieser Ausbildung werden Teilnehmer:
Verstehen Sie die Schlüsselkonzepte hinter Tiefe Reinforcement Learning und können sie von Machine Learning Erweiterte Reinforcement Learning Algoritmen unterscheiden, um echte Weltproblemen zu lösen Bauen eine Deep Learning Agent
Audienz
Entwickler Datenwissenschaftler
Form des Kurses
Teilleistung, Teildiskussion, Übungen und schwere Händliche Praxis
7 Stunden
Dieser Kurs wurde für Führungskräfte, Lösungsarchitekten, Innovationsbeamte, CTOs, Softwarearchitekten und alle, die an einem Überblick über angewandte künstliche Intelligenz und die nächste Prognose für ihre Entwicklung interessiert sind.
7 Stunden
Das Training richtet sich an Personen, die die Grundlagen neuronaler Netze und ihrer Anwendungen erlernen möchten.
14 Stunden
Dieser Kurs ist eine Einführung in die Anwendung neuronaler Netze bei realen Problemen mit R-Project-Software.
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.
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.
21 Stunden
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.
35 Stunden
Dieser Kurs wurde für Personen entwickelt, die noch keine Erfahrung mit Wahrscheinlichkeit und Statistik haben .
14 Stunden
Dieser Kurs umfasst AI (emphasizing Machine Learning und Deep Learning) in Automotive Industrie. Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomen Entscheidungsfindung.
28 Stunden
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
Dieser von Lehrern geführte Live-Kurs bietet eine Einführung in das Gebiet der Mustererkennung und des maschinellen Lernens. Es werden praktische Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik behandelt.
Der Kurs ist interaktiv und beinhaltet zahlreiche praktische Übungen, Feedback von Lehrern und das Testen der erworbenen Kenntnisse und Fähigkeiten.
Der Kurs ist interaktiv und beinhaltet zahlreiche praktische Übungen, Feedback von Lehrern und das Testen der erworbenen Kenntnisse und Fähigkeiten.
21 Stunden
Typ: Theoretisches Training mit Anwendungen, die vorab mit den Schülern auf Lasagne oder Keras gemäß der pädagogischen Gruppe entschieden wurden
Unterrichtsmethode: Präsentation, Austausch und Fallstudien
Künstliche Intelligenz, nachdem sie viele wissenschaftliche Bereiche gestört hatte, begann eine große Anzahl von Wirtschaftssektoren (Industrie, Medizin, Kommunikation usw.) zu revolutionieren. Nichtsdestotrotz ist seine Präsentation in den großen Medien oft eine Fantasie, weit entfernt von den eigentlichen Bereichen des Machine Learning oder des Deep Learning . Ziel dieser Schulung ist es, Ingenieuren, die bereits über Kenntnisse in Computerwerkzeugen (einschließlich Softwareprogrammierung) verfügen, eine Einführung in Deep Learning und seine verschiedenen Spezialgebiete und damit in die wichtigsten vorhandenen Netzwerkarchitekturen zu geben heute. Wenn die mathematischen Grundlagen während des Kurses abgerufen werden, wird für mehr Komfort ein Mathematikniveau vom Typ BAC + 2 empfohlen. Es ist absolut möglich, die mathematische Achse zu überspringen, um nur eine "System" -Vision zu behalten, aber dieser Ansatz wird Ihr Verständnis des Themas stark einschränken.
Unterrichtsmethode: Präsentation, Austausch und Fallstudien
Künstliche Intelligenz, nachdem sie viele wissenschaftliche Bereiche gestört hatte, begann eine große Anzahl von Wirtschaftssektoren (Industrie, Medizin, Kommunikation usw.) zu revolutionieren. Nichtsdestotrotz ist seine Präsentation in den großen Medien oft eine Fantasie, weit entfernt von den eigentlichen Bereichen des Machine Learning oder des Deep Learning . Ziel dieser Schulung ist es, Ingenieuren, die bereits über Kenntnisse in Computerwerkzeugen (einschließlich Softwareprogrammierung) verfügen, eine Einführung in Deep Learning und seine verschiedenen Spezialgebiete und damit in die wichtigsten vorhandenen Netzwerkarchitekturen zu geben heute. Wenn die mathematischen Grundlagen während des Kurses abgerufen werden, wird für mehr Komfort ein Mathematikniveau vom Typ BAC + 2 empfohlen. Es ist absolut möglich, die mathematische Achse zu überspringen, um nur eine "System" -Vision zu behalten, aber dieser Ansatz wird Ihr Verständnis des Themas stark einschränken.
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 .
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 .
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 .
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 .
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 .
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 .
14 Stunden
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
35 Stunden
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
14 Stunden
Diese auf Klassenräumen basierende Schulungssitzung enthält Präsentationen und computergestützte Beispiele sowie Fallstudien, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden sollen
28 Stunden
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 Stunden
Mechatronik (auch Mechatronik genannt) ist eine Kombination aus Mechanik, Elektronik und Informatik.
Diese Live-Schulung (vor Ort oder per Fernzugriff) richtet sich an Ingenieure, die sich mit der Anwendbarkeit künstlicher Intelligenz auf mechatronische Systeme befassen möchten.
Am Ende dieser Schulung können die Teilnehmer:
- Verschaffen Sie sich einen Überblick über künstliche Intelligenz, maschinelles Lernen und Computerintelligenz.
- Verstehen Sie die Konzepte neuronaler Netze und verschiedener Lernmethoden.
- Wählen Sie künstliche Intelligenz-Ansätze effektiv für reale Probleme.
- Implementierung von KI-Anwendungen in der Mechatronik.
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.
Diese Live-Schulung (vor Ort oder per Fernzugriff) richtet sich an Ingenieure, die sich mit der Anwendbarkeit künstlicher Intelligenz auf mechatronische Systeme befassen möchten.
Am Ende dieser Schulung können die Teilnehmer:
- Verschaffen Sie sich einen Überblick über künstliche Intelligenz, maschinelles Lernen und Computerintelligenz.
- Verstehen Sie die Konzepte neuronaler Netze und verschiedener Lernmethoden.
- Wählen Sie künstliche Intelligenz-Ansätze effektiv für reale Probleme.
- Implementierung von KI-Anwendungen in der Mechatronik.
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.
14 Stunden
Ein Empfehlungssystem ist ein Informationsfilter-Prozess, der die Präferenzen des Benutzers vorhersagt. Python kann verwendet werden, um Deep Learning, Machine Learning und Neural Network Recommender-Systeme zu programmieren, um Benutzern zu helfen, neue Produkte und Inhalte zu entdecken.
Dieser Instructor-leitet, Live-Training (online oder on-site) richtet sich an Datenwissenschaftler, die verwenden möchten Python für die Konstruktion von Empfehlungssystemen.
Am Ende dieser Ausbildung können die Teilnehmer:
Erstellen von Empfehlungssystemen auf Skala. Verwenden Sie Collaborative Filter, um Empfehlungssysteme zu bauen. Verwenden Sie Apache Spark, um Empfehlungssysteme auf Clustern zu berechnen. Erstellen Sie ein Rahmen, um Empfehlungsalgorithmen mit Python zu testen.
Format des Kurses
Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
Dieser Instructor-leitet, Live-Training (online oder on-site) richtet sich an Datenwissenschaftler, die verwenden möchten Python für die Konstruktion von Empfehlungssystemen.
Am Ende dieser Ausbildung können die Teilnehmer:
Erstellen von Empfehlungssystemen auf Skala. Verwenden Sie Collaborative Filter, um Empfehlungssysteme zu bauen. Verwenden Sie Apache Spark, um Empfehlungssysteme auf Clustern zu berechnen. Erstellen Sie ein Rahmen, um Empfehlungsalgorithmen mit Python zu testen.
Format des Kurses
Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
14 Stunden
This instructor-led, live training in Deutschland (online or onsite) is aimed at researchers and developers who wish to use Chainer to build and train neural networks in Python while making the code easy to debug.
By the end of this training, participants will be able to:
- Set up the necessary development environment to start developing neural network models.
- Define and implement neural network models using a comprehensible source code.
- Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
By the end of this training, participants will be able to:
- Set up the necessary development environment to start developing neural network models.
- Define and implement neural network models using a comprehensible source code.
- Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
14 Stunden
In diesem Instructor-leitet, Live-Training, gehen wir über die Prinzipien von Neural-Netzwerken und verwenden OpenNN um eine Probe-Anwendung zu implementieren.
Format des Kurses
Lektüre und Diskussion zusammen mit Übungen.
Format des Kurses
Lektüre und Diskussion zusammen mit Übungen.
Last Updated:
Zukünftige Neural Networks Kurse
Introduction Deep Learning and Neural Network for Engineers
2022-06-14 09:30
21 hours
Artificial Intelligence in Automotive
2022-07-13 09:30
14 hours
Pattern Recognition
2022-07-27 09:30
21 hours
From Zero to AI
2022-08-01 09:30
35 hours
Neural Networks Fundamentals using TensorFlow as Example
2022-08-02 09:30
28 hours
Neural Networks Schulung, Neural Networks boot camp, Neural Networks Abendkurse, Neural Networks Wochenendkurse, Neural Networks Kurs, Neural Networks Training, Neural Networks Seminar, Neural Networks Seminare, Neural Networks Privatkurs, Neural Networks Coaching, Neural Networks Lehrer
