I corsi di formazione Deep Learning (DL) in diretta locale con istruttore dimostrano attraverso la pratica handson i fondamenti e le applicazioni di Deep Learning e argomenti di copertura come deep machine learning, deep structured learning e apprendimento gerarchico. La formazione Deep Learning è disponibile come formazione dal vivo in loco o formazione dal vivo a distanza. La formazione on-site in loco può essere svolta localmente presso la sede del cliente a Italia o nei centri di formazione aziendale NobleProg a Italia. La formazione in remoto dal vivo viene effettuata tramite un desktop remoto interattivo. NobleProg, il tuo fornitore di formazione locale.
Recensioni
Formazione teorica e volontà dei formatori di risolvere i problemi con i partecipanti dopo la formazione.
Grzegorz Mianowski
Corso: Introduction to Deep Learning
Machine Translated
Argomento. Molto interessante!.
Piotr
Corso: Introduction to Deep Learning
Machine Translated
Esercizi dopo ogni argomento sono stati davvero utili, nonostante ci fossero troppo complicati alla fine. In generale, il materiale presentato è stato molto interessante e coinvolgente! Gli esercizi con il riconoscimento delle immagini erano fantastici.
Dolby Poland Sp. z o.o.
Corso: Introduction to Deep Learning
Machine Translated
Penso che se l'addestramento fosse fatto in polacco, permetterebbe al formatore di condividere le sue conoscenze in modo più efficiente.
Radek
Corso: Introduction to Deep Learning
Machine Translated
La panoramica globale dell'apprendimento approfondito.
Bruno Charbonnier
Corso: Advanced Deep Learning
Machine Translated
Gli esercizi sono sufficientemente pratici e non richiedono una conoscenza approfondita in Python .
Alexandre GIRARD
Corso: Advanced Deep Learning
Machine Translated
Fare esercizi su esempi reali usando Eras. L'Italia ha pienamente compreso le nostre aspettative su questa formazione.
Paul Kassis
Corso: Advanced Deep Learning
Machine Translated
In generale mi è piaciuto l'allenatore esperto.
Sridhar Voorakkara
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Sono rimasto stupito dallo standard di questa classe - direi che era standard universitario.
David Relihan
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ottima panoramica generale. Go od fondo sul perché tensorflow funziona come lo fa.
Kieran Conboy
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Mi è piaciuta l'opportunità di porre domande e ottenere spiegazioni più approfondite della teoria.
Sharon Ruane
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Abbiamo ottenuto molte più informazioni sull'argomento. Alcune belle discussioni sono state fatte con alcuni argomenti reali all'interno della nostra azienda.
Sebastiaan Holman
Corso: Machine Learning and Deep Learning
Machine Translated
La formazione ha fornito le giuste basi che ci consentono di espanderci ulteriormente, mostrando come teoria e pratica vadano di pari passo. In realtà mi ha interessato di più l'argomento di quanto non fossi prima.
Jean-Paul van Tillo
Corso: Machine Learning and Deep Learning
Machine Translated
Ho apprezzato molto la copertura e la profondità degli argomenti.
Anirban Basu
Corso: Machine Learning and Deep Learning
Machine Translated
La profonda conoscenza del formatore sull'argomento.
Sebastian Görg
Corso: Introduction to Deep Learning
Machine Translated
Approccio molto aggiornato o CPI (flusso tensoriale, epoca, apprendimento) per l'apprendimento automatico.
Paul Lee
Corso: TensorFlow for Image Recognition
Machine Translated
Molto flessibile
Frank Ueltzhöffer
Corso: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
In genere mi è piaciuta la flessibilità.
Werner Philipp
Corso: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Date le prospettive della tecnologia: quale tecnologia / processo potrebbe diventare più importante in futuro; vedi, per che cosa può essere usata la tecnologia.
Commerzbank AG
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ho tratto beneficio dalla selezione degli argomenti. Stile di allenamento Orientamento alla pratica.
Commerzbank AG
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Approfondita trattazione di argomenti di apprendimento automatico, in particolare reti neurali. Demistificato molto dell'argomento.
Sacha Nandlall
Corso: Python for Advanced Machine Learning
Machine Translated
Ho davvero apprezzato le risposte cristalline di Chris alle nostre domande.
Léo Dubus
Corso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
modo di condurre ed esempio dato dal trainer
ORANGE POLSKA S.A.
Corso: Machine Learning and Deep Learning
Machine Translated
Possibilità di discutere autonomamente i problemi proposti
ORANGE POLSKA S.A.
Corso: Machine Learning and Deep Learning
Machine Translated
Comunicazione con i docenti
文欣 张
Corso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Mi piace
lisa xie
Corso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Conoscenza ampia e aggiornata di esempi applicativi pratici e di successo.
ING Bank Śląski S.A.
Corso: Introduction to Deep Learning
Machine Translated
Un sacco di esercizi, ottima collaborazione con il gruppo.
Janusz Chrobot - ING Bank Śląski S.A.
Corso: Introduction to Deep Learning
Machine Translated
lavorare su colaboratori,
ING Bank Śląski S.A.
Corso: Introduction to Deep Learning
Machine Translated
Era ovvio che gli entusiasti degli argomenti presentati stavano guidando. Utilizzato esempi interessanti durante l'esercizio.
ING Bank Śląski S.A.
Corso: Introduction to Deep Learning
Machine Translated
Una vasta gamma di argomenti trattati e una conoscenza approfondita dei leader.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
mancanza
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
Grande conoscenza teorica e pratica dei docenti. Comunicabilità dei formatori. Durante il corso, potresti porre domande e ottenere risposte soddisfacenti.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
Parte pratica, dove abbiamo implementato algoritmi. Ciò ha permesso una migliore comprensione dell'argomento.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
esercizi ed esempi implementati su di loro
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
Esempi e argomenti discussi.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
Sottocategorie Deep Learning
Schema generale del corso DL (Deep Learning)
Nome del corso
Durata
Overview
Nome del corso
Durata
Overview
14 hours
Overview
Questo corso copre l'IA (sottolineando l' Machine Learning e l' Deep Learning ) nell'industria Automotive . Aiuta a determinare quale tecnologia può essere (potenzialmente) utilizzata in situazioni multiple in un'automobile: dalla semplice automazione, dal riconoscimento delle immagini al processo decisionale autonomo.
21 hours
Overview
Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (onsite or remote) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (onsite or remote) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 hours
Overview
Questo corso ti fornirà conoscenze in reti neurali e generalmente in algoritmo di machine learning, deep learning (algoritmi e applicazioni).
Questa formazione è più focalizzata sui fondamenti, ma ti aiuterà a scegliere la tecnologia giusta: TensorFlow , Caffe , Teano, DeepDrive, Keras , ecc. Gli esempi sono realizzati in TensorFlow .
Questa formazione è più focalizzata sui fondamenti, ma ti aiuterà a scegliere la tecnologia giusta: TensorFlow , Caffe , Teano, DeepDrive, Keras , ecc. Gli esempi sono realizzati in TensorFlow .
14 hours
Overview
Questa sessione di formazione in aula conterrà presentazioni ed esempi basati su computer ed esercitazioni di casi studio da intraprendere con le pertinenti biblioteche di reti neurali e profonde
14 hours
Overview
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Overview
OpenFace è un software di riconoscimento facciale open source basato su Python e Torch basato sulla ricerca FaceNet di Google In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come utilizzare i componenti di OpenFace per creare e distribuire un'applicazione di riconoscimento facciale di esempio Alla fine di questa formazione, i partecipanti saranno in grado di: Lavorare con i componenti di OpenFace, inclusi dlib, OpenVC, Torch e nn4 per implementare il rilevamento, l'allineamento e la trasformazione del volto Applica OpenFace alle applicazioni del mondo reale come sorveglianza, verifica dell'identità, realtà virtuale, giochi e identificazione dei clienti abituali, ecc Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
7 hours
Overview
In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come impostare e utilizzare OpenNMT per eseguire la traduzione di vari set di dati di esempio. Il corso inizia con una panoramica delle reti neurali applicate alla traduzione automatica. I partecipanti eseguiranno esercitazioni dal vivo durante il corso per dimostrare la loro comprensione dei concetti appresi e ottenere feedback dall'istruttore.
Al termine di questa formazione, i partecipanti avranno le conoscenze e le pratiche necessarie per implementare una soluzione OpenNMT dal OpenNMT .
Campioni di lingua di origine e di destinazione saranno predisposti in base alle esigenze del pubblico.
Formato del corso
- Parte lezione, parte discussione, pratica pratica pesante
Al termine di questa formazione, i partecipanti avranno le conoscenze e le pratiche necessarie per implementare una soluzione OpenNMT dal OpenNMT .
Campioni di lingua di origine e di destinazione saranno predisposti in base alle esigenze del pubblico.
Formato del corso
- Parte lezione, parte discussione, pratica pratica pesante
14 hours
Overview
In questo corso di formazione dal vivo con istruttore, OpenNN i principi delle reti neurali e utilizziamo OpenNN per implementare un'applicazione di esempio.
Formato del corso
- Lezione e discussione abbinate ad esercitazioni pratiche.
Formato del corso
- Lezione e discussione abbinate ad esercitazioni pratiche.
21 hours
Overview
PaddlePaddle (PArallel Distributed Deep LEarning) è una piattaforma di apprendimento approfondito scalabile sviluppata da Baidu In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come usare PaddlePaddle per abilitare l'apprendimento approfondito nelle loro applicazioni di prodotti e servizi Alla fine di questa formazione, i partecipanti saranno in grado di: Configura e configura PaddlePaddle Configurare una rete neurale convoluzionale (CNN) per il riconoscimento di immagini e il rilevamento di oggetti Impostare una rete neurale ricorrente (RNN) per l'analisi dei sentimenti Impostare un apprendimento approfondito sui sistemi di raccomandazione per aiutare gli utenti a trovare risposte Prevedere le percentuali di clic (CTR), classificare i set di immagini di grandi dimensioni, eseguire il riconoscimento ottico dei caratteri (OCR), classificare le ricerche, rilevare virus informatici e implementare un sistema di raccomandazione Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
21 hours
Overview
In questo corso di formazione dal vivo, istruito, i partecipanti apprenderanno le tecniche di machine learning più rilevanti e all'avanguardia in Python mentre costruiscono una serie di applicazioni demo che includono immagini, musica, testo e dati finanziari Alla fine di questa formazione, i partecipanti saranno in grado di: Implementare algoritmi e tecniche di apprendimento automatico per risolvere problemi complessi Applicare l'apprendimento approfondito e l'apprendimento semisupervato alle applicazioni che coinvolgono immagini, musica, testo e dati finanziari Spingere gli algoritmi Python al massimo potenziale Usa librerie e pacchetti come NumPy e Theano Pubblico Sviluppatori Gli analisti Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
21 hours
Overview
In questo corso di formazione dal vivo, istruito, i partecipanti apprenderanno tecniche avanzate per l'apprendimento automatico con R quando passeranno attraverso la creazione di un'applicazione Realworld Alla fine di questa formazione, i partecipanti saranno in grado di: Utilizzare le tecniche come tuning hyperparameter e deep learning Comprendere e implementare tecniche di apprendimento non supervisionate Metti in produzione un modello da utilizzare in un'applicazione più grande Pubblico Sviluppatori Gli analisti Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
21 hours
Overview
SINGA è una piattaforma di apprendimento profondo distribuita in generale per la formazione di grandi modelli di apprendimento profondo su grandi set di dati. È progettato con un modello di programmazione intuitivo basato sull'astrazione del livello. Sono supportati numerosi modelli popolari di deep learning, in particolare modelli feed-forward tra cui reti neurali convoluzionali (CNN), modelli energetici come la macchina Boltzmann limitata (RBM) e reti neurali ricorrenti (RNN). Molti livelli integrati sono forniti per gli utenti. L'architettura SINGA è sufficientemente flessibile per eseguire framework di training sincroni, asincroni e ibridi. SINGA supporta anche diversi schemi di partizionamento della rete neurale per parallelizzare l'addestramento di modelli di grandi dimensioni, vale a dire il partizionamento su dimensione batch, dimensione caratteristica o partizionamento ibrido.
Pubblico
Questo corso è rivolto a ricercatori, ingegneri e sviluppatori che desiderano utilizzare Apache SINGA come framework di apprendimento profondo.
Dopo aver completato questo corso, i delegati dovranno:
- comprendere la struttura e i meccanismi di implementazione di SINGA
- essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
- essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
- essere in grado di implementare la produzione avanzata come modelli di formazione, termini di incorporamento, creazione di grafici e registrazione
Pubblico
Questo corso è rivolto a ricercatori, ingegneri e sviluppatori che desiderano utilizzare Apache SINGA come framework di apprendimento profondo.
Dopo aver completato questo corso, i delegati dovranno:
- comprendere la struttura e i meccanismi di implementazione di SINGA
- essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
- essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
- essere in grado di implementare la produzione avanzata come modelli di formazione, termini di incorporamento, creazione di grafici e registrazione
21 hours
Overview
Microsoft Cognitive Toolkit 2x (in precedenza CNTK) è un toolkit open source e commerciale che consente di addestrare algoritmi di apprendimento approfondito per apprendere come il cervello umano Secondo Microsoft, CNTK può essere 510 volte più veloce di TensorFlow su reti ricorrenti e da 2 a 3 volte più veloce di TensorFlow per le attività basate sull'imaging In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come utilizzare Microsoft Cognitive Toolkit per creare, addestrare e valutare algoritmi di deep learning da utilizzare in applicazioni AI commerciali che coinvolgono diversi tipi di dati come dati, parlato, testo e immagini Alla fine di questa formazione, i partecipanti saranno in grado di: Accedi a CNTK come libreria da un programma Python, C # o C ++ Utilizza CNTK come strumento autonomo di apprendimento automatico attraverso il proprio linguaggio di descrizione del modello (BrainScript) Utilizzare la funzionalità di valutazione del modello CNTK da un programma Java Combina DNN feedforward, reti convoluzionali (CNN) e reti ricorrenti (RNN / LSTM) Scala la capacità di calcolo su CPU, GPU e macchine multiple Accedi a enormi set di dati utilizzando linguaggi di programmazione e algoritmi esistenti Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva Nota Se desideri personalizzare qualsiasi parte di questo corso, incluso il linguaggio di programmazione scelto, ti preghiamo di contattarci per organizzare .
7 hours
Overview
Tensor2Tensor (T2T) è una libreria modulare ed estensibile per la formazione di modelli AI in diversi compiti, utilizzando diversi tipi di dati di allenamento, ad esempio: riconoscimento di immagini, traduzione, analisi, sottotitoli di immagini e riconoscimento vocale È gestito dal team di Google Brain In questo corso di formazione dal vivo, istruito, i partecipanti impareranno come preparare un modello di apprendimento approfondito per risolvere più attività Alla fine di questa formazione, i partecipanti saranno in grado di: Installa il tensore tensoriale2, seleziona un set di dati e forma e valuta un modello di intelligenza artificiale Personalizza un ambiente di sviluppo utilizzando gli strumenti e i componenti inclusi in Tensor2Tensor Crea e utilizza un singolo modello per apprendere simultaneamente un numero di attività da più domini Utilizzare il modello per apprendere dalle attività con una grande quantità di dati di addestramento e applicare tali conoscenze alle attività in cui i dati sono limitati Ottieni risultati di elaborazione soddisfacenti utilizzando una singola GPU Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
21 hours
Overview
TensorFlow è una libreria popolare e di apprendimento automatico sviluppata da Go ogle per l'apprendimento profondo, il calcolo numerico e l'apprendimento automatico su larga scala. TensorFlow 2.0, rilasciato a gennaio 2019, è la versione più recente di TensorFlow e include miglioramenti nell'esecuzione desiderata, compatibilità e coerenza API.
Questa formazione dal vivo con istruttore (in loco o remoto) è rivolta a sviluppatori e data scientist che desiderano utilizzare Tensorflow 2.0 per creare predittori, classificatori, modelli generativi, reti neurali e così via.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Installa e configura TensorFlow 2.0.
- Comprendi i vantaggi di TensorFlow 2.0 rispetto alle versioni precedenti.
- Costruire modelli di apprendimento profondo.
- Implementa un classificatore di immagini avanzato.
- Distribuisci un modello di apprendimento profondo su dispositivi cloud, mobili e IoT.
Formato del corso
- Conferenza e discussione interattiva.
- Molti esercizi e pratiche.
- Implementazione pratica in un ambiente live-lab.
Opzioni di personalizzazione del corso
- Per richiedere una formazione personalizzata per questo corso, ti preghiamo di contattarci per organizzare.
- Per ulteriori informazioni su TensorFlow , visitare: https://www.tensorflow.org/
Questa formazione dal vivo con istruttore (in loco o remoto) è rivolta a sviluppatori e data scientist che desiderano utilizzare Tensorflow 2.0 per creare predittori, classificatori, modelli generativi, reti neurali e così via.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Installa e configura TensorFlow 2.0.
- Comprendi i vantaggi di TensorFlow 2.0 rispetto alle versioni precedenti.
- Costruire modelli di apprendimento profondo.
- Implementa un classificatore di immagini avanzato.
- Distribuisci un modello di apprendimento profondo su dispositivi cloud, mobili e IoT.
Formato del corso
- Conferenza e discussione interattiva.
- Molti esercizi e pratiche.
- Implementazione pratica in un ambiente live-lab.
Opzioni di personalizzazione del corso
- Per richiedere una formazione personalizzata per questo corso, ti preghiamo di contattarci per organizzare.
- Per ulteriori informazioni su TensorFlow , visitare: https://www.tensorflow.org/
14 hours
Overview
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 hours
Overview
TensorFlow Serving è un sistema per servire modelli di machine learning (ML) alla produzione In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come configurare e utilizzare TensorFlow Serving per distribuire e gestire i modelli ML in un ambiente di produzione Alla fine di questa formazione, i partecipanti saranno in grado di: Addestrare, esportare e servire vari modelli di TensorFlow Testare e distribuire algoritmi utilizzando un'unica architettura e un insieme di API Estendi TensorFlow Serve per servire altri tipi di modelli oltre ai modelli TensorFlow Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
21 hours
Overview
TensorFlow è un'API di seconda generazione della libreria di software open source Go ogle per Deep Learning . Il sistema è progettato per facilitare la ricerca nell'apprendimento automatico e per rendere semplice e veloce il passaggio dal prototipo di ricerca al sistema di produzione.
Pubblico
Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i loro progetti di Deep Learning
Dopo aver completato questo corso, i delegati dovranno:
- comprendere la struttura e i meccanismi di implementazione di TensorFlow
- essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
- essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
- essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione
Pubblico
Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i loro progetti di Deep Learning
Dopo aver completato questo corso, i delegati dovranno:
- comprendere la struttura e i meccanismi di implementazione di TensorFlow
- essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
- essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
- essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione
28 hours
Overview
Questo corso esplora, con esempi specifici, l'applicazione del flusso tensoriale ai fini del riconoscimento delle immagini
Pubblico
Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow ai fini del riconoscimento delle immagini
Dopo aver completato questo corso, i delegati saranno in grado di:
- comprendere la struttura e i meccanismi di implementazione di TensorFlow
- svolgere attività e configurazione di installazione / ambiente di produzione / architettura
- valutare la qualità del codice, eseguire il debug, il monitoraggio
- implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione
Pubblico
Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow ai fini del riconoscimento delle immagini
Dopo aver completato questo corso, i delegati saranno in grado di:
- comprendere la struttura e i meccanismi di implementazione di TensorFlow
- svolgere attività e configurazione di installazione / ambiente di produzione / architettura
- valutare la qualità del codice, eseguire il debug, il monitoraggio
- implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione
21 hours
Overview
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
Torch è una libreria di apprendimento automatico open source e un framework di calcolo scientifico basato sul Lua programmazione Lua . Fornisce un ambiente di sviluppo per la numerica, l'apprendimento automatico e la visione artificiale, con particolare enfasi sull'apprendimento profondo e sulle reti convoluzionali. È uno dei framework più veloci e flessibili per Machine e Deep Learning ed è utilizzato da aziende come Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel e molti altri.
In questo training dal vivo con istruttore, copriamo i principi di Torch , le sue caratteristiche uniche e come può essere applicato in applicazioni del mondo reale. Eseguiamo numerosi esercizi pratici per tutto il tempo, dimostrando e praticando i concetti appresi.
Entro la fine del corso, i partecipanti avranno una conoscenza approfondita delle caratteristiche e delle capacità sottostanti di Torch , nonché del suo ruolo e contributo all'interno dello spazio AI rispetto ad altri framework e librerie. I partecipanti avranno inoltre ricevuto le pratiche necessarie per implementare Torch nei propri progetti.
Formato del corso
- Panoramica di Machine e Deep Learning
- Esercitazioni di codifica e integrazione in classe
- Testare le domande sparse lungo il percorso per verificare la comprensione
In questo training dal vivo con istruttore, copriamo i principi di Torch , le sue caratteristiche uniche e come può essere applicato in applicazioni del mondo reale. Eseguiamo numerosi esercizi pratici per tutto il tempo, dimostrando e praticando i concetti appresi.
Entro la fine del corso, i partecipanti avranno una conoscenza approfondita delle caratteristiche e delle capacità sottostanti di Torch , nonché del suo ruolo e contributo all'interno dello spazio AI rispetto ad altri framework e librerie. I partecipanti avranno inoltre ricevuto le pratiche necessarie per implementare Torch nei propri progetti.
Formato del corso
- Panoramica di Machine e Deep Learning
- Esercitazioni di codifica e integrazione in classe
- Testare le domande sparse lungo il percorso per verificare la comprensione
7 hours
Overview
La Tensor Processing Unit (TPU) è l'architettura che Google ha utilizzato internamente per diversi anni e che sta diventando disponibile al pubblico Include diverse ottimizzazioni specifiche per l'uso in reti neurali, tra cui la moltiplicazione della matrice ottimizzata e gli interi a 8 bit invece di 16 bit per restituire livelli appropriati di precisione In questo corso di formazione dal vivo, istruito, i partecipanti impareranno come sfruttare le innovazioni nei processori TPU per massimizzare le prestazioni delle proprie applicazioni AI Alla fine della formazione, i partecipanti saranno in grado di: Formare vari tipi di reti neurali su grandi quantità di dati Utilizzare TPU per accelerare il processo di inferenza di un massimo di due ordini di grandezza Utilizza TPU per elaborare applicazioni intensive come la ricerca di immagini, la visione cloud e le foto Pubblico Sviluppatori ricercatori ingegneri Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
35 hours
Overview
TensorFlow ™ è una libreria software open source per il calcolo numerico utilizzando grafici del flusso di dati.
SyntaxNet è un framework di elaborazione del linguaggio naturale in rete neurale per TensorFlow .
Word 2Vec viene utilizzato per l'apprendimento di rappresentazioni vettoriali di parole, chiamate "incorporamenti di parole". Word 2vec è un modello predittivo particolarmente efficiente dal punto di vista computazionale per l'apprendimento di incorporamenti di parole dal testo non elaborato. È disponibile in due versioni, il modello Bag-of- Word s continuo (CBOW) e il modello Skip-Gram (capitolo 3.1 e 3.2 in Mikolov et al.).
Utilizzato in tandem, SyntaxNet e Word 2Vec consente agli utenti di generare modelli di incorporamento appresi dall'input in linguaggio naturale.
Pubblico
Questo corso è rivolto a sviluppatori e ingegneri che intendono lavorare con i modelli SyntaxNet e Word 2Vec nei loro grafici TensorFlow .
Dopo aver completato questo corso, i delegati dovranno:
- comprendere la struttura e i meccanismi di implementazione di TensorFlow
- essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
- essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
- essere in grado di implementare la produzione avanzata come modelli di formazione, termini di incorporamento, creazione di grafici e registrazione
SyntaxNet è un framework di elaborazione del linguaggio naturale in rete neurale per TensorFlow .
Word 2Vec viene utilizzato per l'apprendimento di rappresentazioni vettoriali di parole, chiamate "incorporamenti di parole". Word 2vec è un modello predittivo particolarmente efficiente dal punto di vista computazionale per l'apprendimento di incorporamenti di parole dal testo non elaborato. È disponibile in due versioni, il modello Bag-of- Word s continuo (CBOW) e il modello Skip-Gram (capitolo 3.1 e 3.2 in Mikolov et al.).
Utilizzato in tandem, SyntaxNet e Word 2Vec consente agli utenti di generare modelli di incorporamento appresi dall'input in linguaggio naturale.
Pubblico
Questo corso è rivolto a sviluppatori e ingegneri che intendono lavorare con i modelli SyntaxNet e Word 2Vec nei loro grafici TensorFlow .
Dopo aver completato questo corso, i delegati dovranno:
- comprendere la struttura e i meccanismi di implementazione di TensorFlow
- essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
- essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
- essere in grado di implementare la produzione avanzata come modelli di formazione, termini di incorporamento, creazione di grafici e registrazione
35 hours
Overview
Questo corso inizia con la conoscenza concettuale delle reti neurali e generalmente dell'algoritmo di machine learning, deep learning (algoritmi e applicazioni).
La parte 1 (40%) di questa formazione è più focalizzata sui fondamenti, ma ti aiuterà a scegliere la giusta tecnologia: TensorFlow , Caffe , Theano, DeepDrive, Keras , ecc.
La parte 2 (20%) di questa formazione introduce Theano, una libreria Python che semplifica la scrittura di modelli di apprendimento profondo.
La parte 3 (40%) della formazione sarebbe ampiamente basata su Tensorflow - API di seconda generazione della libreria software open source di Go ogle per Deep Learning . Gli esempi e le istruzioni sarebbero state fatte in TensorFlow .
Pubblico
Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i loro progetti di Deep Learning
Dopo aver completato questo corso, i delegati dovranno:
-
avere una buona conoscenza delle reti neurali profonde (DNN), CNN e RNN
-
comprendere la struttura e i meccanismi di implementazione di TensorFlow
-
essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
-
essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
-
essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione
La parte 1 (40%) di questa formazione è più focalizzata sui fondamenti, ma ti aiuterà a scegliere la giusta tecnologia: TensorFlow , Caffe , Theano, DeepDrive, Keras , ecc.
La parte 2 (20%) di questa formazione introduce Theano, una libreria Python che semplifica la scrittura di modelli di apprendimento profondo.
La parte 3 (40%) della formazione sarebbe ampiamente basata su Tensorflow - API di seconda generazione della libreria software open source di Go ogle per Deep Learning . Gli esempi e le istruzioni sarebbero state fatte in TensorFlow .
Pubblico
Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i loro progetti di Deep Learning
Dopo aver completato questo corso, i delegati dovranno:
-
avere una buona conoscenza delle reti neurali profonde (DNN), CNN e RNN
-
comprendere la struttura e i meccanismi di implementazione di TensorFlow
-
essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
-
essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
-
essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione
21 hours
Overview
Questo corso copre l'IA (enfatizzando Machine Learning e Deep Learning )
14 hours
Overview
In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come utilizzare Matlab per progettare, costruire e visualizzare una rete neurale convoluzionale per il riconoscimento delle immagini.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Costruire un modello di apprendimento profondo
- Automatizza l'etichettatura dei dati
- Lavora con i modelli di Caffe e TensorFlow - Keras
- Addestra i dati utilizzando più GPU , il cloud o i cluster
Pubblico
- Sviluppatori
- ingegneri
- Esperti di dominio
Formato del corso
- Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche
Al termine di questa formazione, i partecipanti saranno in grado di:
- Costruire un modello di apprendimento profondo
- Automatizza l'etichettatura dei dati
- Lavora con i modelli di Caffe e TensorFlow - Keras
- Addestra i dati utilizzando più GPU , il cloud o i cluster
Pubblico
- Sviluppatori
- ingegneri
- Esperti di dominio
Formato del corso
- Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche
21 hours
Overview
La rete neurale artificiale è un modello di dati computazionale utilizzato nello sviluppo di sistemi di Artificial Intelligence (AI) in grado di eseguire attività "intelligenti". Neural Networks sono comunemente utilizzate nelle applicazioni di Machine Learning (ML), che sono esse stesse un'implementazione dell'IA. Deep Learning è un sottoinsieme di ML.
28 hours
Overview
L'apprendimento automatico è una branca dell'intelligenza artificiale in cui i computer hanno la capacità di apprendere senza essere programmati esplicitamente L'apprendimento approfondito è un sottocampo di machine learning che utilizza metodi basati sull'apprendimento di rappresentazioni di dati e strutture come le reti neurali Python è un linguaggio di programmazione di alto livello famoso per la sua chiara sintassi e leggibilità del codice In questo corso di formazione dal vivo, istruito, i partecipanti impareranno come implementare modelli di deep learning per la finanza usando Python mentre passano attraverso la creazione di un modello di predizione dei prezzi delle azioni in deep learning Alla fine di questa formazione, i partecipanti saranno in grado di: Comprendere i concetti fondamentali dell'apprendimento profondo Impara le applicazioni e gli usi del deep learning in finanza Usa Python, Keras e TensorFlow per creare modelli di deep learning per la finanza Costruire il proprio modello di previsione dei prezzi delle azioni per l'apprendimento profondo usando Python Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .
28 hours
Overview
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.
Prossimi corsi DL (Deep Learning)
2020-07-06 09:30:00
Rome
28 ore
2020-07-27 09:30:00
Milan
28 ore
2020-08-31 09:30:00
Rome
28 ore
2020-09-22 09:30:00
Milan
28 ore
2020-10-26 09:30:00
Rome
28 ore
Other countries
Consulting
Fine settimana Deep Learning corsi, Sera DL (Deep Learning) training, Deep Learning centro di addestramento, Deep Learning con istruttore, Fine settimana Deep Learning training, Sera Deep Learning (DL) corsi, Deep Learning coaching, DL (Deep Learning) istruttore, Deep Learning (DL) trainer, Deep Learning (DL) corsi di formazione, Deep Learning (DL) classi, Deep Learning in loco, Deep Learning corsi privati, DL (Deep Learning) training individuale
.png "new york stock exchange (nyse)")
.jpg "european molecular biology laboratory (embl)")
.png "european space agency (esa)")
