Deep Learning Training Courses

Stable Diffusion è un potente modello di deep learning in grado di generare immagini dettagliate basate su descrizioni testuali.Questa formazione dal vivo con istruttore (in loco o in remoto) è rivolta a data scientist di livello intermedio e avanzato, ingegneri di machine learning, ricercatori di deep learning ed esperti di visione artificiale che desiderano ampliare le proprie conoscenze e competenze nel deep learning per text-to -generazione di immagini.Al termine di questa formazione, i partecipanti saranno in grado di:

Comprendere le architetture e le tecniche avanzate di deep learning per la generazione di testo in immagine. Implementa modelli complessi e ottimizzazioni per la sintesi di immagini di alta qualità. Ottimizza le prestazioni e la scalabilità per set di dati di grandi dimensioni e modelli complessi. Ottimizza gli iperparametri per migliorare le prestazioni e la generalizzazione del modello. Integra Stable Diffusion con altri framework e strumenti di deep learning.

Formato del corso

Lezione interattiva e discussione. Tanti esercizi e pratica. Implementazione pratica in un ambiente di laboratorio dal vivo.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, contattaci per organizzare.

DeepSpeed è una libreria di ottimizzazione del deep learning che semplifica la scalabilità dei modelli di deep learning su hardware distribuito. Sviluppato da Microsoft, DeepSpeed si integra con PyTorch per fornire una migliore scalabilità, una formazione più rapida e un migliore utilizzo delle risorse.Questa formazione dal vivo con istruttore (in loco o in remoto) è rivolta a scienziati di dati di livello principiante e intermedio e ingegneri di machine learning che desiderano migliorare le prestazioni dei loro modelli di deep learning.Al termine di questa formazione, i partecipanti saranno in grado di:

Comprendere i principi del deep learning distribuito. Installa e configura DeepSpeed. Ridimensiona i modelli di deep learning su hardware distribuito utilizzando DeepSpeed. Implementa e sperimenta le funzionalità DeepSpeed per l'ottimizzazione e l'efficienza della memoria.

Formato del corso

Lezione interattiva e discussione. Tanti esercizi e pratica. Implementazione pratica in un ambiente di laboratorio dal vivo.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, contattaci per organizzare.

AlphaFold è un sistema Artificial Intelligence (AI) che esegue la previsione delle strutture proteiche. È sviluppato da Alphabet’s/Google’s DeepMind come un sistema di apprendimento profondo che può prevedere con precisione i modelli 3D delle strutture proteiche. Questo allenamento guidato da istruttori, in diretta (online o on-site) è rivolto ai biologisti che vogliono capire come AlphaFold funziona e utilizzare i modelli AlphaFold come guide nei loro studi sperimentali. Al termine di questo corso, i partecipanti saranno in grado di:

Conoscere i principi di base AlphaFold. Scopri come AlphaFold funziona. Imparare a interpretare AlphaFold le previsioni e i risultati.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Stable Diffusion è un potente modello di deep learning in grado di generare immagini dettagliate basate su descrizioni testuali.Questa formazione dal vivo con istruttore (in loco o in remoto) è rivolta a data scientist, ingegneri dell'apprendimento automatico e ricercatori di visione artificiale che desiderano sfruttare Stable Diffusion per generare immagini di alta qualità per una varietà di casi d'uso.Al termine di questa formazione, i partecipanti saranno in grado di:

Comprendere i principi di Stable Diffusion e come funziona per la generazione di immagini. Costruisci e addestra Stable Diffusion modelli per attività di generazione di immagini. Applicare Stable Diffusion a vari scenari di generazione di immagini, come inpainting, outpainting e traduzione da immagine a immagine. Ottimizza le prestazioni e la stabilità dei modelli Stable Diffusion.

Formato del corso

Lezione interattiva e discussione. Tanti esercizi e pratica. Implementazione pratica in un ambiente di laboratorio dal vivo.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, contattaci per organizzare.

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 .

Deep Reinforcement Learning si riferisce alla capacità di un "agente artificiale" di apprendere per tentativi ed errori e premi e punizioni. Un agente artificiale mira a emulare la capacità di un essere umano di ottenere e costruire conoscenza da solo, direttamente da input grezzi come la visione. Per realizzare l'apprendimento per rinforzo, vengono utilizzati il deep learning e le reti neurali. L'apprendimento per rinforzo è diverso dall'apprendimento automatico e non si basa su approcci di apprendimento supervisionato e non supervisionato.Questa formazione dal vivo con istruttore (in loco o in remoto) è rivolta a sviluppatori e data scientist che desiderano apprendere i fondamenti di Deep Reinforcement Learning mentre passano attraverso la creazione di un Deep Learning agente.Al termine di questa formazione, i partecipanti saranno in grado di:

Comprendere i concetti chiave alla base di Deep Reinforcement Learning ed essere in grado di distinguerlo da Machine Learning. Applicare algoritmi Reinforcement Learning avanzati per risolvere problemi del mondo reale. Crea un Deep Learning agente.

Formato del corso

Lezione interattiva e discussione. Tanti esercizi e pratica. Implementazione pratica in un ambiente di laboratorio dal vivo.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, contattaci per organizzare.

L'apprendimento automatico è un ramo dell'intelligenza artificiale in cui i computer hanno la capacità di imparare senza essere esplicitamente programmati. L'apprendimento profondo è un sub-campo di apprendimento automatico che utilizza metodi basati sulle rappresentazioni e le strutture dei dati di apprendimento come le reti neurali. Python è un linguaggio di programmazione di alto livello famoso per la sua chiara sintasi e leggibilità del codice. In questa formazione diretta da istruttori, i partecipanti impareranno come implementare modelli di apprendimento profondo per telecom utilizzando Python mentre passano attraverso la creazione di un modello di rischio di credito profondo. Al termine di questo corso, i partecipanti saranno in grado di:

Comprendere i concetti fondamentali dell’apprendimento profondo. Scopri le applicazioni e gli usi dell'apprendimento profondo in telecom. Utilizzare Python, Keras, e TensorFlow per creare modelli di apprendimento profondo per telecom. Costruisci il tuo modello di profondità di apprendimento del cliente utilizzando Python.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Embedding Projector è un'applicazione web opensource per la visualizzazione dei dati utilizzati per addestrare i sistemi di machine learning Creato da Google, fa parte di TensorFlow Questo corso di formazione dal vivo con istruttore introduce i concetti alla base di Embedding Projector e accompagna i partecipanti attraverso la configurazione di un progetto dimostrativo Alla fine di questa formazione, i partecipanti saranno in grado di: Scopri come i dati vengono interpretati dai modelli di apprendimento automatico Navigare attraverso le viste 3D e 2D dei dati per comprendere come un algoritmo di apprendimento automatico lo interpreti Comprendere i concetti dietro Embeddings e il loro ruolo nella rappresentazione di vettori matematici per immagini, parole e numeri Esplora le proprietà di un incorporamento specifico per comprendere il comportamento di un modello Applicare Embedding Project ai casi d'uso del mondo reale come costruire un sistema di raccomandazione di canzoni per gli amanti della musica Pubblico Sviluppatori Scienziati di dati Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva .

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.

Questo corso è una panoramica generale per l' Deep Learning senza approfondire metodi specifici. È adatto a persone che desiderano iniziare a utilizzare Deep learning per migliorare la precisione delle previsioni.

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.

L'apprendimento automatico è una branca dell'intelligenza artificiale in cui i computer hanno la capacità di apprendere senza essere esplicitamente programmati. L'apprendimento profondo è un sottocampo dell'apprendimento automatico che utilizza metodi basati su rappresentazioni di dati di apprendimento e strutture come le reti neurali.

Caffe è una struttura di apprendimento profondo creata pensando a espressione, velocità e modularità. Questo corso esplora l'applicazione di Caffe come framework di apprendimento profondo per il riconoscimento di immagini usando MNIST come esempio Pubblico Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare Caffe come framework. Dopo aver completato questo corso, i delegati saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di Caffe
• 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, implementazione di livelli e registrazione

Pubblico Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare gli strumenti disponibili (principalmente open source) per l'analisi delle immagini del computer Questo corso fornisce esempi di lavoro.

Questo corso copre l'AI (emphasizing Machine Learning e Deep Learning) in Automotive Industria. Aiuta a determinare quale tecnologia può essere (potenzialmente) utilizzata in molte situazioni in un'auto: dalla semplice automazione, dalla riconoscimento dell'immagine alla decisione autonoma.

Questo corso copre l'IA (enfatizzando Machine Learning e Deep Learning )

In questo corso di formazione dal vivo con istruttore, esaminiamo i principi delle reti neurali e usiamo OpenNN per implementare un'applicazione di esempio. Formato del corso Lezioni frontali e discussioni abbinate ad esercitazioni pratiche.

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

Tipo: formazione teorica con domande decise a monte con gli studenti su Lasagne o Keras secondo il gruppo pedagogico Metodo di insegnamento: presentazione, scambi e casi studio L'intelligenza artificiale, dopo aver sconvolto molti campi scientifici, ha iniziato a rivoluzionare un gran numero di settori economici (industria, medicina, comunicazione, ecc.). Tuttavia, la sua presentazione nei grandi media è spesso fantasy, molto lontana da quelle che sono veramente le aree di Machine Learning o Deep Learning . Lo scopo di questa formazione è fornire agli ingegneri che hanno già una padronanza degli strumenti informatici (inclusa una base di programmazione software) un'introduzione al Deep Learning e alle sue varie aree di specializzazione e quindi alle principali architetture di rete esistenti Oggi. Se le basi matematiche vengono richiamate durante il corso, si consiglia un livello di matematica di tipo BAC + 2 per un maggiore comfort. È assolutamente possibile saltare l'asse matematico per mantenere solo una visione di "sistema", ma questo approccio limiterà enormemente la comprensione della materia.

In questo corso di formazione diretto da insegnanti, i partecipanti impareranno come utilizzare Facebook NMT (Fairseq) per effettuare la traduzione del contenuto di campione. Al termine di questa formazione, i partecipanti avranno le conoscenze e le pratiche necessarie per implementare una soluzione di traduzione automatica basata su Fairseq. Il formato del corso

Lezione parziale, discussione parziale, pratica pesante

Nota

Se si desidera utilizzare contenuti di fonte specifici e linguaggio mirato, si prega di contattarci per organizzare.

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 .

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 .

In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come utilizzare DSSTNE per creare un'applicazione di raccomandazione. Al termine di questa formazione, i partecipanti saranno in grado di:

• Addestra un modello di raccomandazione con set di dati sparsi come input
• Ridimensionare i modelli di allenamento e previsione su più GPU
• Distribuire il calcolo e l'archiviazione in modo parallelo al modello
• Genera consigli sui prodotti personalizzati simili ad Amazon
• Distribuire un'applicazione pronta per la produzione che può adattarsi a carichi di lavoro pesanti

Formato del corso

• Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche

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 .

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 .

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 .

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

L'apprendimento automatico è una branca dell'intelligenza artificiale in cui i computer hanno la capacità di apprendere senza essere esplicitamente programmati. L'apprendimento profondo è un sottocampo dell'apprendimento automatico che utilizza metodi basati su rappresentazioni di dati di apprendimento e strutture come le reti neurali. R è un linguaggio di programmazione popolare nel settore finanziario. È utilizzato in applicazioni finanziarie che vanno dai principali programmi di trading ai sistemi di gestione del rischio. In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come implementare modelli di deep learning per la finanza utilizzando R mentre avanzano nella creazione di un modello di previsione del prezzo delle azioni di deep learning. Al termine di questa formazione, i partecipanti saranno in grado di:

• Comprendi i concetti fondamentali dell'apprendimento profondo
• Impara le applicazioni e gli usi del deep learning in finanza
• Usa R per creare modelli di apprendimento profondo per la finanza
• Costruisci il proprio modello di previsione del prezzo delle azioni di deep learning usando R

Pubblico

• Sviluppatori
• Data scientist

Formato del corso

• Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche

Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:

• Understand the fundamental concepts of deep learning
• Learn the applications and uses of deep learning in banking
• Use Python, Keras, and TensorFlow to create deep learning models for banking
• Build their own deep learning credit risk model using Python

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

L'apprendimento automatico è una branca dell'intelligenza artificiale in cui i computer hanno la capacità di apprendere senza essere esplicitamente programmati. L'apprendimento profondo è un sottocampo dell'apprendimento automatico che utilizza metodi basati su rappresentazioni di dati di apprendimento e strutture come le reti neurali. R è un linguaggio di programmazione popolare nel settore finanziario. È utilizzato in applicazioni finanziarie che vanno dai principali programmi di trading ai sistemi di gestione del rischio. In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come implementare modelli di apprendimento profondo per il settore bancario utilizzando R mentre passano attraverso la creazione di un modello di rischio di credito di apprendimento profondo. Al termine di questa formazione, i partecipanti saranno in grado di:

• Comprendi i concetti fondamentali dell'apprendimento profondo
• Scopri le applicazioni e gli usi del deep learning nel settore bancario
• Usa R per creare modelli di deep learning per il settore bancario
• Costruire il proprio modello di rischio di credito per l'apprendimento approfondito utilizzando R

Pubblico

• Sviluppatori
• Data scientist

Formato del corso

• Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche