
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
Era molto interattivo e più rilassato e informale del previsto. Abbiamo trattato molti argomenti nel tempo e il formatore è sempre stato propenso a parlare più in dettaglio o più in generale sugli argomenti e su come erano correlati. Sento che la formazione mi ha dato gli strumenti per continuare ad apprendere invece di essere una sessione unica in cui l'apprendimento si interrompe una volta finito, il che è molto importante data la scala e la complessità dell'argomento.
Jonathan Blease
Corso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
L'argomento è molto interessante.
Wojciech Baranowski
Corso: Introduction to Deep Learning
Machine Translated
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
Ho davvero apprezzato le risposte cristalline di Chris alle nostre domande.
Léo Dubus
Corso: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
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
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
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
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
Conoscenza sostanziale, impegno, un modo appassionato di trasferire conoscenza. Esempi pratici dopo una lezione teorica.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
Esercizi pratici preparati dal signor Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Corso: Understanding Deep Neural Networks
Machine Translated
Ho tratto beneficio dalla passione di insegnare e di concentrarmi sul rendere la cosa sensata.
Zaher Sharifi - GOSI
Corso: Advanced Deep Learning
Machine Translated
Identificazione umana e rilevamento cattivo punto del circuito
王 春柱 - 中移物联网
Corso: Deep Learning for NLP (Natural Language Processing)
Machine Translated
dimostrare
中移物联网
Corso: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Informazioni sull'area del viso.
中移物联网
Corso: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Gli scambi informali che abbiamo avuto durante le lezioni mi hanno davvero aiutato ad approfondire la mia comprensione del tema
Explore
Corso: Deep Reinforcement Learning with Python
Machine Translated
Molti consigli pratici
Pawel Dawidowski - ABB Sp. z o.o.
Corso: Deep Learning with TensorFlow
Machine Translated
Molte informazioni relative all'implementazione di soluzioni
Michał Smolana - ABB Sp. z o.o.
Corso: Deep Learning with TensorFlow
Machine Translated
Una moltitudine di consigli pratici e conoscenza del docente da una vasta gamma di problemi AI / IT / SQL / IoT.
ABB Sp. z o.o.
Corso: Deep Learning with TensorFlow
Machine Translated
molte informazioni, tutte le risposte alle domande, esempi interessanti
A1 Telekom Austria AG
Corso: Deep Learning for Telecom (with Python)
Machine Translated
Ho iniziato con una conoscenza quasi nulla e alla fine sono stato in grado di costruire e formare le mie reti.
Huawei Technologies Duesseldorf GmbH
Corso: TensorFlow for Image Recognition
Machine Translated
Sottocategorie Deep Learning
Schema generale del corso DL (Deep Learning)
This instructor-led, live training (online or onsite) 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 (online or onsite) 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.
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
Formato del corso
- Lezione e discussione abbinate ad esercitazioni pratiche.
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 (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) 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.
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
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/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
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 (online or onsite) 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 (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
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 (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
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.
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 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
This instructor-led, live training (online or onsite) 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.
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
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
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
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
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.
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 .