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

Il soggetto. Sembrava interessante, ma me ne andai sapendo non molto più di prima.

Radoslaw Labedzki

Corso: Introduction to Deep Learning

Machine Translated

Mi è piaciuto che questo corso avesse un argomento molto interessante.

Wojciech Wilk

Corso: Introduction to Deep 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

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 tratto beneficio dalla passione di insegnare e di concentrarmi sul rendere la cosa sensata.

Zaher Sharifi - GOSI

Corso: Advanced Deep Learning

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

Sottocategorie Deep Learning

Schema generale del corso DL (Deep Learning)

Nome del corso

Durata

Overview

Nome del corso

Durata

Overview

Artificial Intelligence in Automotive

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.

Deep Learning for Self Driving Cars

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.

Machine Learning and Deep Learning

21 hours

Overview

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

Neural Networks Fundamentals using TensorFlow as Example

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 .

Neural computing – Data science

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

OpenFace: Creating Facial Recognition Systems

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 .

OpenNMT: Setting Up a Neural Machine Translation System

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

OpenNN: Implementing Neural Networks

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.

PaddlePaddle

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 .

Python for Advanced Machine Learning

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 .

Advanced Machine Learning with R

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 .

Mastering Apache SINGA

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

Matlab for 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

T2T: Creating Sequence to Sequence Models for Generalized Learning

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 .

Deep Learning with TensorFlow 2.0

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/

TensorFlow Serving

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 .

Deep Learning with TensorFlow

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

TensorFlow for Image Recognition

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

Torch for Machine and Deep Learning

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

TPU Programming: Building Neural Network Applications on Tensor Processing Units

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 .

Natural Language Processing with TensorFlow

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

Understanding Deep Neural Networks

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

Microsoft Cognitive Toolkit 2.x

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 .

Deep Learning with Keras

21 hours

Overview

keras è un'API di reti neurali di alto livello per lo sviluppo veloce e la sperimentazione. Funziona in cima a TensorFlow, CNTK, o Theano.

questa formazione diretta da istruttore (in loco o a distanza) è rivolta a persone tecniche che desiderano applicare un modello di Deep Learning alle applicazioni di riconoscimento delle immagini.

entro la fine di questa formazione, i partecipanti saranno in grado di:

- installare e configurare keras.
- rapidamente prototipare modelli di Deep Learning.
- implementare una rete convoluzionale.
- implementare una rete ricorrente.
- eseguire un modello di Deep Learning su una CPU e GPU.

formato del corso

- conferenza interattiva e discussione.
- un sacco di esercizi e pratica.
- implementazione hands-on in un ambiente lab Live.

Opzioni di personalizzazione del corso

- per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
- per saperne di più su keras, si prega di visitare: https://keras.io/

Artificial Neural Networks, Machine Learning, Deep Thinking

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.

Deep Learning for Banking (with Python)

28 hours

Overview

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. Python è un linguaggio di programmazione di alto livello famoso per la sua sintassi chiara e la leggibilità del codice.

In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come implementare modelli di deep learning per il settore bancario utilizzando Python mentre passano attraverso la creazione di un modello di rischio di credito di deep learning.

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 Python , Keras e TensorFlow per creare modelli di deep learning per il settore bancario
- Costruisci il proprio modello di rischio di credito per l'apprendimento profondo utilizzando Python

Pubblico

- Sviluppatori
- Data scientist

Formato del corso

- Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche

Applied AI from Scratch

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.

Artificial Neural Networks, Machine Learning and Deep Thinking

21 hours

Overview

Deep Learning for Vision with Caffe

21 hours

Overview

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

Introduction to Deep Learning

21 hours

Overview

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.

Prossimi corsi DL (Deep Learning)

Deep Learning for Banking (with Python)

2019-11-04 09:30:00

Milan

Remote

7000EUR

Classe

8000EUR

Deep Learning for Banking (with R)

2019-11-04 09:30:00

Milan

Remote

7000EUR

Classe

8000EUR

Deep Learning for Banking (with R)

2019-11-04 09:30:00

Turin

Remote

7000EUR

Classe

8000EUR

Advanced Machine Learning with R

2019-11-05 09:30:00

Rome

Remote

5250EUR

Classe

6050EUR

Deep Learning for Banking (with R)

2019-11-05 09:30:00

Bologna

Remote

7000EUR

Classe

8000EUR

Other regions

;Roma Milano Napoli Torino Genova Bologna

Other countries

These courses are also available in other countries ››

Consulting

Deep Learning 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