Local, instructorled live Deep Learning (DL) training courses demonstrate through handson practice the fundamentals and applications of Deep Learning and cover subjects such as deep machine learning, deep structured learning, and hierarchical learning
Deep Learning training is available as "onsite live training" or "remote live training" Onsite live training can be carried out locally on customer premises in Norge or in NobleProg corporate training centers in Norge Remote live training is carried out by way of an interactive, remote desktop
NobleProg Your Local Training Provider.
Machine Translated
Testimonials
Trenere teoretisk kunnskap og vilje til å løse problemene med deltakerne etter treningen
Grzegorz Mianowski
Kurs: Introduction to Deep Learning
Machine Translated
Emne. Veldig interessant!
Piotr
Kurs: Introduction to Deep Learning
Machine Translated
Øvelser etter hvert emne var veldig nyttige, til tross for at det var for kompliserte på slutten. Generelt var det presenterte materialet veldig interessant og involverende! Øvelser med bildegjenkjenning var store.
Dolby Poland Sp. z o.o.
Kurs: Introduction to Deep Learning
Machine Translated
Jeg tror at hvis trening ville blitt utført i polsk, vil det gjøre det mulig for treneren å dele sin kunnskap mer effektiv
Radek
Kurs: Introduction to Deep Learning
Machine Translated
Den globale oversikten over dyp læring
Bruno Charbonnier
Kurs: Advanced Deep Learning
Machine Translated
Øvelsene er tilstrekkelig praktiske og trenger ikke høy kunnskap i Python .
Alexandre GIRARD
Kurs: Advanced Deep Learning
Machine Translated
Å gjøre øvelser på virkelige eksempler ved bruk av Keras . Mihaly forsto absolutt forventningene våre til denne treningen.
Paul Kassis
Kurs: Advanced Deep Learning
Machine Translated
Kunnskapsrik trener
Sridhar Voorakkara
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Jeg ble overrasket over standarden i denne klassen - jeg vil si at det var universitetsstandard.
David Relihan
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Veldig bra allround-oversikt. Go bakgrunnen for hvorfor Tensorflow fungerer som den gjør.
Kieran Conboy
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Jeg likte mulighetene til å stille spørsmål og få mer grundige forklaringer på teorien.
Sharon Ruane
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Vi har fått mye mer innsikt i fagstoffet. Noen fine diskusjoner ble ført med noen virkelige emner i selskapet vårt
Sebastiaan Holman
Kurs: Machine Learning and Deep Learning
Machine Translated
Opplæringen ga det rette grunnlaget som gjør at vi kan utvide videre, ved å vise hvordan teori og praksis går hånd i hånd. Det gjorde meg faktisk mer interessert i faget enn jeg var før.
Jean-Paul van Tillo
Kurs: Machine Learning and Deep Learning
Machine Translated
Dekning og dybde av emner
Anirban Basu
Kurs: Machine Learning and Deep Learning
Machine Translated
Trenerens dype kunnskap om emnet.
Sebastian Görg
Kurs: Introduction to Deep Learning
Machine Translated
Veldig oppdatert tilnærming eller api (tensorflow, kera, tflearn) for å gjøre maskinlæring
Paul Lee
Kurs: TensorFlow for Image Recognition
Machine Translated
Veldig fleksibel
Frank Ueltzhöffer
Kurs: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
fleksibilitet
Werner Philipp
Kurs: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Gitt syn på teknologien: hvilken teknologi / prosess som kan bli viktigere i fremtiden; se, hva teknologien kan brukes til
Commerzbank AG
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Valg av emne. Treningsstil. Øv orientering
Commerzbank AG
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Inngående dekning av maskinlæringsemner, spesielt nevrale nettverk. Demystifiserte mye av emnet.
Sacha Nandlall
Kurs: Python for Advanced Machine Learning
Machine Translated
Jeg satte veldig pris på de krystallklare svarene til Chris på spørsmålene våre.
Léo Dubus
Kurs: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
måte å dirigere og eksempel gitt av trener
ORANGE POLSKA S.A.
Kurs: Machine Learning and Deep Learning
Machine Translated
Mulighet for å diskutere de foreslåtte problemene selv
ORANGE POLSKA S.A.
Kurs: Machine Learning and Deep Learning
Machine Translated
Kommunikasjon med foreleseren
文欣 张
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Liker det
lisa xie
Kurs: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Stor og oppdatert kunnskap om ledende og praktiske anvendelseseksempler.
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Mye øvelser, veldig godt samarbeid med gruppen.
Janusz Chrobot - ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
arbeide med kolaboratorer,
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Det var tydelig at ildsjelene for de presenterte emnene ledet. Brukte interessante eksempler mens du trente.
ING Bank Śląski S.A.
Kurs: Introduction to Deep Learning
Machine Translated
Et bredt spekter av temaer dekket og betydelig kunnskap fra lederne.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
mangelen
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Stor teoretisk og praktisk kunnskap hos trenerne. Kommunikasjonsevne for trenere. I løpet av kurset kan du stille spørsmål og få tilfredsstillende svar.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Praktisk del, der vi implementerte algoritmer. Dette muliggjorde en bedre forståelse av emnet.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
øvelser og eksempler implementert på dem
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Eksempler og spørsmål diskutert.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Kurs: Understanding Deep Neural Networks
Machine Translated
Deep Learning (DL) Underkategorier
Deep Learning Kursplaner
Kursnavn
Varighet
Oversikt
Kursnavn
Varighet
Oversikt
14 timer
Oversikt
Dette kurset dekker AI (med vekt på Machine Learning og Deep Learning ) i Automotive . Det hjelper til med å bestemme hvilken teknologi som (potensielt) kan brukes i flere situasjoner i en bil: fra enkel automatisering, bildegjenkjenning til autonome beslutninger.
21 timer
Oversikt
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 timer
Oversikt
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 timer
Oversikt
Dette kurset vil gi deg kunnskap i nevrale nettverk og generelt i maskinlæringsalgoritme, dyp læring (algoritmer og applikasjoner).
Denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Eksemplene er laget i TensorFlow .
Denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Eksemplene er laget i TensorFlow .
14 timer
Oversikt
Denne klasseromsbaserte treningsøkten vil inneholde presentasjoner og databaserte eksempler og case study-øvelser for å gjennomføre med relevante nevrale og dype nettverksbiblioteker.
14 timer
Oversikt
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 timer
Oversikt
OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google's FaceNet research.
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
7 timer
Oversikt
I denne instruktørledede, OpenNMT , vil deltakerne lære å sette opp og bruke OpenNMT til å utføre oversettelse av forskjellige eksempler av datasett. Kurset starter med en oversikt over nevrale nettverk slik de gjelder for maskinoversettelse. Deltakerne vil gjennomføre liveøvelser gjennom hele kurset for å demonstrere sin forståelse av konseptene som er lært og få tilbakemeldinger fra instruktøren.
Ved slutten av denne opplæringen vil deltakerne ha kunnskap og praksis som trengs for å implementere en live OpenNMT løsning.
Kildespråk og målspråkprøver blir forhåndsarrangert i henhold til publikums krav.
Kursets format
- Delforedrag, deldiskusjon, tung praktisk praksis
Ved slutten av denne opplæringen vil deltakerne ha kunnskap og praksis som trengs for å implementere en live OpenNMT løsning.
Kildespråk og målspråkprøver blir forhåndsarrangert i henhold til publikums krav.
Kursets format
- Delforedrag, deldiskusjon, tung praktisk praksis
14 timer
Oversikt
I denne instruktørledede, OpenNN , går vi over prinsippene i nevrale nettverk og bruker OpenNN til å implementere et eksempelapplikasjon.
Kursets format
- Foredrag og diskusjon kombinert med praktiske øvelser.
Kursets format
- Foredrag og diskusjon kombinert med praktiske øvelser.
21 timer
Oversikt
PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 timer
Oversikt
In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data.
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 timer
Oversikt
In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application.
By the end of this training, participants will be able to:
- Understand and implement unsupervised learning techniques
- Apply clustering and classification to make predictions based on real world data.
- Visualize data to quicly gain insights, make decisions and further refine analysis.
- Improve the performance of a machine learning model using hyper-parameter tuning.
- Put a model into production for use in a larger application.
- Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.
Audience
- Developers
- Analysts
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Understand and implement unsupervised learning techniques
- Apply clustering and classification to make predictions based on real world data.
- Visualize data to quicly gain insights, make decisions and further refine analysis.
- Improve the performance of a machine learning model using hyper-parameter tuning.
- Put a model into production for use in a larger application.
- Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.
Audience
- Developers
- Analysts
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 timer
Oversikt
SINGA er en generelt distribuert plattform for dyp læring for å trene store modeller for dyp læring over store datasett. Den er designet med en intuitiv programmeringsmodell basert på lagets abstraksjon. En rekke populære dype læringsmodeller støttes, nemlig fremover-modeller inkludert konvolusjonelle nevrale nettverk (CNN), energimodeller som begrenset Boltzmann-maskin (RBM) og tilbakevendende nevrale nettverk (RNN). Mange innebygde lag er tilgjengelig for brukere. SINGA-arkitekturen er tilstrekkelig fleksibel til å kjøre synkrone, asynkrone og hybrid treningsrammer. SINGA støtter også forskjellige nevrale nettoppdelingsordninger for å parallellisere opplæringen av store modeller, nemlig partisjonering på batchdimensjon, funksjonsdimensjon eller hybrid partisjonering.
Publikum
Dette kurset er rettet mot forskere, ingeniører og utviklere som søker å bruke Apache SINGA som en dyp læringsramme.
Etter fullført kurs vil delegatene:
- forstå SINGAs struktur og distribusjonsmekanismer
- kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- kunne vurdere kodekvalitet, utføre feilsøking, overvåking
- kunne implementere avansert produksjon som treningsmodeller, innebygd vilkår, bygge grafer og logging
Publikum
Dette kurset er rettet mot forskere, ingeniører og utviklere som søker å bruke Apache SINGA som en dyp læringsramme.
Etter fullført kurs vil delegatene:
- forstå SINGAs struktur og distribusjonsmekanismer
- kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- kunne vurdere kodekvalitet, utføre feilsøking, overvåking
- kunne implementere avansert produksjon som treningsmodeller, innebygd vilkår, bygge grafer og logging
21 timer
Oversikt
Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks.
In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such as data, speech, text, and images.
By the end of this training, participants will be able to:
- Access CNTK as a library from within a Python, C#, or C++ program
- Use CNTK as a standalone machine learning tool through its own model description language (BrainScript)
- Use the CNTK model evaluation functionality from a Java program
- Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs)
- Scale computation capacity on CPUs, GPUs and multiple machines
- Access massive datasets using existing programming languages and algorithms
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
Note
- If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange.
In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such as data, speech, text, and images.
By the end of this training, participants will be able to:
- Access CNTK as a library from within a Python, C#, or C++ program
- Use CNTK as a standalone machine learning tool through its own model description language (BrainScript)
- Use the CNTK model evaluation functionality from a Java program
- Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs)
- Scale computation capacity on CPUs, GPUs and multiple machines
- Access massive datasets using existing programming languages and algorithms
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
Note
- If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange.
7 timer
Oversikt
Tensor2Tensor (T2T) is a modular, extensible library for training AI models in different tasks, using different types of training data, for example: image recognition, translation, parsing, image captioning, and speech recognition. It is maintained by the Google Brain team.
In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks.
By the end of this training, participants will be able to:
- Install tensor2tensor, select a data set, and train and evaluate an AI model
- Customize a development environment using the tools and components included in Tensor2Tensor
- Create and use a single model to concurrently learn a number of tasks from multiple domains
- Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited
- Obtain satisfactory processing results using a single GPU
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks.
By the end of this training, participants will be able to:
- Install tensor2tensor, select a data set, and train and evaluate an AI model
- Customize a development environment using the tools and components included in Tensor2Tensor
- Create and use a single model to concurrently learn a number of tasks from multiple domains
- Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited
- Obtain satisfactory processing results using a single GPU
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
21 timer
Oversikt
TensorFlow er et populært bibliotek og maskinlæringsbibliotek utviklet av Go ogle for dyp læring, numerisk beregning og storskala maskinlæring. TensorFlow 2.0, utgitt i januar 2019, er den nyeste versjonen av TensorFlow og inkluderer forbedringer i ivrig utførelse, kompatibilitet og API-konsistens.
Denne instruktørledede, liveopplæringen (på stedet eller fjernkontrollen) er rettet mot utviklere og dataforskere som ønsker å bruke Tensorflow 2.0 til å bygge prediktorer, klassifisere, generative modeller, nevrale nettverk og så videre.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer TensorFlow 2.0.
- Forstå fordelene med TensorFlow 2.0 i forhold til tidligere versjoner.
- Bygg dype læringsmodeller.
- Implementere en avansert bildeklassifiserer.
- Distribuer en dyp læringsmodell til sky-, mobil- og IoT-enheter.
Kursets format
- Interaktiv forelesning og diskusjon.
- Masse øvelser og trening.
- Praktisk implementering i et live-lab-miljø.
Alternativer for tilpasning av kurset
- For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.
- Hvis du vil lære mer om TensorFlow , kan du gå til: https://www.tensorflow.org/
Denne instruktørledede, liveopplæringen (på stedet eller fjernkontrollen) er rettet mot utviklere og dataforskere som ønsker å bruke Tensorflow 2.0 til å bygge prediktorer, klassifisere, generative modeller, nevrale nettverk og så videre.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer TensorFlow 2.0.
- Forstå fordelene med TensorFlow 2.0 i forhold til tidligere versjoner.
- Bygg dype læringsmodeller.
- Implementere en avansert bildeklassifiserer.
- Distribuer en dyp læringsmodell til sky-, mobil- og IoT-enheter.
Kursets format
- Interaktiv forelesning og diskusjon.
- Masse øvelser og trening.
- Praktisk implementering i et live-lab-miljø.
Alternativer for tilpasning av kurset
- For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.
- Hvis du vil lære mer om TensorFlow , kan du gå til: https://www.tensorflow.org/
14 timer
Oversikt
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 timer
Oversikt
TensorFlow Serving er et system for servering av maskinlæring (ML) modeller til produksjon.
I denne instruktørledede TensorFlow vil deltakerne lære å konfigurere og bruke TensorFlow Serving til å distribuere og administrere ML-modeller i et produksjonsmiljø.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Tren, eksporter og server forskjellige TensorFlow modeller
- Test og distribuer algoritmer ved hjelp av en enkelt arkitektur og sett med APIer
- Utvid TensorFlow Servering for å tjene andre typer modeller utover TensorFlow modeller
Publikum
- Utviklere
- Data forskere
Kursets format
- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse
I denne instruktørledede TensorFlow vil deltakerne lære å konfigurere og bruke TensorFlow Serving til å distribuere og administrere ML-modeller i et produksjonsmiljø.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Tren, eksporter og server forskjellige TensorFlow modeller
- Test og distribuer algoritmer ved hjelp av en enkelt arkitektur og sett med APIer
- Utvid TensorFlow Servering for å tjene andre typer modeller utover TensorFlow modeller
Publikum
- Utviklere
- Data forskere
Kursets format
- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse
21 timer
Oversikt
TensorFlow er et 2. generasjons API for Go ogles open source programvarebibliotek for Deep Learning . Systemet er designet for å lette forskning i maskinlæring, og for å gjøre det raskt og enkelt å overføre fra forskningsprototype til produksjonssystem.
Publikum
Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine
Etter fullført kurs vil delegatene:
- forstå TensorFlow struktur og distribusjonsmekanismer
- kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- kunne vurdere kodekvalitet, utføre feilsøking, overvåking
- kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging
Publikum
Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine
Etter fullført kurs vil delegatene:
- forstå TensorFlow struktur og distribusjonsmekanismer
- kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- kunne vurdere kodekvalitet, utføre feilsøking, overvåking
- kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging
28 timer
Oversikt
Dette kurset utforsker, med spesifikke eksempler, anvendelsen av Tensor Flow til formålet med gjenkjenning
Publikum
Dette kurset er beregnet på ingeniører som søker å bruke TensorFlow til bildegjenkjenning
Etter fullført kurs vil delegatene kunne:
- forstå TensorFlow struktur og distribusjonsmekanismer
- utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- vurdere kodekvalitet, utfør feilsøking, overvåking
- implementere avansert produksjon som treningsmodeller, bygge grafer og logging
Publikum
Dette kurset er beregnet på ingeniører som søker å bruke TensorFlow til bildegjenkjenning
Etter fullført kurs vil delegatene kunne:
- forstå TensorFlow struktur og distribusjonsmekanismer
- utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- vurdere kodekvalitet, utfør feilsøking, overvåking
- implementere avansert produksjon som treningsmodeller, bygge grafer og logging
21 timer
Oversikt
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 timer
Oversikt
Torch er et bibliotek med åpen kildekode og et vitenskapelig datarammeverk basert på programmeringsspråket Lua . Det gir et utviklingsmiljø for numerikk, maskinlæring og datasyn, med særlig vekt på dyp læring og sammenvevingsnett. Det er et av de raskeste og mest fleksible rammene for Machine and Deep Learning og brukes av selskaper som Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel og mange andre.
I denne instruktørledede liveopplæringen dekker vi prinsippene for Torch , dens unike funksjoner og hvordan den kan brukes i virkelige applikasjoner. Vi går gjennom en rekke praktiske øvelser gjennom hele tiden, demonstrerer og praktiserer de innlærte konseptene.
Mot slutten av kurset vil deltakerne ha en grundig forståelse av Torch underliggende funksjoner og evner, så vel som dens rolle og bidrag innenfor AI-rommet sammenlignet med andre rammer og biblioteker. Deltakerne vil også ha fått nødvendig praksis for å implementere Torch i sine egne prosjekter.
Kursets format
- Oversikt over maskin og Deep Learning
- Kodings- og integrasjonsøvelser i klassen
- Testspørsmål strødd underveis for å sjekke forståelse
I denne instruktørledede liveopplæringen dekker vi prinsippene for Torch , dens unike funksjoner og hvordan den kan brukes i virkelige applikasjoner. Vi går gjennom en rekke praktiske øvelser gjennom hele tiden, demonstrerer og praktiserer de innlærte konseptene.
Mot slutten av kurset vil deltakerne ha en grundig forståelse av Torch underliggende funksjoner og evner, så vel som dens rolle og bidrag innenfor AI-rommet sammenlignet med andre rammer og biblioteker. Deltakerne vil også ha fått nødvendig praksis for å implementere Torch i sine egne prosjekter.
Kursets format
- Oversikt over maskin og Deep Learning
- Kodings- og integrasjonsøvelser i klassen
- Testspørsmål strødd underveis for å sjekke forståelse
7 timer
Oversikt
The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision。
In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications.
By the end of the training, participants will be able to:
- Train various types of neural networks on large amounts of data.
- Use TPUs to speed up the inference process by up to two orders of magnitude.
- Utilize TPUs to process intensive applications such as image search, cloud vision and photos.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications.
By the end of the training, participants will be able to:
- Train various types of neural networks on large amounts of data.
- Use TPUs to speed up the inference process by up to two orders of magnitude.
- Utilize TPUs to process intensive applications such as image search, cloud vision and photos.
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
35 timer
Oversikt
TensorFlow™ is an open source software library for numerical computation using data flow graphs.
SyntaxNet is a neural-network Natural Language Processing framework for TensorFlow.
Word2Vec is used for learning vector representations of words, called "word embeddings". Word2vec is a particularly computationally-efficient predictive model for learning word embeddings from raw text. It comes in two flavors, the Continuous Bag-of-Words model (CBOW) and the Skip-Gram model (Chapter 3.1 and 3.2 in Mikolov et al.).
Used in tandem, SyntaxNet and Word2Vec allows users to generate Learned Embedding models from Natural Language input.
Audience
This course is targeted at Developers and engineers who intend to work with SyntaxNet and Word2Vec models in their TensorFlow graphs.
After completing this course, delegates will:
- understand TensorFlow’s structure and deployment mechanisms
- be able to carry out installation / production environment / architecture tasks and configuration
- be able to assess code quality, perform debugging, monitoring
- be able to implement advanced production like training models, embedding terms, building graphs and logging
SyntaxNet is a neural-network Natural Language Processing framework for TensorFlow.
Word2Vec is used for learning vector representations of words, called "word embeddings". Word2vec is a particularly computationally-efficient predictive model for learning word embeddings from raw text. It comes in two flavors, the Continuous Bag-of-Words model (CBOW) and the Skip-Gram model (Chapter 3.1 and 3.2 in Mikolov et al.).
Used in tandem, SyntaxNet and Word2Vec allows users to generate Learned Embedding models from Natural Language input.
Audience
This course is targeted at Developers and engineers who intend to work with SyntaxNet and Word2Vec models in their TensorFlow graphs.
After completing this course, delegates will:
- understand TensorFlow’s structure and deployment mechanisms
- be able to carry out installation / production environment / architecture tasks and configuration
- be able to assess code quality, perform debugging, monitoring
- be able to implement advanced production like training models, embedding terms, building graphs and logging
35 timer
Oversikt
Dette kurset begynner med å gi deg konseptuell kunnskap i nevrale nettverk og generelt i maskinlæringsalgoritme, dyp læring (algoritmer og applikasjoner).
Del-1 (40%) av denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
Del-2 (20%) av denne opplæringen introduserer Theano - et pytonbibliotek som gjør det enkelt å skrive dype læringsmodeller.
Del 3 (40%) av opplæringen vil være omfattende basert på Tensorflow - 2nd Generation API of Go ogles open source programvarebibliotek for Deep Learning . Eksemplene og håndsonen ville alle være laget i TensorFlow .
Publikum
Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine
Etter fullført kurs vil delegatene:
-
ha god forståelse for dype nevrale nettverk (DNN), CNN og RNN
-
forstå TensorFlow struktur og distribusjonsmekanismer
-
kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
-
kunne vurdere kodekvalitet, utføre feilsøking, overvåking
-
kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging
Del-1 (40%) av denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
Del-2 (20%) av denne opplæringen introduserer Theano - et pytonbibliotek som gjør det enkelt å skrive dype læringsmodeller.
Del 3 (40%) av opplæringen vil være omfattende basert på Tensorflow - 2nd Generation API of Go ogles open source programvarebibliotek for Deep Learning . Eksemplene og håndsonen ville alle være laget i TensorFlow .
Publikum
Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine
Etter fullført kurs vil delegatene:
-
ha god forståelse for dype nevrale nettverk (DNN), CNN og RNN
-
forstå TensorFlow struktur og distribusjonsmekanismer
-
kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
-
kunne vurdere kodekvalitet, utføre feilsøking, overvåking
-
kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging
21 timer
Oversikt
Dette kurset dekker AI (med vekt på Machine Learning og Deep Learning )
14 timer
Oversikt
I denne instruktørledede liveopplæringen vil deltakerne lære hvordan de bruker Matlab til å designe, bygge og visualisere et innviklet nevralt nettverk for bildegjenkjenning.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Bygge en dyp læringsmodell
- Automatiser datamerking
- Arbeid med modeller fra Caffe og TensorFlow - Keras
- Tren data ved å bruke flere GPU er, skyen eller klyngene
Publikum
- Utviklere
- ingeniører
- Domeneeksperter
Kursets format
- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse
Ved slutten av denne opplæringen vil deltakerne kunne:
- Bygge en dyp læringsmodell
- Automatiser datamerking
- Arbeid med modeller fra Caffe og TensorFlow - Keras
- Tren data ved å bruke flere GPU er, skyen eller klyngene
Publikum
- Utviklere
- ingeniører
- Domeneeksperter
Kursets format
- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse
21 timer
Oversikt
Artificial Neural Network er en beregningsmessig datamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.
28 timer
Oversikt
Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet.
I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for økonomi ved hjelp av Python når de går gjennom opprettelsen av en dyp læringsprediksjonsmodell.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå de grunnleggende konseptene for dyp læring
- Lær bruksområdene og bruken av dyp læring innen finans
- Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for finans
- Bygge sin egen dype læringsmodell for prediksjon ved bruk av Python
Publikum
- Utviklere
- Data forskere
Kursets format
- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse
I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for økonomi ved hjelp av Python når de går gjennom opprettelsen av en dyp læringsprediksjonsmodell.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå de grunnleggende konseptene for dyp læring
- Lær bruksområdene og bruken av dyp læring innen finans
- Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for finans
- Bygge sin egen dype læringsmodell for prediksjon ved bruk av Python
Publikum
- Utviklere
- Data forskere
Kursets format
- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse
28 timer
Oversikt
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.
Other regions
Rådgivning
Helg Deep Learning kurs, kveld DL (Deep Learning) trening, Deep Learning boot camp, Deep Learning instruktørledet, Helg DL (Deep Learning) trening, Kveld Deep Learning kurs, DL (Deep Learning) coaching, Deep Learning (DL) instruktør, DL (Deep Learning) trener, Deep Learning (DL) kurs, Deep Learning klasser, Deep Learning (DL) on-site, DL (Deep Learning) private kurs, Deep Learning tomannshånd trening
.jpg "european southern observatory (eso)")
.jpg "procter & gamble (p&g)")
.jpg "european organization for nuclear research (cern)")