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

★★★★★

Det var veldig interaktivt og mer avslappet og uformelt enn forventet. Vi dekket mange temaer i tiden, og treneren var alltid mottakelig for å snakke mer detaljert eller mer generelt om emnene og hvordan de var i slekt. Jeg føler at opplæringen har gitt meg verktøyene til å fortsette læringen i motsetning til at det er en engangsøkt der læringen stopper når du er ferdig, noe som er veldig viktig med tanke på omfanget og kompleksiteten i emnet.

Jonathan Blease

Course: Artificial Neural Networks, Machine Learning, Deep Thinking

Machine Translated

Temaet er veldig interessant

Wojciech Baranowski

Course: Introduction to Deep Learning

Machine Translated

Trenere teoretisk kunnskap og vilje til å løse problemene med deltakerne etter treningen

Grzegorz Mianowski

Course: Introduction to Deep Learning

Machine Translated

Emne. Veldig interessant!

Piotr

Course: 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.

Course: 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

Course: Introduction to Deep Learning

Machine Translated

Den globale oversikten over dyp læring

Bruno Charbonnier

Course: Advanced Deep Learning

Machine Translated

Øvelsene er tilstrekkelig praktiske og trenger ikke høy kunnskap i Python .

Alexandre GIRARD

Course: 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

Course: Advanced Deep Learning

Machine Translated

emnet. det virket interessant, men jeg lot være å vite ikke mer enn før.

Radoslaw Labedzki

Course: Introduction to Deep Learning

Machine Translated

Interessant emne

Wojciech Wilk

Course: Introduction to Deep Learning

Machine Translated

Jeg satte veldig pris på de krystallklare svarene til Chris på spørsmålene våre.

Léo Dubus

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Kunnskapsrik trener

Sridhar Voorakkara

Course: 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

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Veldig bra allround-oversikt. Go bakgrunnen for hvorfor Tensorflow fungerer som den gjør.

Kieran Conboy

Course: 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

Course: 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

Course: 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

Course: Machine Learning and Deep Learning

Machine Translated

Dekning og dybde av emner

Anirban Basu

Course: Machine Learning and Deep Learning

Machine Translated

Trenerens dype kunnskap om emnet.

Sebastian Görg

Course: Introduction to Deep Learning

Machine Translated

Veldig oppdatert tilnærming eller api (tensorflow, kera, tflearn) for å gjøre maskinlæring

Paul Lee

Course: TensorFlow for Image Recognition

Machine Translated

Veldig fleksibel

Frank Ueltzhöffer

Course: Artificial Neural Networks, Machine Learning and Deep Thinking

Machine Translated

fleksibilitet

Werner Philipp

Course: 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

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Valg av emne. Treningsstil. Øv orientering

Commerzbank AG

Course: Neural Networks Fundamentals using TensorFlow as Example

Machine Translated

Inngående dekning av maskinlæringsemner, spesielt nevrale nettverk. Demystifiserte mye av emnet.

Sacha Nandlall

Course: Python for Advanced Machine Learning

Machine Translated

Jeg hadde godt av lidenskapen til å undervise og fokusere på å gjøre ting fornuftig.

Zaher Sharifi - GOSI

Course: Advanced Deep Learning

Machine Translated

Menneskelig identifisering og registrering av dødpunkt

王春柱 - 中移物联网

Course: Deep Learning for NLP (Natural Language Processing)

Machine Translated

Vis

中移物联网

Course: Deep Learning for NLP (Natural Language Processing)

Machine Translated

Om ansiktsområdet.

中移物联网

Course: Deep Learning for NLP (Natural Language Processing)

Machine Translated

De uformelle utvekslingene vi hadde under forelesningene hjalp meg virkelig med å utdype min forståelse av emnet

Explore

Course: Deep Reinforcement Learning with Python

Machine Translated

Mange praktiske tips

Pawel Dawidowski - ABB Sp. z o.o.

Course: Deep Learning with TensorFlow

Machine Translated

Mye informasjon relatert til implementering av løsninger

Michał Smolana - ABB Sp. z o.o.

Course: Deep Learning with TensorFlow

Machine Translated

Et mangfold av praktiske tips og kunnskap om foreleseren fra et bredt spekter av AI / IT / SQL / IoT-spørsmål.

ABB Sp. z o.o.

Course: Deep Learning with TensorFlow

Machine Translated

Deep Learning (DL) Subcategories

Deep Learning Kursplaner

Tittel

Varighet

Oversikt

Tittel

Varighet

Oversikt

Artificial Intelligence in Automotive

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.

Deep Learning for Self Driving Cars

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.

Machine Learning and Deep Learning

21 timer

Oversikt

Dette kurset dekker AI (med vekt på Machine Learning og Deep Learning )

Neural Networks Fundamentals using TensorFlow as Example

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 .

Neural computing – Data science

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.

OpenFace: Creating Facial Recognition Systems

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

OpenNMT: Setting Up a Neural Machine Translation System

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

OpenNN: Implementing Neural Networks

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.

PaddlePaddle

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

Python for Advanced Machine Learning

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

Advanced Machine Learning with R

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

Mastering Apache SINGA

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

Matlab for 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

T2T: Creating Sequence to Sequence Models for Generalized Learning

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

Deep Learning with TensorFlow 2.0

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/

TensorFlow Serving

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

Deep Learning with TensorFlow

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

TensorFlow for Image Recognition

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

Torch for Machine and Deep Learning

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

TPU Programming: Building Neural Network Applications on Tensor Processing Units

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

Natural Language Processing with TensorFlow

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

Understanding Deep Neural Networks

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

Microsoft Cognitive Toolkit 2.x

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.

Deep Learning with Keras

21 timer

Oversikt

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 technical persons who wish to apply deep learning model to image recognition applications.

By the end of this training, participants will be able to:

- Install and configure Keras.
- Quickly prototype deep learning models.
- Implement a convolutional network.
- Implement a recurrent network.
- Execute a deep learning model on both a CPU and GPU.

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 Keras, please visit: https://keras.io/

Artificial Neural Networks, Machine Learning, Deep Thinking

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.

Deep Learning for Banking (with Python)

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 bankbruk ved å bruke Python når de går gjennom opprettelsen av en dyp læringsrisikomodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

- Forstå de grunnleggende konseptene for dyp læring
- Lær applikasjonene og bruken av dyp læring i bank
- Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for bank
- Bygge sin egen dype lærings kredittrisikomodell ved hjelp av Python

Publikum

- Utviklere
- Data forskere

Kursets format

- Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Applied AI from Scratch

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.

Artificial Neural Networks, Machine Learning and Deep Thinking

21 timer

Oversikt

Deep Learning for Vision with Caffe

21 timer

Oversikt

Caffe er en dyp læringsramme laget med uttrykk, hastighet og modularitet i tankene.

Dette kurset utforsker anvendelsen av Caffe som en Deep læringsramme for bildegjenkjenning ved bruk av MNIST som eksempel

Publikum

Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke Caffe som rammeverk.

Etter fullført kurs vil delegatene kunne:

- forstå Caffe sin struktur og distribusjonsmekanismer
- utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
- vurdere kodekvalitet, utfør feilsøking, overvåking
- implementere avansert produksjon som treningsmodeller, implementere lag og logging

Introduction to Deep Learning

21 timer

Oversikt

Dette kurset er generell oversikt for Deep Learning uten å gå for dypt inn på noen spesifikke metoder. Det passer for folk som vil begynne å bruke Deep learning for å forbedre nøyaktigheten av prediksjon.

Kommende Deep Learning (DL) Kurs

Python for Advanced Machine Learning

2019-10-07 09:30:00

Stavanger/Sandnes

Fjern

5250EUR

Klasserom

6050EUR

OpenFace: Creating Facial Recognition Systems

2019-10-08 09:30:00

Drammen

Fjern

3500EUR

Klasserom

4100EUR

Python for Advanced Machine Learning

2019-10-08 09:30:00

Drammen

Fjern

5250EUR

Klasserom

6050EUR

T2T: Creating Sequence to Sequence Models for Generalized Learning

2019-10-08 09:30:00

Trondheim

Fjern

1500EUR

Klasserom

1900EUR

OpenFace: Creating Facial Recognition Systems

2019-10-16 09:30:00

Bergen

Fjern

3500EUR

Klasserom

4100EUR

Other regions

;Oslo

Other countries

These courses are also available in other countries ››

Consulting

Deep Learning Consulting

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