Cursos de Aprendizado de máquina profundo (Deep machine learning), aprendizado estruturado profundo (deep structured learning), hierarchical learning, DL. Cursos de treinamento ao vivo em sala de aula (Deep Learning - DL) locais demonstram, através da prática prática, os fundamentos e aplicações do Aprendizado Profundo e abrangem temas como aprendizado de máquina profunda, aprendizado estruturado profundo e aprendizado hierárquico O treinamento Deep Learning está disponível em vários formatos, incluindo treinamento ao vivo no local e treinamento online ao vivo e interativo. O treinamento ao vivo no local pode ser realizado nas instalações do cliente no Brasil ou nos centros de treinamento locais NobleProg no Brasil. O treinamento ao vivo remoto é realizado por meio de uma área de trabalho remota e interativa.
NobleProg -- Seu Provedor de Treinamento Local
Declaração de Clientes
Foi muito interativo e mais descontraído e informal do que o esperado. Nós cobrimos muitos tópicos no tempo e o treinador sempre foi receptivo a falar mais detalhadamente ou mais geralmente sobre os tópicos e como eles estavam relacionados. Eu sinto que o treinamento me deu as ferramentas para continuar aprendendo, em vez de ser uma sessão única em que o aprendizado para quando você terminar, o que é muito importante, dada a escala e a complexidade do tópico.
Jonathan Blease
Curso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
O assunto é muito interessante.
Wojciech Baranowski
Curso: Introduction to Deep Learning
Machine Translated
Formadores de conhecimentos teóricos e vontade de resolver os problemas com os participantes após o treinamento.
Grzegorz Mianowski
Curso: Introduction to Deep Learning
Machine Translated
Tema. Muito interessante!.
Piotr
Curso: Introduction to Deep Learning
Machine Translated
Exercícios após cada tópico foram realmente úteis, apesar de terem sido muito complicados no final. Em geral, o material apresentado foi muito interessante e envolvente! Exercícios com reconhecimento de imagem foram ótimos.
Dolby Poland Sp. z o.o.
Curso: Introduction to Deep Learning
Machine Translated
Eu acho que se o treinamento fosse feito em polonês, isso permitiria ao treinador compartilhar seus conhecimentos de forma mais eficiente.
Radek
Curso: Introduction to Deep Learning
Machine Translated
A visão global da aprendizagem profunda.
Bruno Charbonnier
Curso: Advanced Deep Learning
Machine Translated
Os exercícios são suficientemente práticos e não precisam de um alto conhecimento em Python para ser feito.
Alexandre GIRARD
Curso: Advanced Deep Learning
Machine Translated
Fazendo exercícios em exemplos reais usando Eras. A Itália entendeu totalmente as nossas expectativas sobre esse treinamento.
Paul Kassis
Curso: Advanced Deep Learning
Machine Translated
Eu realmente apreciei as respostas cristalinas de Chris às nossas perguntas.
Léo Dubus
Curso: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Eu geralmente gostava do treinador experiente.
Sridhar Voorakkara
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Fiquei espantado com o padrão desta classe - eu diria que era padrão universitário.
David Relihan
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Muito boa visão geral. Go fundo od em porque Tensorflow opera como ele faz.
Kieran Conboy
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Gostei das oportunidades de fazer perguntas e obter explicações mais aprofundadas da teoria.
Sharon Ruane
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nós obtivemos muito mais informações sobre o assunto. Alguma discussão agradável foi feita com alguns assuntos reais dentro da nossa empresa.
Sebastiaan Holman
Curso: Machine Learning and Deep Learning
Machine Translated
O treinamento forneceu a base correta que nos permite expandir ainda mais, mostrando como a teoria e a prática andam de mãos dadas. Isso realmente me deixou mais interessado no assunto do que eu era antes.
Jean-Paul van Tillo
Curso: Machine Learning and Deep Learning
Machine Translated
Eu realmente gostei da cobertura e profundidade dos tópicos.
Anirban Basu
Curso: Machine Learning and Deep Learning
Machine Translated
O profundo conhecimento do treinador sobre o tema.
Sebastian Görg
Curso: Introduction to Deep Learning
Machine Translated
Abordagem muito atualizada ou CPI (tensor flow, era, learn) para fazer aprendizado de máquina.
Paul Lee
Curso: TensorFlow for Image Recognition
Machine Translated
Muito flexível.
Frank Ueltzhöffer
Curso: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Eu geralmente gostei da flexibilidade.
Werner Philipp
Curso: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Dada perspectiva da tecnologia: qual tecnologia / processo pode se tornar mais importante no futuro; veja, para que a tecnologia pode ser usada.
Commerzbank AG
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Eu estava beneficiado com a seleção de tópicos. Estilo de treinamento Orientação prática.
Commerzbank AG
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
forma de condução e exemplo dado pelo treinador
ORANGE POLSKA S.A.
Curso: Machine Learning and Deep Learning
Machine Translated
Possibilidade de discutir os problemas propostos você mesmo
ORANGE POLSKA S.A.
Curso: Machine Learning and Deep Learning
Machine Translated
Comunicação com palestrantes
文欣 张
Curso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Gostei
lisa xie
Curso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Abrangente cobertura de tópicos de aprendizado de máquina, particularmente redes neurais. Desmistificou muito do tópico.
Sacha Nandlall
Curso: Python for Advanced Machine Learning
Machine Translated
Conhecimento grande e atualizado de exemplos de aplicação prática e de liderança.
ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
Um monte de exercícios, muito boa cooperação com o grupo.
Janusz Chrobot - ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
trabalho em colaboradores,
ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
Era óbvio que os entusiastas dos tópicos apresentados estavam liderando. Usou exemplos interessantes durante o exercício.
ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
Uma ampla gama de tópicos abrangidos e conhecimento substancial dos líderes.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
falta
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Grande conhecimento teórico e prático dos docentes. Comunicatividade dos treinadores. Durante o curso, você poderia fazer perguntas e obter respostas satisfatórias.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Parte prática, onde implementamos algoritmos. Isso permitiu uma melhor compreensão do tópico.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
exercícios e exemplos implementados neles
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Exemplos e questões discutidas.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Conhecimento substantivo, compromisso, uma maneira apaixonada de transferir conhecimento. Exemplos práticos após uma aula teórica.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Exercícios práticos preparados pelo Sr. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Eu me beneficiei da paixão de ensinar e me concentrar em fazer coisas sensatas.
Zaher Sharifi - GOSI
Curso: Advanced Deep Learning
Machine Translated
Identificação humana e detecção de ponto ruim da placa de circuito
王 春柱 - 中移物联网
Curso: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Demonstrar
中移物联网
Curso: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Sobre a área de rosto.
中移物联网
Curso: Deep Learning for NLP (Natural Language Processing)
Machine Translated
As trocas informais que tivemos durante as palestras realmente me ajudaram a aprofundar minha compreensão do assunto
Explore
Curso: Deep Reinforcement Learning with Python
Machine Translated
Muitas dicas práticas
Pawel Dawidowski - ABB Sp. z o.o.
Curso: Deep Learning with TensorFlow
Machine Translated
Muita informação relacionada à implementação de soluções
Michał Smolana - ABB Sp. z o.o.
Curso: Deep Learning with TensorFlow
Machine Translated
Uma infinidade de dicas práticas e conhecimento do palestrante de uma ampla gama de questões de AI / IT / SQL / IoT.
ABB Sp. z o.o.
Curso: Deep Learning with TensorFlow
Machine Translated
muita informação, todas as perguntas respondidas, exemplos interessantes
A1 Telekom Austria AG
Curso: Deep Learning for Telecom (with Python)
Machine Translated
Comecei com quase zero conhecimento e, no final, consegui construir e treinar minhas próprias redes.
Huawei Technologies Duesseldorf GmbH
Curso: TensorFlow for Image Recognition
Machine Translated
Nossos Clientes
Subcategorias DL (Deep Learning)
Programas do curso DL (Deep Learning)
Nome do Curso
Duração
Visão geral
Nome do Curso
Duração
Visão geral
7 horas
AlphaFold é um sistema Artificial Intelligence (AI) que realiza a previsão de estruturas de proteínas. É desenvolvido pela Alphabet’s/Google’s DeepMind como um sistema de aprendizagem profunda que pode prever com precisão modelos 3D de estruturas de proteínas.
Este treinamento ao vivo guiado por instrutores (online ou on-site) é dirigido a biólogos que desejam entender como AlphaFold trabalham e usam AlphaFold modelos como guias em seus estudos experimentais.
No final do curso, os participantes poderão:
Conheça os princípios fundamentais de AlphaFold. Saiba como AlphaFold funciona. Aprenda a interpretar AlphaFold previsões e resultados.
O formato do curso
Interação e discussão interativa. Muitos exercícios e práticas. Implementação de mão em um ambiente de laboratório ao vivo.
Opções de Customização
Para solicitar uma formação personalizada para este curso, por favor contacte-nos para organizar.
Este treinamento ao vivo guiado por instrutores (online ou on-site) é dirigido a biólogos que desejam entender como AlphaFold trabalham e usam AlphaFold modelos como guias em seus estudos experimentais.
No final do curso, os participantes poderão:
Conheça os princípios fundamentais de AlphaFold. Saiba como AlphaFold funciona. Aprenda a interpretar AlphaFold previsões e resultados.
O formato do curso
Interação e discussão interativa. Muitos exercícios e práticas. Implementação de mão em um ambiente de laboratório ao vivo.
Opções de Customização
Para solicitar uma formação personalizada para este curso, por favor contacte-nos para organizar.
21 horas
Neste treinamento presencial instruído, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e inovadoras do Python, pois eles criam uma série de aplicativos de demonstração que envolvem dados de imagem, música, texto e dados financeiros No final deste treinamento, os participantes serão capazes de: Implementar algoritmos e técnicas de aprendizado de máquina para resolver problemas complexos Aplicar aprendizado profundo e aprendizado semissupervisionado a aplicativos que envolvam dados de imagem, música, texto e dados financeiros Empurre os algoritmos do Python para o seu potencial máximo Use bibliotecas e pacotes como NumPy e Theano Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
21 horas
Profundamente Reinforcement Learning refere-se à capacidade de um agente artífico " para aprender por processos e erros e recompensas. Um agente artificial tem como objetivo emular um humano ' capacidade de obter e construir conhecimentos por sua própria, directamente a partir de entradas cruas como visão. Para perceber a aprendizagem de reforço, são utilizadas redes de aprendizagem profunda e neural. A aprendizagem de reforçamento é diferente do aprendizagem de máquinas e não depende em abordagens de aprendizagem supervisão e não supervisadas.
Neste instrutor, treinamento vivo, os participantes aprenderão os fundamentais do Profundo Reinforcement Learning, ao passar através da criação de um agente Deep Learning.
Até ao fim deste treinamento, os participantes poderão:
Compreende os conceitos fundamentais por trás da Profunda Reinforcement Learning e poder distinguir-o de Machine Learning Aplicar algoritmos avançados Reinforcement Learning para resolver problemas do mundo real Construir um Deep Learning Agente
Audiência
Desenvolvedores Científicos de Dados
Formato do curso
Lecção da parte, discussão parcial, exercícios e prática pesada de mãos
Neste instrutor, treinamento vivo, os participantes aprenderão os fundamentais do Profundo Reinforcement Learning, ao passar através da criação de um agente Deep Learning.
Até ao fim deste treinamento, os participantes poderão:
Compreende os conceitos fundamentais por trás da Profunda Reinforcement Learning e poder distinguir-o de Machine Learning Aplicar algoritmos avançados Reinforcement Learning para resolver problemas do mundo real Construir um Deep Learning Agente
Audiência
Desenvolvedores Científicos de Dados
Formato do curso
Lecção da parte, discussão parcial, exercícios e prática pesada de mãos
28 horas
A aprendizagem por máquina é uma rama da Inteligência Artificial em que os computadores têm a capacidade de aprender sem ser explicitamente programados.
A aprendizagem profunda é um subcampo de aprendizagem de máquina que usa métodos baseados em representações e estruturas de dados de aprendizagem, como redes neurais.
Python é uma linguagem de programação de alto nível famosa por sua sintaxe clara e leitura de código.
Neste treinamento ao vivo liderado por instrutores, os participantes aprenderão como implementar modelos de aprendizagem profunda para telecom usando Python enquanto eles passam pela criação de um modelo de risco de crédito de aprendizagem profunda.
No final do curso, os participantes poderão:
Conheça os conceitos fundamentais de aprendizagem profunda. Aprenda as aplicações e os usos de aprendizagem profunda em telecom. Use Python, Keras, e TensorFlow para criar modelos de aprendizagem profunda para telecom. Construa seu próprio modelo de profunda aprendizagem do cliente usando Python.
O formato do curso
Interação e discussão interativa. Muitos exercícios e práticas. Implementação de mão em um ambiente de laboratório ao vivo.
Opções de Customização
Para solicitar uma formação personalizada para este curso, por favor contacte-nos para organizar.
A aprendizagem profunda é um subcampo de aprendizagem de máquina que usa métodos baseados em representações e estruturas de dados de aprendizagem, como redes neurais.
Python é uma linguagem de programação de alto nível famosa por sua sintaxe clara e leitura de código.
Neste treinamento ao vivo liderado por instrutores, os participantes aprenderão como implementar modelos de aprendizagem profunda para telecom usando Python enquanto eles passam pela criação de um modelo de risco de crédito de aprendizagem profunda.
No final do curso, os participantes poderão:
Conheça os conceitos fundamentais de aprendizagem profunda. Aprenda as aplicações e os usos de aprendizagem profunda em telecom. Use Python, Keras, e TensorFlow para criar modelos de aprendizagem profunda para telecom. Construa seu próprio modelo de profunda aprendizagem do cliente usando Python.
O formato do curso
Interação e discussão interativa. Muitos exercícios e práticas. Implementação de mão em um ambiente de laboratório ao vivo.
Opções de Customização
Para solicitar uma formação personalizada para este curso, por favor contacte-nos para organizar.
14 horas
O Embedding Projector é um aplicativo da web opensource para visualizar os dados usados para treinar sistemas de aprendizado de máquina Criado pelo Google, faz parte do TensorFlow Este treinamento ao vivo com instrutor introduz os conceitos por trás do Embedding Projector e conduz os participantes através da configuração de um projeto de demonstração No final deste treinamento, os participantes serão capazes de: Explore como os dados estão sendo interpretados pelos modelos de aprendizado de máquina Navegue por visualizações 3D e 2D de dados para entender como um algoritmo de aprendizado de máquina o interpreta Entenda os conceitos por trás do Embeddings e seu papel na representação de vetores matemáticos para imagens, palavras e numerais Explore as propriedades de uma incorporação específica para entender o comportamento de um modelo Aplique o Embedding Project em casos de uso do mundo real, como construir um sistema de recomendação de músicas para os amantes da música Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
21 horas
Rede Neural Artificial é um modelo computacional de dados utilizado no desenvolvimento de sistemas de Inteligência Artificial (IA) capazes de realizar tarefas "inteligentes". Redes neurais são comumente usadas em aplicações de Aprendizado de Máquina (ML), que são elas mesmas uma implementação de IA. Deep Learning é um subconjunto do ML.
21 horas
Este curso é uma visão geral do Deep Learning sem aprofundar em nenhum método específico. É adequado para pessoas que querem começar a usar o Aprendizado Profundo para melhorar sua precisão de previsão.
21 horas
Rede Neural Artificial é um modelo de dados computacional utilizado no desenvolvimento de sistemas de Artificial Intelligence (AI) capazes de realizar tarefas "inteligentes". Neural Networks são comumente usadas em aplicações de Machine Learning (ML), que são elas mesmas uma implementação da IA. Deep Learning é um subconjunto do ML.
28 horas
Este curso visa proporcionar todas as ferramentas e explicitar todos os apectos necessários para que os participantes possam adquirir conhecimetos únicos e funcionais acerca do Deep learning avançado, com o objetivo de que possam aplicar-lo em seu uso cotidiano.
21 horas
Caffe é uma framework de deep learning construída com os modelos de expressão, velocidade e modularidade em mente. Este curso explora a aplicação do Caffe como uma framework para o reconhecimento de imagem.
Depois de completar o curso os participantes poderão:
- Entender a estrutura do Caffe e os mecanismos de despacho
- Monitorar a qualidade do código, debugging etc...
Depois de completar o curso os participantes poderão:
- Entender a estrutura do Caffe e os mecanismos de despacho
- Monitorar a qualidade do código, debugging etc...
21 horas
Este curso é apropriado para pesquisadores em Deep Learning e engenheiros interessados em utilizar as ferramentas disponíveis (a maioria sendo de código aberto) para analizar as imagens de computador.
14 horas
Este curso cobre AI (emphasizing Machine Learning e Deep Learning) em Automotive Indústria. Ajuda a determinar que tecnologia pode ser (potencialmente) usada em múltiplas situações em um carro: da simples automação, reconhecimento de imagem para tomada de decisão autónoma.
21 horas
Este curso abrange AI (enfatizando Machine Learning e Deep Learning )
14 horas
Neste instrutor-led, treinamento ao vivo, vamos além dos princípios das redes neurais e usar OpenNN para implementar uma aplicação de amostra.
Formato do curso
Leitura e discussão em conjunto com exercícios práticos.
Formato do curso
Leitura e discussão em conjunto com exercícios práticos.
7 horas
Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como configurar e usar o OpenNMT para realizar a tradução de vários conjuntos de dados de amostra. O curso começa com uma visão geral das redes neurais como elas se aplicam à tradução automática. Os participantes realizarão exercícios ao vivo durante o curso para demonstrar sua compreensão dos conceitos aprendidos e obter feedback do instrutor.
No final deste treinamento, os participantes terão o conhecimento e a prática necessários para implementar uma solução OpenNMT ao vivo.
Amostras de idioma de origem e de destino serão pré-organizadas de acordo com os requisitos do público.
Formato do Curso
- Palestra parcial, parte discussão, prática prática
No final deste treinamento, os participantes terão o conhecimento e a prática necessários para implementar uma solução OpenNMT ao vivo.
Amostras de idioma de origem e de destino serão pré-organizadas de acordo com os requisitos do público.
Formato do Curso
- Palestra parcial, parte discussão, prática prática
21 horas
Tipo: Formação teórica com candidaturas decididas a montante com os alunos em Lasagne ou Keras acordo com o grupo pedagógico
Método de ensino: apresentação, trocas e estudos de caso
A inteligência artificial, depois de ter interrompido muitos campos científicos, começou a revolucionar um grande número de setores econômicos (indústria, medicina, comunicação, etc.). No entanto, sua apresentação na grande mídia é muitas vezes fantasiosa, muito distante daquelas que são realmente as áreas de Machine Learning ou Deep Learning . O objetivo deste treinamento é fornecer aos engenheiros que já possuem um domínio de ferramentas de informática (incluindo uma base de programação de software) uma introdução ao Deep Learning e suas diversas áreas de especialização e, portanto, às principais arquiteturas de rede existentes. hoje. Se as bases matemáticas forem recuperadas durante o curso, um nível de matemática do tipo BAC + 2 é recomendado para maior conforto. É absolutamente possível pular o eixo matemático para manter apenas uma visão de "sistema", mas essa abordagem limitará enormemente sua compreensão do assunto.
Método de ensino: apresentação, trocas e estudos de caso
A inteligência artificial, depois de ter interrompido muitos campos científicos, começou a revolucionar um grande número de setores econômicos (indústria, medicina, comunicação, etc.). No entanto, sua apresentação na grande mídia é muitas vezes fantasiosa, muito distante daquelas que são realmente as áreas de Machine Learning ou Deep Learning . O objetivo deste treinamento é fornecer aos engenheiros que já possuem um domínio de ferramentas de informática (incluindo uma base de programação de software) uma introdução ao Deep Learning e suas diversas áreas de especialização e, portanto, às principais arquiteturas de rede existentes. hoje. Se as bases matemáticas forem recuperadas durante o curso, um nível de matemática do tipo BAC + 2 é recomendado para maior conforto. É absolutamente possível pular o eixo matemático para manter apenas uma visão de "sistema", mas essa abordagem limitará enormemente sua compreensão do assunto.
7 horas
Neste treinamento guiado por instrutores, os participantes aprenderão como usar Facebook NMT (Fairseq) para realizar tradução de conteúdo de amostra.
Ao final deste treinamento, os participantes terão o conhecimento e a prática necessários para implementar uma solução de tradução de máquina baseada em Fairseq ao vivo.
Formato do curso
Parte de discussão, parte de discussão, prática pesada
Notícia
Se você deseja usar conteúdo de fonte específica e de idioma alvo, por favor contacte-nos para organizar.
Ao final deste treinamento, os participantes terão o conhecimento e a prática necessários para implementar uma solução de tradução de máquina baseada em Fairseq ao vivo.
Formato do curso
Parte de discussão, parte de discussão, prática pesada
Notícia
Se você deseja usar conteúdo de fonte específica e de idioma alvo, por favor contacte-nos para organizar.
21 horas
O Microsoft Cognitive Toolkit 2x (anteriormente CNTK) é um kit de ferramentas de versão comercial de código aberto que treina algoritmos de aprendizado profundo para aprender como o cérebro humano Segundo a Microsoft, o CNTK pode ser 510x mais rápido que o TensorFlow em redes recorrentes, e 2 a 3 vezes mais rápido que o TensorFlow para tarefas relacionadas a imagens Neste treinamento presencial instruído, os participantes aprenderão a usar o Microsoft Cognitive Toolkit para criar, treinar e avaliar algoritmos de aprendizado profundo para uso em aplicativos de IA de grau comercial envolvendo vários tipos de dados, como dados, fala, texto e imagens No final deste treinamento, os participantes serão capazes de: Acesse o CNTK como uma biblioteca dentro de um programa em Python, C # ou C ++ Use o CNTK como uma ferramenta de aprendizado de máquina autônoma por meio de sua própria linguagem de descrição de modelo (BrainScript) Use a funcionalidade de avaliação do modelo CNTK de um programa Java Combinar DNNs feedforward, redes convolucionais (CNNs) e redes recorrentes (RNNs / LSTMs) Capacidade de computação de escala em CPUs, GPUs e várias máquinas Acessar conjuntos de dados enormes usando linguagens de programação e algoritmos existentes Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada Nota Se você deseja personalizar qualquer parte deste treinamento, incluindo a linguagem de programação escolhida, entre em contato conosco para agendar .
21 horas
PaddlePaddle (PArallel Distributed Deep LEarning) é uma plataforma de aprendizagem profunda escalável desenvolvida pela Baidu Neste treinamento ao vivo com instrutores, os participantes aprenderão como usar o PaddlePaddle para permitir o aprendizado profundo em seus aplicativos de produtos e serviços No final deste treinamento, os participantes serão capazes de: Configurar e configurar o PaddlePaddle Configurar uma rede neural por convolução (CNN) para reconhecimento de imagem e detecção de objetos Configurar uma Rede Neural Recorrente (RNN) para análise de sentimento Configure o aprendizado profundo em sistemas de recomendação para ajudar os usuários a encontrar respostas Prever taxas de cliques (CTR), classificar conjuntos de imagens em larga escala, realizar reconhecimento óptico de caracteres (OCR), classificar pesquisas, detectar vírus de computador e implementar um sistema de recomendação Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
7 horas
Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar o DSSTNE para criar um aplicativo de recomendação.
No final deste treinamento, os participantes serão capazes de:
- Treinar um modelo de recomendação com conjuntos de dados esparsos como entrada
- Treinamento de escala e modelos de previsão em várias GPU
- Espalhe computação e armazenamento de forma paralela ao modelo
- Gerar recomendações de produtos personalizados semelhantes à Amazon
- Implantar um aplicativo pronto para produção que pode ser dimensionado em cargas de trabalho pesadas
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
No final deste treinamento, os participantes serão capazes de:
- Treinar um modelo de recomendação com conjuntos de dados esparsos como entrada
- Treinamento de escala e modelos de previsão em várias GPU
- Espalhe computação e armazenamento de forma paralela ao modelo
- Gerar recomendações de produtos personalizados semelhantes à Amazon
- Implantar um aplicativo pronto para produção que pode ser dimensionado em cargas de trabalho pesadas
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
7 horas
O Tensor2Tensor (T2T) é uma biblioteca modular e extensível para treinar modelos de IA em diferentes tarefas, usando diferentes tipos de dados de treinamento, por exemplo: reconhecimento de imagem, tradução, análise, legendagem de imagens e reconhecimento de fala É mantido pela equipe do Google Brain Neste treinamento presencial instruído, os participantes aprenderão a preparar um modelo deeplearning para resolver várias tarefas No final deste treinamento, os participantes serão capazes de: Instale tensor2tensor, selecione um conjunto de dados e treine e avalie um modelo de AI Personalize um ambiente de desenvolvimento usando as ferramentas e componentes incluídos no Tensor2Tensor Crie e use um modelo único para conhecer simultaneamente várias tarefas de vários domínios Use o modelo para aprender com tarefas com uma grande quantidade de dados de treinamento e aplique esse conhecimento a tarefas em que os dados são limitados Obtenha resultados de processamento satisfatórios usando uma única GPU Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
14 horas
O OpenFace é um software de reconhecimento facial em tempo real baseado em Python e Torch, baseado na pesquisa FaceNet do Google Neste treinamento presencial instruído, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra No final deste treinamento, os participantes serão capazes de: Trabalhe com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4, para implementar detecção, alinhamento e transformação de faces Aplique o OpenFace a aplicações do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
21 horas
Neste treinamento ao vivo com instrutores, os participantes aprenderão técnicas avançadas para o Aprendizado de Máquina com o R ao passarem pela criação de um aplicativo do mundo real No final deste treinamento, os participantes serão capazes de: Use técnicas como ajuste de hyperparameter e aprendizagem profunda Compreender e implementar técnicas de aprendizagem não supervisionadas Coloque um modelo em produção para uso em um aplicativo maior Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
14 horas
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
28 horas
O aprendizado de máquina é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem programados explicitamente. A aprendizagem profunda é um subcampo de aprendizado de máquina que usa métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. R é uma linguagem de programação popular no setor financeiro. Ele é usado em aplicações financeiras que vão desde programas de negociação principais até sistemas de gerenciamento de risco.
Neste treinamento ao vivo ministrado por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para finanças usando o R enquanto avançam na criação de um modelo de previsão de preço de ações de aprendizagem profunda.
No final deste treinamento, os participantes serão capazes de:
- Entenda os conceitos fundamentais da aprendizagem profunda
- Aprenda os aplicativos e usos da aprendizagem profunda em finanças
- Use R para criar modelos de aprendizagem profunda para finanças
- Construa seu próprio modelo de previsão de preço de ações de aprendizagem profunda usando R
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
Neste treinamento ao vivo ministrado por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para finanças usando o R enquanto avançam na criação de um modelo de previsão de preço de ações de aprendizagem profunda.
No final deste treinamento, os participantes serão capazes de:
- Entenda os conceitos fundamentais da aprendizagem profunda
- Aprenda os aplicativos e usos da aprendizagem profunda em finanças
- Use R para criar modelos de aprendizagem profunda para finanças
- Construa seu próprio modelo de previsão de preço de ações de aprendizagem profunda usando R
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
28 horas
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability.
In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.
By the end of this training, participants will be able to:
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.
By the end of this training, participants will be able to:
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
Audience
- Developers
- Data scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
28 horas
O aprendizado de máquina é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem programados explicitamente. A aprendizagem profunda é um subcampo de aprendizado de máquina que usa métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. R é uma linguagem de programação popular no setor financeiro. Ele é usado em aplicações financeiras que vão desde programas de negociação principais até sistemas de gerenciamento de risco.
Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizagem profunda para o setor bancário usando o R, à medida que avançam na criação de um modelo de risco de crédito de aprendizagem profunda.
No final deste treinamento, os participantes serão capazes de:
- Entenda os conceitos fundamentais da aprendizagem profunda
- Aprenda os aplicativos e usos da aprendizagem profunda no setor bancário
- Use R para criar modelos de aprendizagem profunda para bancos
- Construa seu próprio modelo de risco de crédito de aprendizagem profunda usando R
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizagem profunda para o setor bancário usando o R, à medida que avançam na criação de um modelo de risco de crédito de aprendizagem profunda.
No final deste treinamento, os participantes serão capazes de:
- Entenda os conceitos fundamentais da aprendizagem profunda
- Aprenda os aplicativos e usos da aprendizagem profunda no setor bancário
- Use R para criar modelos de aprendizagem profunda para bancos
- Construa seu próprio modelo de risco de crédito de aprendizagem profunda usando R
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
28 horas
O aprendizado de máquina é um ramo da inteligência artificial em que os computadores têm a capacidade de aprender sem serem explicitamente programados. O aprendizado profundo é um subcampo do aprendizado de máquina que utiliza métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. Python é uma linguagem de programação de alto nível famosa por sua clara sintaxe e legibilidade do código.
Neste treinamento ao vivo, conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para finanças usando o Python medida que avançam na criação de um modelo de previsão de preço de ações de aprendizado profundo.
Ao final deste treinamento, os participantes serão capazes de:
- Compreender os conceitos fundamentais da aprendizagem profunda
- Aprenda as aplicações e usos do aprendizado profundo em finanças
- Use Python , Keras e TensorFlow para criar modelos de aprendizado profundo para finanças
- Crie seu próprio modelo de previsão de preço das ações de aprendizado profundo usando Python
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Parte palestra, parte discussão, exercícios e prática prática pesada
Neste treinamento ao vivo, conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para finanças usando o Python medida que avançam na criação de um modelo de previsão de preço de ações de aprendizado profundo.
Ao final deste treinamento, os participantes serão capazes de:
- Compreender os conceitos fundamentais da aprendizagem profunda
- Aprenda as aplicações e usos do aprendizado profundo em finanças
- Use Python , Keras e TensorFlow para criar modelos de aprendizado profundo para finanças
- Crie seu próprio modelo de previsão de preço das ações de aprendizado profundo usando Python
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Parte palestra, parte discussão, exercícios e prática prática pesada
21 horas
Introdução :
A aprendizagem profunda está se tornando um componente principal do futuro design de produtos que quer incorporar a inteligência artificial no coração de seus modelos. Nos próximos 5 a 10 anos, ferramentas de desenvolvimento de aprendizagem profunda, bibliotecas e idiomas se tornarão componentes padrão de cada kit de ferramentas de desenvolvimento de software. Até agora Google, Força de Vendas, Facebook, a Amazon usou com sucesso a AI de aprendizagem profunda para impulsionar seu negócio. Aplicações variam de tradução automática de máquina, análise de imagem, análise de vídeo, análise de movimento, geração de publicidade alvo e muito mais.
Este curso é destinado a aquelas organizações que querem incorporar Deep Learning como parte muito importante de sua estratégia de produto ou serviço. Abaixo está a descrição do curso de aprendizagem profunda que podemos personalizar para diferentes níveis de funcionários / stakeholders em uma organização.
A audiência alvo:
(Dependendo do público-alvo, os materiais do curso serão personalizados)
Executivos
Uma visão geral da IA e como ela se encaixa na estratégia corporativa, com sessões de breakout sobre planejamento estratégico, mapas de tecnologia e alocação de recursos para garantir o valor máximo.
Gestores de Projetos
Como planejar um projeto de IA, incluindo recolha e avaliação de dados, limpeza e verificação de dados, desenvolvimento de um modelo de prova de conceito, integração em processos de negócios e entrega em toda a organização.
Desenvolvedores
Treinamentos técnicos aprofundados, com foco em redes neurais e aprendizagem profunda, análise de imagem e vídeo (CNNs), análise de som e texto (NLP), e trazendo AI para aplicações existentes.
Produtores
Uma visão geral da IA e como ela pode satisfazer as necessidades dos clientes, propostas de valor para vários produtos e serviços, e como aliviar os medos e promover os benefícios da IA.
A aprendizagem profunda está se tornando um componente principal do futuro design de produtos que quer incorporar a inteligência artificial no coração de seus modelos. Nos próximos 5 a 10 anos, ferramentas de desenvolvimento de aprendizagem profunda, bibliotecas e idiomas se tornarão componentes padrão de cada kit de ferramentas de desenvolvimento de software. Até agora Google, Força de Vendas, Facebook, a Amazon usou com sucesso a AI de aprendizagem profunda para impulsionar seu negócio. Aplicações variam de tradução automática de máquina, análise de imagem, análise de vídeo, análise de movimento, geração de publicidade alvo e muito mais.
Este curso é destinado a aquelas organizações que querem incorporar Deep Learning como parte muito importante de sua estratégia de produto ou serviço. Abaixo está a descrição do curso de aprendizagem profunda que podemos personalizar para diferentes níveis de funcionários / stakeholders em uma organização.
A audiência alvo:
(Dependendo do público-alvo, os materiais do curso serão personalizados)
Executivos
Uma visão geral da IA e como ela se encaixa na estratégia corporativa, com sessões de breakout sobre planejamento estratégico, mapas de tecnologia e alocação de recursos para garantir o valor máximo.
Gestores de Projetos
Como planejar um projeto de IA, incluindo recolha e avaliação de dados, limpeza e verificação de dados, desenvolvimento de um modelo de prova de conceito, integração em processos de negócios e entrega em toda a organização.
Desenvolvedores
Treinamentos técnicos aprofundados, com foco em redes neurais e aprendizagem profunda, análise de imagem e vídeo (CNNs), análise de som e texto (NLP), e trazendo AI para aplicações existentes.
Produtores
Uma visão geral da IA e como ela pode satisfazer as necessidades dos clientes, propostas de valor para vários produtos e serviços, e como aliviar os medos e promover os benefícios da IA.
14 horas
Esta sessão de treinamento baseada em sala de aula conterá apresentações e exemplos baseados em computador e exercícios de estudo de caso para realizar com bibliotecas de redes neurais e profundas relevantes
Last Updated:
Próximos Cursos de DL (Deep Learning)
Deep Learning for Medicine
2022-07-21 09:30
14 horas
Hardware-Accelerated Video Analytics
2022-07-26 09:30
14 horas
Python and Deep Learning with OpenCV 4
2022-08-04 09:30
14 horas
Deep Learning for Healthcare
2022-08-10 09:30
14 horas
Deep Learning for Telecom (with Python)
2022-08-30 09:30
28 horas
Cursos de fim de semana de Deep Learning (DL), Treinamento tardiurno de Aprendizagem Profunda (Deep learning), Treinamento em grupo de Aprendizagem Profunda (Deep learning), Deep Learning (DL) guiado por instrutor, Treinamento de Deep Learning (DL) de fim de semana, Cursos de Deep Learning (DL) tardiurnos, coaching de DL (Deep Learning), Instrutor de Aprendizagem Profunda (Deep learning), Treinador de DL (Deep Learning), Cursos de treinamento de DL (Deep Learning), Aulas de Deep Learning (DL), Deep Learning (DL) no local do cliente, Cursos privados de Aprendizagem Profunda (Deep learning), Treinamento individual de Aprendizagem Profunda (Deep learning)