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
.png "iberoamericana de hidrocarburos (ihsa)")
.jpg "european southern observatory (eso)")
_ireland.gif "environmental protection agency (epa) ireland")
Subcategorias DL (Deep Learning)
Programas do curso DL (Deep Learning)
Nome do Curso
Duração
Visão geral
Nome do Curso
Duração
Visão geral
14 horas
Visão geral
Este curso aborda a IA (enfatizando Machine Learning e Deep Learning ) na Indústria Automotive . Isso ajuda a determinar qual tecnologia pode ser (potencialmente) usada em várias situações em um carro: da automação simples, reconhecimento de imagem até a tomada de decisão autônoma.
14 horas
Visão geral
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 (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at 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.
14 horas
Visão geral
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
14 horas
Visão geral
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 (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 horas
Visão geral
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 .
7 horas
Visão geral
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
14 horas
Visão geral
Neste treinamento ao vivo conduzido por instrutor, OpenNN os princípios das redes neurais e usamos o OpenNN para implementar um aplicativo de amostra.
Formato do curso
- Palestra e discussão juntamente com exercícios práticos.
Formato do curso
- Palestra e discussão juntamente com exercícios práticos.
21 horas
Visão geral
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 .
21 horas
Visão geral
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
Visão geral
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 .
21 horas
Visão geral
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 (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 horas
Visão geral
A SINGA é uma plataforma geral de aprendizagem profunda distribuída para treinamento de grandes modelos de aprendizagem profunda em grandes conjuntos de dados. Ele é projetado com um modelo de programação intuitivo baseado na abstração da camada. Uma variedade de modelos populares de aprendizagem profunda são suportados, nomeadamente modelos feed-forward, incluindo redes neurais convolucionais (CNN), modelos de energia como a máquina Boltzmann (RBM) restrita e redes neurais recorrentes (RNN). Muitas camadas internas são fornecidas para usuários. A arquitetura SINGA é suficientemente flexível para executar estruturas de treinamento síncronas, assíncronas e híbridas. O SINGA também suporta diferentes esquemas de particionamento de redes neurais para paralelizar o treinamento de grandes modelos, a saber, o particionamento em dimensão de lote, dimensão de recurso ou particionamento híbrido.
Público
Este curso é direcionado a pesquisadores, engenheiros e desenvolvedores que desejam utilizar o Apache SINGA como uma estrutura de aprendizado profundo.
Depois de concluir este curso, os delegados irão:
- entender a estrutura e os mecanismos de implantação da SINGA
- ser capaz de realizar tarefas de configuração / ambiente de produção / arquitetura e configuração
- ser capaz de avaliar a qualidade do código, executar a depuração, monitoramento
- ser capaz de implementar a produção avançada, como modelos de treinamento, incorporação de termos, construção de gráficos e registros
Público
Este curso é direcionado a pesquisadores, engenheiros e desenvolvedores que desejam utilizar o Apache SINGA como uma estrutura de aprendizado profundo.
Depois de concluir este curso, os delegados irão:
- entender a estrutura e os mecanismos de implantação da SINGA
- ser capaz de realizar tarefas de configuração / ambiente de produção / arquitetura e configuração
- ser capaz de avaliar a qualidade do código, executar a depuração, monitoramento
- ser capaz de implementar a produção avançada, como modelos de treinamento, incorporação de termos, construção de gráficos e registros
7 horas
Visão geral
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 .
21 horas
Visão geral
TensorFlow é uma biblioteca popular e de aprendizado de máquina desenvolvida pela Go ogle para aprendizado profundo, computação numérica e aprendizado de máquina em larga escala. TensorFlow 2.0, lançado em janeiro de 2019, é a versão mais recente do TensorFlow e inclui melhorias na execução rápida, compatibilidade e consistência da API.
Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam usar o Tensorflow 2.0 para criar preditores, classificadores, modelos generativos, redes neurais e assim por diante.
Ao final deste treinamento, os participantes serão capazes de:
- Instale e configure o TensorFlow 2.0.
- Entenda os benefícios do TensorFlow 2.0 em relação às versões anteriores.
- Crie modelos de aprendizado profundo.
- Implemente um classificador de imagem avançado.
- Implante um modelo de aprendizado profundo nos dispositivos em nuvem, móvel e IoT.
Formato do Curso
- Palestra e discussão interativa.
- Muitos exercícios e prática.
- Implementação prática em um ambiente de laboratório ao vivo.
Opções de personalização do curso
- Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.
- Para saber mais sobre o TensorFlow , visite: https://www.tensorflow.org/
Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam usar o Tensorflow 2.0 para criar preditores, classificadores, modelos generativos, redes neurais e assim por diante.
Ao final deste treinamento, os participantes serão capazes de:
- Instale e configure o TensorFlow 2.0.
- Entenda os benefícios do TensorFlow 2.0 em relação às versões anteriores.
- Crie modelos de aprendizado profundo.
- Implemente um classificador de imagem avançado.
- Implante um modelo de aprendizado profundo nos dispositivos em nuvem, móvel e IoT.
Formato do Curso
- Palestra e discussão interativa.
- Muitos exercícios e prática.
- Implementação prática em um ambiente de laboratório ao vivo.
Opções de personalização do curso
- Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.
- Para saber mais sobre o TensorFlow , visite: https://www.tensorflow.org/
21 horas
Visão geral
TensorFlow Lite is an open source deep learning framework for executing models on mobile and embedded devices with limited compute and memory resources.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 horas
Visão geral
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 (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at 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.
21 horas
Visão geral
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
21 horas
Visão geral
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 horas
Visão geral
TensorFlow Lite for Microcontrollers is a port of TensorFlow Lite designed to run machine learning models on microcontrollers and other devices with limited memory.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 horas
Visão geral
TensorFlow Serving é um sistema para servir modelos de aprendizado de máquina (ML) à produção.
Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão a configurar e usar o TensorFlow Serving para implantar e gerenciar modelos ML em um ambiente de produção.
No final deste treinamento, os participantes serão capazes de:
- Treine, exporte e sirva vários modelos TensorFlow
- Teste e implemente algoritmos usando uma arquitetura única e um conjunto de APIs
- Estenda o TensorFlow Serving para atender outros tipos de modelos além dos modelos do TensorFlow
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 a configurar e usar o TensorFlow Serving para implantar e gerenciar modelos ML em um ambiente de produção.
No final deste treinamento, os participantes serão capazes de:
- Treine, exporte e sirva vários modelos TensorFlow
- Teste e implemente algoritmos usando uma arquitetura única e um conjunto de APIs
- Estenda o TensorFlow Serving para atender outros tipos de modelos além dos modelos do TensorFlow
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
21 horas
Visão geral
O TensorFlow é um API de segunda geração da biblioteca de software de código aberto do Google para o Deep Learning.
O sistema é desenhado para facilitar a pesquisa em machine learning e para tornar facil e rapido a transição do prototipo de pesquisa ao sistema de produção.
Público:
Este curso é dirigido a todos aqueles engeheiros que buscam utilizar o TensorFlow para seus projetos de Deep Learning, já sejam pessoais ou laborais.
Depois de completar o Curso, os participantes poderão:
- Entender a estrutura do TensorFlow e os seus mecanismos.
- poderão fazer a instalação do ambiente de produççao no programa
- Poderão entender e monitorar a qualidade do código esrito.
- Imlementar modelos avançados de treinamento, raficos e logging.
O sistema é desenhado para facilitar a pesquisa em machine learning e para tornar facil e rapido a transição do prototipo de pesquisa ao sistema de produção.
Público:
Este curso é dirigido a todos aqueles engeheiros que buscam utilizar o TensorFlow para seus projetos de Deep Learning, já sejam pessoais ou laborais.
Depois de completar o Curso, os participantes poderão:
- Entender a estrutura do TensorFlow e os seus mecanismos.
- poderão fazer a instalação do ambiente de produççao no programa
- Poderão entender e monitorar a qualidade do código esrito.
- Imlementar modelos avançados de treinamento, raficos e logging.
28 horas
Visão geral
Este curso explora com exemplo específicos a aplicação do TensorFlow para os propósitos do reconhecimento de imagem.
Este cuso é dirigido à engenheiros que buscam utilizar o TensorFlow para os propósitos de reconhecimento de imagem.
Os participantes que tomem este curso aprenderão:
- Entender a estrutura e mecanismos do TensorFlow
- Instalar e produzir e produzir no ambiente do programa.
- Implementar treinamento avançado, modedlos de construçao de graficos e logging.
Este cuso é dirigido à engenheiros que buscam utilizar o TensorFlow para os propósitos de reconhecimento de imagem.
Os participantes que tomem este curso aprenderão:
- Entender a estrutura e mecanismos do TensorFlow
- Instalar e produzir e produzir no ambiente do programa.
- Implementar treinamento avançado, modedlos de construçao de graficos e logging.
21 horas
Visão geral
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 horas
Visão geral
Torch é uma biblioteca de aprendizado de máquina de código aberto e uma estrutura de computação científica baseada na Lua programação Lua . Ele fornece um ambiente de desenvolvimento para números, aprendizado de máquina e visão computacional, com ênfase especial em aprendizado profundo e redes convolucionais. É um dos frameworks mais rápidos e flexíveis para Machine e Deep Learning e é usado por empresas como Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel e muitos outros.
Neste treinamento ao vivo, ministrado por instrutor, abordamos os princípios do Torch , seus recursos exclusivos e como ele pode ser aplicado em aplicativos do mundo real. Percorremos vários exercícios práticos o tempo todo, demonstrando e praticando os conceitos aprendidos.
Ao final do curso, os participantes terão uma compreensão completa dos recursos e capacidades subjacentes do Torch , bem como seu papel e contribuição no espaço da IA em comparação com outras estruturas e bibliotecas. Os participantes também terão recebido a prática necessária para implementar o Torch em seus próprios projetos.
Formato do Curso
- Visão Geral da Máquina e Deep Learning
- Exercícios de codificação e integração em sala de aula
- Perguntas de teste espalhadas pelo caminho para verificar a compreensão
Neste treinamento ao vivo, ministrado por instrutor, abordamos os princípios do Torch , seus recursos exclusivos e como ele pode ser aplicado em aplicativos do mundo real. Percorremos vários exercícios práticos o tempo todo, demonstrando e praticando os conceitos aprendidos.
Ao final do curso, os participantes terão uma compreensão completa dos recursos e capacidades subjacentes do Torch , bem como seu papel e contribuição no espaço da IA em comparação com outras estruturas e bibliotecas. Os participantes também terão recebido a prática necessária para implementar o Torch em seus próprios projetos.
Formato do Curso
- Visão Geral da Máquina e Deep Learning
- Exercícios de codificação e integração em sala de aula
- Perguntas de teste espalhadas pelo caminho para verificar a compreensão
7 horas
Visão geral
A Unidade de Processamento Tensor (TPU) é a arquitetura que o Google usa internamente há vários anos, e só agora está se tornando disponível para uso pelo público em geral Ele inclui várias otimizações especificamente para uso em redes neurais, incluindo multiplicação de matriz simplificada e inteiros de 8 bits em vez de 16 bits para retornar níveis de precisão apropriados Neste treinamento presencial instruído, os participantes aprenderão como aproveitar as inovações dos processadores TPU para maximizar o desempenho de seus próprios aplicativos de inteligência artificial No final do treinamento, os participantes serão capazes de: Treinar vários tipos de redes neurais em grandes quantidades de dados Use TPUs para acelerar o processo de inferência em até duas ordens de magnitude Utilize TPUs para processar aplicativos intensivos, como pesquisa de imagens, visão em nuvem e fotos Público Desenvolvedores Pesquisadores Engenheiros Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
35 horas
Visão geral
TensorFlow ™ é uma biblioteca de software de código aberto para computação numérica usando gráficos de fluxo de dados SyntaxNet é uma estrutura de processamento de linguagem natural neuralnetwork para o TensorFlow O Word2Vec é usado para aprender representações vetoriais de palavras, chamadas de "incorporação de palavras" O Word2vec é um modelo preditivo particularmente eficiente em termos de computação para o aprendizado de incorporação de palavras a partir de texto bruto Ele vem em dois sabores, o modelo contínuo BagofWords (CBOW) e o modelo SkipGram (Capítulo 31 e 32 em Mikolov et al) Usado em conjunto, o SyntaxNet e o Word2Vec permitem que os usuários gerem modelos de Embutimento Aprendizado a partir da entrada da Linguagem Natural Público Este curso destina-se a desenvolvedores e engenheiros que pretendem trabalhar com os modelos SyntaxNet e Word2Vec em seus gráficos TensorFlow Depois de concluir este curso, os delegados irão: entender a estrutura e os mecanismos de implantação do TensorFlow ser capaz de realizar tarefas de instalação / ambiente de produção / arquitetura e configuração ser capaz de avaliar a qualidade do código, executar a depuração, monitoramento ser capaz de implementar a produção avançada, como modelos de treinamento, incorporação de termos, construção de gráficos e registros .
35 horas
Visão geral
Este curso começa com o fornecimento de conhecimento conceitual em redes neurais e, geralmente, em algoritmo de aprendizado de máquina, aprendizado profundo (algoritmos e aplicativos).
A parte 1 (40%) deste treinamento é mais focada nos fundamentos, mas ajudará você a escolher a tecnologia certa: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
A parte 2 (20%) deste treinamento apresenta o Theano - uma biblioteca python que facilita a escrita de modelos de aprendizado profundo.
Parte 3 (40%) do treinamento seria extensivamente baseada no Tensorflow - API de 2ª geração da biblioteca de software de código aberto da Go ogle para Deep Learning . Os exemplos e handson seriam todos feitos no TensorFlow .
Público
Este curso é destinado a engenheiros que procuram usar o TensorFlow em seus projetos de Deep Learning
Após a conclusão deste curso, os delegados:
-
ter um bom entendimento sobre redes neurais profundas (DNN), CNN e RNN
-
entender a estrutura e os mecanismos de implantação do TensorFlow
-
ser capaz de executar tarefas de instalação / ambiente de produção / arquitetura e configuração
-
ser capaz de avaliar a qualidade do código, executar depuração, monitoramento
-
ser capaz de implementar produção avançada, como modelos de treinamento, construção de gráficos e registro
A parte 1 (40%) deste treinamento é mais focada nos fundamentos, mas ajudará você a escolher a tecnologia certa: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
A parte 2 (20%) deste treinamento apresenta o Theano - uma biblioteca python que facilita a escrita de modelos de aprendizado profundo.
Parte 3 (40%) do treinamento seria extensivamente baseada no Tensorflow - API de 2ª geração da biblioteca de software de código aberto da Go ogle para Deep Learning . Os exemplos e handson seriam todos feitos no TensorFlow .
Público
Este curso é destinado a engenheiros que procuram usar o TensorFlow em seus projetos de Deep Learning
Após a conclusão deste curso, os delegados:
-
ter um bom entendimento sobre redes neurais profundas (DNN), CNN e RNN
-
entender a estrutura e os mecanismos de implantação do TensorFlow
-
ser capaz de executar tarefas de instalação / ambiente de produção / arquitetura e configuração
-
ser capaz de avaliar a qualidade do código, executar depuração, monitoramento
-
ser capaz de implementar produção avançada, como modelos de treinamento, construção de gráficos e registro
14 horas
Visão geral
Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 horas
Visão geral
Este curso fornecerá conhecimento em redes neurais e, geralmente, em algoritmo de aprendizado de máquina, aprendizado profundo (algoritmos e aplicativos).
Este treinamento é mais focado nos fundamentos, mas ajudará você a escolher a tecnologia certa: TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Os exemplos são feitos no TensorFlow .
Este treinamento é mais focado nos fundamentos, mas ajudará você a escolher a tecnologia certa: TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Os exemplos são feitos no TensorFlow .
21 horas
Visão geral
Este curso abrange AI (enfatizando Machine Learning e Deep Learning )
Próximos Cursos de DL (Deep Learning)
2021-02-16 09:30:00
21 horas
2021-03-15 09:30:00
21 horas
2021-03-15 09:30:00
21 horas
2021-03-22 09:30:00
21 horas
2021-03-30 09:30:00
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)