Cursos de Redes Neurais (Neural Networks), uma rede inspirada por redes neurais biológicas, demonstram através de discussões interativas e prática prática como construir Redes Neurais usando um grande número de kits de ferramentas e bibliotecas de código aberto, bem como utilizar o poder de hardware avançado (GPUs) e técnicas de otimização envolvendo computação distribuída e big data. Nossos cursos de Rede Neural são baseados em linguagens de programação populares, como Python, Java, linguagem R e bibliotecas poderosas, incluindo TensorFlow, Torch, Caffe, Theano e muito mais Nossos cursos de Redes Neurais abrangem tanto a teoria quanto a implementação usando diversas implementações de redes neurais, como Redes Neurais Profundas (DNN), Redes Neurais Convolucionais (CNN) e Redes Neurais Recorrentes (RNN). O treinamento da Rede Neural 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
Ann criou um ótimo ambiente para fazer perguntas e aprender. Nós nos divertimos muito e também aprendemos muito ao mesmo tempo.
Gudrun Bickelq
Curso: Introduction to the use of neural networks
Machine Translated
A parte interativa, adaptada às nossas necessidades específicas.
Thomas Stocker
Curso: Introduction to the use of neural networks
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
O treinador explicou muito facilmente tópicos difíceis e avançados.
Leszek K
Curso: Artificial Intelligence Overview
Machine Translated
Eu gostei dos novos insights em deep machine learning.
Josip Arneric
Curso: Neural Network in R
Machine Translated
Ganhamos algum conhecimento sobre o NN em geral, e o que foi mais interessante para mim foram os novos tipos de NN que são populares hoje em dia.
Tea Poklepovic
Curso: Neural Network in R
Machine Translated
Eu gostei principalmente dos gráficos em R :))).
Faculty of Economics and Business Zagreb
Curso: Neural Network in R
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
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
muitos exercícios que posso usar diretamente no meu trabalho.
Alior Bank S.A.
Curso: Sieci Neuronowe w R
Machine Translated
Exemplos de dados reais.
Alior Bank S.A.
Curso: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC em um loop.
Alior Bank S.A.
Curso: Sieci Neuronowe w R
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
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
O instrutor era um profissional no campo e na teoria relacionada, com aplicação excelente
Fahad Malalla - Tatweer Petroleum
Curso: Applied AI from Scratch in Python
Machine Translated
Nossos Clientes
.png "iberoamericana de hidrocarburos (ihsa)")
.jpg "european southern observatory (eso)")
_ireland.gif "environmental protection agency (epa) ireland")
Subcategorias Redes Neurais
Programas do curso Redes Neurais
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.
21 horas
Visão geral
Mecatrônica (também conhecida como engenharia mecatrônica) é uma combinação de mecânica, eletrônica e ciência da computação.
Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a engenheiros que desejam aprender sobre a aplicabilidade da inteligência artificial em sistemas mecatrônicos.
No final deste treinamento, os participantes serão capazes de:
- Obtenha uma visão geral da inteligência artificial, aprendizado de máquina e inteligência computacional.
- Compreender os conceitos de redes neurais e diferentes métodos de aprendizagem.
- Escolha abordagens de inteligência artificial de forma eficaz para problemas da vida real.
- Implementar aplicativos de IA em engenharia mecatrônica.
Formato do Curso
- Palestra interativa e discussão.
- Muitos exercícios e prática.
- Implementação prática em um ambiente de laboratório ao vivo.
Opções de personalização de curso
- Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.
Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a engenheiros que desejam aprender sobre a aplicabilidade da inteligência artificial em sistemas mecatrônicos.
No final deste treinamento, os participantes serão capazes de:
- Obtenha uma visão geral da inteligência artificial, aprendizado de máquina e inteligência computacional.
- Compreender os conceitos de redes neurais e diferentes métodos de aprendizagem.
- Escolha abordagens de inteligência artificial de forma eficaz para problemas da vida real.
- Implementar aplicativos de IA em engenharia mecatrônica.
Formato do Curso
- Palestra interativa e discussão.
- Muitos exercícios e prática.
- Implementação prática em um ambiente de laboratório ao vivo.
Opções de personalização de curso
- Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.
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 .
7 horas
Visão geral
Snorkel é um sistema para criar, modelar e gerenciar rapidamente dados de treinamento Ele se concentra na aceleração do desenvolvimento de aplicativos de extração de dados estruturados ou "escuros" para domínios nos quais grandes conjuntos de treinamento rotulados não estão disponíveis ou são fáceis de obter Neste treinamento presencial instruído, os participantes aprenderão técnicas para extrair valor de dados não estruturados, como texto, tabelas, figuras e imagens, através da modelagem de dados de treinamento com o Snorkel No final deste treinamento, os participantes serão capazes de: Criar programaticamente conjuntos de treinamento para permitir a rotulagem de conjuntos de treinamento massivos Treinar modelos de alta qualidade final modelando primeiro conjuntos de treinamento barulhentos Use o Snorkel para implementar técnicas de supervisão fracas e aplicar a programação de dados a sistemas de aprendizado de máquina supervisionados de forma fraca Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
14 horas
Visão geral
Este curso é uma introdução à aplicação de redes neurais em problemas reais usando o software R-project.
14 horas
Visão geral
A recommender system is an information filtering process that predicts the user's preferences. Python can be used to program deep learning, machine learning, and neural network recommender systems to help users discover new products and content.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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 Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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
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 .
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.
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
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 .
7 horas
Visão geral
O treinamento é destinado a pessoas que querem aprender o básico das redes neurais e suas aplicações.
21 horas
Visão geral
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 .
14 horas
Visão geral
Neste treinamento ao vivo, ministrado por instrutor, os participantes aprenderão como usar o Matlab para projetar, construir e visualizar uma rede neural convolucional para reconhecimento de imagem.
Ao final deste treinamento, os participantes serão capazes de:
- Construa um modelo de aprendizado profundo
- Automatize a rotulagem de dados
- Trabalhar com modelos da Caffe e TensorFlow - Keras
- Treine dados usando várias GPU , a nuvem ou clusters
Público
- Desenvolvedores
- Engenheiros
- Especialistas em domínio
Formato do curso
- Parte palestra, parte discussão, exercícios e prática prática pesada
Ao final deste treinamento, os participantes serão capazes de:
- Construa um modelo de aprendizado profundo
- Automatize a rotulagem de dados
- Trabalhar com modelos da Caffe e TensorFlow - Keras
- Treine dados usando várias GPU , a nuvem ou clusters
Público
- Desenvolvedores
- Engenheiros
- Especialistas em domínio
Formato do curso
- Parte palestra, parte discussão, exercícios e prática prática pesada
7 horas
Visão geral
Este curso foi criado para administradores, solution architects, executivos de inovação, CTOs, e todos os interessados em aprender e conhecer o panorama geral da inteligência artificial aplicada aos problemas organizacionais.
21 horas
Visão geral
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.
14 horas
Visão geral
Encog é uma estrutura de aprendizado de máquina de código aberto para Java eNet Neste treinamento ao vivo instrutor, os participantes aprenderão como criar vários componentes de rede neural usando o ENCOG Os estudos de caso do Realworld serão discutidos e as soluções baseadas em linguagem de máquina para esses problemas serão exploradas No final deste treinamento, os participantes serão capazes de: Prepare dados para redes neurais usando o processo de normalização Implementar redes de feed forward e metodologias de treinamento de propagação Implementar tarefas de classificação e regressão Modelar e treinar redes neurais usando a bancada de trabalho baseada em GUI do Encog Integre o suporte a redes neurais em aplicativos do mundo real Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
14 horas
Visão geral
Encog é uma estrutura de aprendizado de máquina de código aberto para Java eNet Neste treinamento presencial instruído, os participantes aprenderão técnicas avançadas de aprendizado de máquina para a construção de modelos preditivos precisos de redes neurais No final deste treinamento, os participantes serão capazes de: Implementar diferentes técnicas de otimização de redes neurais para resolver o mau ajuste e o superajuste Entenda e escolha entre várias arquiteturas de redes neurais Implementar redes supervisionadas de feed forward e feedback Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .
21 horas
Visão geral
Aprendizado por Reforço Profundo refere-se à habilidade de um "agente artificial" de aprender por tentativa e erro e recompensas e punições. Um agente artificial tem como objetivo imitar a capacidade de um humano de obter e construir conhecimento por conta própria, diretamente de insumos brutos, como a visão. Para realizar aprendizado por reforço, aprendizado profundo e redes neurais são usados. O aprendizado por reforço é diferente do aprendizado de máquina e não depende de abordagens de aprendizado supervisionadas e não supervisionadas.
Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão os fundamentos do Aprendizado por Reforço Profundo à medida que avançam na criação de um Agente de Deep Learning .
No final deste treinamento, os participantes serão capazes de:
- Entenda os principais conceitos por trás do Aprendizado por Reforço Profundo e seja capaz de distingui-lo do Machine Learning
- Aplicar algoritmos avançados de Aprendizado por Reforço para resolver problemas do mundo real
- Construa um agente de Deep Learning
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 os fundamentos do Aprendizado por Reforço Profundo à medida que avançam na criação de um Agente de Deep Learning .
No final deste treinamento, os participantes serão capazes de:
- Entenda os principais conceitos por trás do Aprendizado por Reforço Profundo e seja capaz de distingui-lo do Machine Learning
- Aplicar algoritmos avançados de Aprendizado por Reforço para resolver problemas do mundo real
- Construa um agente de Deep Learning
Público
- Desenvolvedores
- Cientistas de dados
Formato do curso
- Palestra parcial, parte discussão, exercícios e prática prática
21 horas
Visão geral
Este curso ao vivo ministrado por instrutor fornece uma introdução ao campo de reconhecimento de padrões e aprendizado de máquina. Ele aborda aplicações práticas em estatística, ciência da computação, processamento de sinais, visão computacional, mineração de dados e bioinformática.
O curso é interativo e inclui muitos exercícios práticos, feedback de instrutores e testes de conhecimento e habilidades adquiridas.
O curso é interativo e inclui muitos exercícios práticos, feedback de instrutores e testes de conhecimento e habilidades adquiridas.
21 horas
Visão geral
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.
14 horas
Visão geral
Este curso de treinamento é para pessoas que gostariam de aplicar o Machine Learning de forma pratica, o objetivo do treinamento é fornecer as ferramentas essenciais para a aplicaçao pratica e cotidiana dos conhecimentos em Machine Learning.
É um curso que vai dirigido à cientístas de dados e estatísticos que tem alguma familiarização com estatísticas e como programar em R (ou Python ou outra linguagem a sua escolha). A enfase deste curso é em aspectos práticos da preparação do modelo de dadosm execução, análise post hoc e visualização.
É um curso que vai dirigido à cientístas de dados e estatísticos que tem alguma familiarização com estatísticas e como programar em R (ou Python ou outra linguagem a sua escolha). A enfase deste curso é em aspectos práticos da preparação do modelo de dadosm execução, análise post hoc e visualização.
28 horas
Visão geral
Este é um curso de 4 dias que introduz a IA e sua aplicação usando a Python programação Python . Existe a opção de ter um dia adicional para realizar um projeto de IA ao concluir este curso.
28 horas
Visão geral
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 horas
Visão geral
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.
35 horas
Visão geral
Este curso é criado para pessoas que nao tem nenhuma experiência com probabilidade e estatística, e o objetivo é proporcionar todas as ferramentas sumamente necessárias para que os participates tenham as capacidades e conhecimentos iniciais estatísticos e probabilísticos para enfrentar os problemas organizacionais.
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
Cursos de fim de semana de Redes Neurais, Treinamento tardiurno de Redes Neurais, Treinamento em grupo de Redes Neurais, Redes Neurais guiado por instrutor, Treinamento de Redes Neurais de fim de semana, Cursos de Redes Neurais tardiurnos, coaching de Redes Neurais, Instrutor de Redes Neurais, Treinador de Redes Neurais, Cursos de treinamento de Redes Neurais, Aulas de Redes Neurais, Redes Neurais no local do cliente, Cursos privados de Redes Neurais, Treinamento individual de Redes NeuraisCursos de fim de semana de Neural Networks, Treinamento tardiurno de Neural Networks, Treinamento em grupo de Neural Networks, Neural Networks guiado por instrutor, Treinamento de Neural Networks de fim de semana, Cursos de Neural Networks tardiurnos, coaching de Neural Networks, Instrutor de Neural Networks, Treinador de Neural Networks, Cursos de treinamento de Neural Networks, Aulas de Neural Networks, Neural Networks no local do cliente, Cursos privados de Neural Networks, Treinamento individual de Neural Networks