Онлайн или на място, водени от инструктори на живо обучителни курсове по Deep Learning (DL) демонстрират чрез практическа практика основите и приложенията на Deep Learning и обхващат теми като дълбоко машинно обучение, дълбоко структурирано обучение и йерархично обучение. Обучението по задълбочено обучение се предлага като „онлайн обучение на живо“ или „обучение на живо на място“. Онлайн обучението на живо (известно още като „дистанционно обучение на живо“) се извършва чрез интерактивен отдалечен работен плот . Обучението на живо на място може да се проведе локално в помещенията на клиента в България или в корпоративните центрове за обучение на NobleProg в България. NobleProg -- Вашият местен доставчик на обучение
Machine Translated
Oтзиви от потребители
Поддържайки го кратко и просто. Създаване на интуиция и визуални модели около концепциите (графика на дървото на решенията, линейни уравнения, ръчно изчисляване на y_pred, за да се докаже как работи моделът).
Nicolae - Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
Помогна ми да постигна целта си да разбера ML. Много уважение към Пабло за правилното въведение в тази тема, тъй като става очевидно след 3 дни обучение колко обширна е тази тема. Също така се насладих МНОГО на идеята за виртуални машини, които предоставихте, които имаха много добра латентност! Това позволи на всеки курсан да прави експерименти със собствено темпо.
Silviu - Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
Пабло е страхотен треньор! Неговият стил на преподаване е забавен и лесен за следване. Той обясни сложни теми по разбираем начин и отдели време, за да прегледа подробности и да предложи практически примери. Той отговори на всеки въпрос, дори и на тези извън общия обхват на курса. Той подготви примери, упражнения, учебни материали и успя да побере голямо количество информация само за 3 дни. Определено бих участвал в друг курс, преподаван от него.
Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
Атмосферата, знанието и отношението на trainor
Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
Deep Learning Course Outlines
Име на Kурса
Продължителност
Общ преглед
Име на Kурса
Продължителност
Общ преглед
21 hours
Stable Diffusion е мощен модел за дълбоко обучение, който може да генерира подробни изображения въз основа на текстови описания.Това водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни на средно до напреднало ниво, инженери по машинно обучение, изследователи в дълбоко обучение и експерти по компютърно зрение, които желаят да разширят знанията и уменията си в дълбокото обучение за текст-към - генериране на изображение.До края на това обучение участниците ще могат:
- Разберете усъвършенствани архитектури за дълбоко обучение и техники за генериране на текст към изображение. Внедрете сложни модели и оптимизации за висококачествен синтез на изображения. Оптимизирайте производителността и скалируемостта за големи набори от данни и сложни модели. Настройте хиперпараметрите за по-добра производителност и обобщение на модела. Интегрирайте Stable Diffusion с други рамки и инструменти за дълбоко обучение.
- Интерактивна лекция и дискусия. Много упражнения и практика. Практическо внедряване в лабораторна среда на живо.
- За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.
21 hours
DeepSpeed е библиотека за оптимизиране на дълбоко обучение, която улеснява мащабирането на модели за дълбоко обучение на разпределен хардуер. Разработено от Microsoft, DeepSpeed се интегрира с PyTorch, за да осигури по-добро мащабиране, по-бързо обучение и подобрено използване на ресурсите.Това водено от инструктор обучение на живо (онлайн или на място) е насочено към начинаещи до средно ниво на учени за данни и инженери по машинно обучение, които желаят да подобрят ефективността на своите модели за дълбоко обучение.До края на това обучение участниците ще могат:
- Разберете принципите на разпределеното задълбочено обучение. Инсталирайте и конфигурирайте DeepSpeed. Мащабирайте модели за дълбоко обучение върху разпределен хардуер с помощта на DeepSpeed. Внедрете и експериментирайте с функциите на DeepSpeed за оптимизиране и ефективност на паметта.
- Интерактивна лекция и дискусия. Много упражнения и практика. Практическо внедряване в лабораторна среда на живо.
- За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.
7 hours
AlphaFold е система, която извършва прогнозата на протеинови структури. Той е разработен от Alphabet’s/Google’s DeepMind като система за дълбоко учене, която може точно да предскаже 3D модели на протеинови структури.
Това обучение, ръководено от инструктори, е насочено към биолози, които искат да разберат как AlphaFold работят и използват AlphaFold модели като ръководители в експерименталните си проучвания.
В края на обучението участниците ще могат да:
-
Разберете основните принципи на AlphaFold.
Научете как действа AlphaFold.
Научете как да тълкувате AlphaFold прогнози и резултати.
-
Интерактивна лекция и дискусия.
Много упражнения и упражнения.
Изпълнение на ръката в живо лабораторна среда.
-
За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.
21 hours
Stable Diffusion е мощен модел за дълбоко обучение, който може да генерира подробни изображения въз основа на текстови описания.Това водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни, инженери по машинно обучение и изследователи на компютърно зрение, които желаят да използват Stable Diffusion за генериране на висококачествени изображения за различни случаи на употреба.До края на това обучение участниците ще могат:
- Разберете принципите на Stable Diffusion и как работи за генериране на изображения. Изградете и обучете Stable Diffusion модели за задачи за генериране на изображения. Приложете Stable Diffusion към различни сценарии за генериране на изображения, като вписване, изрисуване и превод от изображение към изображение. Оптимизирайте производителността и стабилността на Stable Diffusion модели.
- Интерактивна лекция и дискусия. Много упражнения и практика. Практическо внедряване в лабораторна среда на живо.
- За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.
21 hours
In this instructor-led, live training in България, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data.
By the end of this training, participants will be able to:
- Implement machine learning algorithms and techniques for solving complex problems.
- Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
- Push Python algorithms to their maximum potential.
- Use libraries and packages such as NumPy and Theano.
21 hours
Deep Reinforcement Learning се отнася до способността на "изкуствен агент" да се учи чрез проба-грешка и награди и наказания. Изкуствен агент има за цел да подражава на човешката способност да получава и конструира знания сам, директно от сурови входящи данни, като например зрение. За реализиране на обучение с подсилване се използват дълбоко обучение и невронни мрежи. Обучението с подсилване е различно от машинното обучение и не разчита на подходи за контролирано и неконтролирано обучение.Това водено от инструктор обучение на живо (онлайн или на място) е насочено към разработчици и специалисти по данни, които искат да научат основите на Deep Reinforcement Learning, докато преминават през създаването на Deep Learning агент.До края на това обучение участниците ще могат:
- Разберете ключовите концепции зад Deep Reinforcement Learning и можете да го разграничите от Machine Learning. Прилагайте усъвършенствани Reinforcement Learning алгоритми за решаване на проблеми от реалния свят. Създайте Deep Learning агент.
- Интерактивна лекция и дискусия. Много упражнения и практика. Практическо внедряване в лабораторна среда на живо.
- За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.
28 hours
Машинното обучение е отрасъл на изкуствения интелект, в който компютрите имат способността да учат, без да бъдат изрично програмирани.
Дълбокото обучение е подполе на машинното обучение, което използва методи, базирани на представления и структури на данни за учене, като например невронни мрежи.
Python е високо ниво на програмиране език, известен със своята ясна синтеза и четене на кодове.
В това обучение, ръководено от инструктори, участниците ще научат как да внедряват модели за дълбоко обучение за телекомуникации, като стъпват през създаването на модел за дълбоко обучение кредитен риск.
В края на обучението участниците ще могат да:
-
Разберете основните понятия за дълбоко учене.
Научете приложенията и приложенията на дълбокото обучение в телекомуникациите.
Използвайте Python, Keras и TensorFlow, за да създадете модели за дълбоко обучение за телекомуникации.
Изградете своя собствен модел за предсказване на дълбокото обучение на клиента, като използвате Python.
-
Интерактивна лекция и дискусия.
Много упражнения и упражнения.
Изпълнение на ръката в живо лабораторна среда.
-
За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.
14 hours
Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow.
This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project.
By the end of this training, participants will be able to:
- Explore how data is being interpreted by machine learning models
- Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it
- Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals.
- Explore the properties of a specific embedding to understand the behavior of a model
- Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
Artificial Neural Network is a computational data model used in the development of Artificial Intelligence (AI) systems capable of performing "intelligent" tasks. Neural Networks are commonly used in Machine Learning (ML) applications, which are themselves one implementation of AI. Deep Learning is a subset of ML.
21 hours
This course is general overview for Deep Learning without going too deep into any specific methods. It is suitable for people who want to start using Deep learning to enhance their accuracy of prediction.
21 hours
Artificial Neural Network is a computational data model used in the development of Artificial Intelligence (AI) systems capable of performing "intelligent" tasks. Neural Networks are commonly used in Machine Learning (ML) applications, which are themselves one implementation of AI. Deep Learning is a subset of ML.
28 hours
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.
21 hours
Caffe is a deep learning framework made with expression, speed, and modularity in mind.
This course explores the application of Caffe as a Deep learning framework for image recognition using MNIST as an example
Audience
This course is suitable for Deep Learning researchers and engineers interested in utilizing Caffe as a framework.
After completing this course, delegates will be able to:
- understand Caffe’s structure and deployment mechanisms
- carry out installation / production environment / architecture tasks and configuration
- assess code quality, perform debugging, monitoring
- implement advanced production like training models, implementing layers and logging
21 hours
Audience
This course is suitable for Deep Learning researchers and engineers interested in utilizing available tools (mostly open source) for analyzing computer images
This course provide working examples.
14 hours
Този курс обхваща AI (инфазиране Machine Learning и Deep Learning) в Automotive Индустрия. Той помага да се определи каква технология може (потенциално) да се използва в много ситуации в автомобила: от проста автоматизация, разпознаване на изображенията до автономно вземане на решения.
21 hours
This course covers AI (emphasizing Machine Learning and Deep Learning)
14 hours
В това обучение на живо, водено от инструктор, ние разглеждаме принципите на невронните мрежи и използваме OpenNN, за да реализираме примерно приложение.Формат на курсаЛекция и дискусия, съчетани с практически упражнения.
7 hours
In this instructor-led, live training, participants will learn how to set up and use OpenNMT to carry out translation of various sample data sets. The course starts with an overview of neural networks as they apply to machine translation. Participants will carry out live exercises throughout the course to demonstrate their understanding of the concepts learned and get feedback from the instructor.
By the end of this training, participants will have the knowledge and practice needed to implement a live OpenNMT solution.
Source and target language samples will be pre-arranged per the audience's requirements.
- Part lecture, part discussion, heavy hands-on practice
21 hours
Artificial intelligence has revolutionized a large number of economic sectors (industry, medicine, communication, etc.) after having upset many scientific fields. Nevertheless, his presentation in the major media is often a fantasy, far removed from what really are the fields of Machine Learning or Deep Learning. The aim of this course is to provide engineers who already have a master's degree in computer tools (including a software programming base) an introduction to Deep Learning as well as to its various fields of specialization and therefore to the main existing network architectures today. If the mathematical bases are recalled during the course, a level of mathematics of type BAC + 2 is recommended for more comfort. It is absolutely possible to ignore the mathematical axis in order to maintain only a "system" vision, but this approach will greatly limit your understanding of the subject.
7 hours
В това обучение, ръководено от инструктори, участниците ще научат как да използват Facebook NMT (Fairseq) за извършване на превод на съдържание на проба.
До края на обучението участниците ще имат необходимите знания и практика за прилагане на живо решение за машинно превод на базата на Fairseq.
Формат на курса
-
Частна лекция, частна дискусия, тежка практика
-
Ако искате да използвате специфичен източник и съдържание на целевия език, моля, свържете се с нас, за да организирате.
21 hours
Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks.
In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such as data, speech, text, and images.
By the end of this training, participants will be able to:
- Access CNTK as a library from within a Python, C#, or C++ program
- Use CNTK as a standalone machine learning tool through its own model description language (BrainScript)
- Use the CNTK model evaluation functionality from a Java program
- Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs)
- Scale computation capacity on CPUs, GPUs and multiple machines
- Access massive datasets using existing programming languages and algorithms
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
- If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange.
21 hours
PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.
In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.
By the end of this training, participants will be able to:
- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
7 hours
In this instructor-led, live training, participants will learn how to use DSSTNE to build a recommendation application.
By the end of this training, participants will be able to:
- Train a recommendation model with sparse datasets as input
- Scale training and prediction models over multiple GPUs
- Spread out computation and storage in a model-parallel fashion
- Generate Amazon-like personalized product recommendations
- Deploy a production-ready application that can scale at heavy workloads
- Part lecture, part discussion, exercises and heavy hands-on practice
7 hours
Tensor2Tensor (T2T) is a modular, extensible library for training AI models in different tasks, using different types of training data, for example: image recognition, translation, parsing, image captioning, and speech recognition. It is maintained by the Google Brain team.
In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks.
By the end of this training, participants will be able to:
- Install tensor2tensor, select a data set, and train and evaluate an AI model
- Customize a development environment using the tools and components included in Tensor2Tensor
- Create and use a single model to concurrently learn a number of tasks from multiple domains
- Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited
- Obtain satisfactory processing results using a single GPU
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google's FaceNet research.
In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.
By the end of this training, participants will be able to:
- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
21 hours
In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application.
By the end of this training, participants will be able to:
- Understand and implement unsupervised learning techniques
- Apply clustering and classification to make predictions based on real world data.
- Visualize data to quicly gain insights, make decisions and further refine analysis.
- Improve the performance of a machine learning model using hyper-parameter tuning.
- Put a model into production for use in a larger application.
- Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.
14 hours
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
- Developers
- Engineers
- Domain experts
- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
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. R is a popular programming language in the financial industry. It is used in financial applications ranging from core trading programs to risk management systems.
In this instructor-led, live training, participants will learn how to implement deep learning models for finance using R as they step through the creation of a deep learning stock price prediction 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 finance
- Use R to create deep learning models for finance
- Build their own deep learning stock price prediction model using R
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
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
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
28 hours
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. R is a popular programming language in the financial industry. It is used in financial applications ranging from core trading programs to risk management systems.
In this instructor-led, live training, participants will learn how to implement deep learning models for banking using R 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 R to create deep learning models for banking
- Build their own deep learning credit risk model using R
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
Last Updated:
Other countries
Consulting
Online Deep Learning courses, Weekend Deep Learning courses, Evening Deep Learning training, Deep Learning boot camp, Deep Learning instructor-led, Weekend Deep Learning training, Evening Deep Learning courses, Deep Learning coaching, Deep Learning instructor, Deep Learning trainer, Deep Learning training courses, Deep Learning classes, Deep Learning on-site, Deep Learning private courses, Deep Learning one on one training
