Les formations Deep Learning

Les formations Deep Learning

Formations Deep machine learning, deep structured learning, hierarchical learning, DL. Les techniques liées au Deep Learning ont amené des progrès importants et rapides dans plusieurs domaines: l'analyse du signal sonore ou visuel (reconnaissance faciale, reconnaissance vocale, vision par ordinateur, traitement automatisé du langage).

Nos Clients témoignent

★★★★★
★★★★★

Sous-catégories Deep Learning

Plans de cours Deep Learning

Title
Duration
Overview
Title
Duration
Overview
14 hours
Overview
Ce cours couvre l'IA (mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans l'industrie automobile Il aide à déterminer quelle technologie peut (potentiellement) être utilisée dans une situation multiple dans une voiture: de l'automatisation simple, de la reconnaissance d'image à la prise de décision autonome .
21 hours
Overview
Dans cette formation en direct, les participants apprendront des techniques avancées d'apprentissage automatique avec R tout en progressant dans la création d'une application Realworld À la fin de cette formation, les participants seront en mesure de: Utiliser des techniques comme l'accord hyperparamétrique et l'apprentissage profond Comprendre et mettre en œuvre des techniques d'apprentissage non supervisées Mettez un modèle en production pour l'utiliser dans une application plus grande Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Overview
Ce cours couvre l'IA (en insistant sur l'apprentissage automatique et l'apprentissage profond) .
28 hours
Overview
Ce cours vous donnera des connaissances dans les réseaux de neurones et généralement dans l'algorithme d'apprentissage automatique, l'apprentissage en profondeur (algorithmes et applications) Cette formation est plus axée sur les fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc Les exemples sont faits dans TensorFlow .
14 hours
Overview
Cette séance de formation en classe contiendra des présentations et des exemples informatiques et des exercices d'étude de cas à entreprendre avec les bibliothèques de neurones et de réseaux profonds pertinents .
14 hours
Overview
OpenFace est un logiciel de reconnaissance faciale opensource basé sur Python et Torch basé sur la recherche FaceNet de Google Dans cette formation en ligne, les participants apprendront à utiliser les composants OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale À la fin de cette formation, les participants seront en mesure de: Travaillez avec les composants OpenFace, notamment dlib, OpenVC, Torch et nn4 pour implémenter la détection, l'alignement et la transformation des visages Appliquer OpenFace aux applications realworld telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification des clients réguliers, etc Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
7 hours
Overview
OpenNMT est un système de traduction automatique à base de neurones opensource (MIT) qui utilise la boîte à outils mathématique de Torch Dans cette formation, les participants apprendront comment configurer et utiliser OpenNMT pour effectuer la traduction de divers exemples de données Le cours commence par un aperçu des réseaux de neurones tels qu'ils s'appliquent à la traduction automatique Les participants effectueront des exercices en direct tout au long du cours pour démontrer leur compréhension des concepts appris et obtenir des commentaires de l'instructeur À la fin de cette formation, les participants auront les connaissances et la pratique nécessaires pour mettre en œuvre une solution OpenNMT en direct Les échantillons de langue source et cible seront pré-arrangés selon les besoins de l'auditoire Public Spécialistes de la localisation avec un bagage technique Les gestionnaires de contenu globaux Ingénieurs de localisation Les développeurs de logiciels en charge de la mise en œuvre de solutions de contenu global Format du cours Partie conférence, partie de discussion, pratique handson lourde .
14 hours
Overview
OpenNN est une bibliothèque de classes open-source écrite en C ++ qui implémente des réseaux de neurones, pour une utilisation en apprentissage automatique.

Dans ce cours, nous allons passer en revue les principes des réseaux de neurones et utiliser OpenNN pour implémenter un exemple d'application.

Public
Les développeurs de logiciels et les programmeurs souhaitant créer des applications d'apprentissage approfondi.

Format du cours
Lecture et discussion associées à des exercices pratiques.
21 hours
Overview
PaddlePaddle (PArallel Distributed Deep LEarning) est une plateforme d'apprentissage en profondeur évolutive développée par Baidu Dans cette formation en ligne, les participants apprendront comment utiliser PaddlePaddle pour permettre un apprentissage approfondi dans leurs applications de produits et de services À la fin de cette formation, les participants seront en mesure de: Configurer et configurer PaddlePaddle Configurer un réseau neuronal convolutif (CNN) pour la reconnaissance d'image et la détection d'objets Mettre en place un réseau neuronal récurrent (RNN) pour l'analyse des sentiments Mettre en place un apprentissage en profondeur sur les systèmes de recommandation pour aider les utilisateurs à trouver des réponses Prédisez les taux de clics (CTR), classifiez les ensembles d'images à grande échelle, effectuez la reconnaissance optique des caractères (OCR), effectuez des recherches de classement, détectez les virus informatiques et implémentez un système de recommandation Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Overview
Dans cette formation en ligne, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus avancées de Python, tout en construisant une série d'applications de démonstration impliquant des images, de la musique, du texte et des données financières À la fin de cette formation, les participants seront en mesure de: Implémenter des algorithmes d'apprentissage automatique et des techniques pour résoudre des problèmes complexes Appliquer l'apprentissage en profondeur et l'apprentissage semi-supervisé aux applications impliquant des données d'image, de musique, de texte et financières Pousser les algorithmes Python à leur potentiel maximal Utiliser des bibliothèques et des paquets tels que NumPy et Theano Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Overview
SINGA est une plate-forme générale d'apprentissage en profondeur distribuée pour la formation de grands modèles d'apprentissage en profondeur sur de grands ensembles de données Il est conçu avec un modèle de programmation intuitif basé sur l'abstraction de la couche Une variété de modèles populaires d'apprentissage en profondeur sont pris en charge, à savoir les modèles feedforward, y compris les réseaux neuronaux convolutionnels (CNN), les modèles d'énergie comme la machine de Boltzmann restreint (RBM) et les réseaux neuronaux récurrents (RNN) De nombreuses couches intégrées sont fournies aux utilisateurs L'architecture SINGA est suffisamment flexible pour exécuter des frameworks de formation synchrones, asynchrones et hybrides SINGA prend également en charge différents schémas de partitionnement de réseaux neuronaux pour paralléliser la formation de grands modèles, à savoir le partitionnement sur la dimension de lot, la dimension de caractéristique ou le partitionnement hybride Public Ce cours s'adresse aux chercheurs, ingénieurs et développeurs cherchant à utiliser Apache SINGA comme un cadre d'apprentissage en profondeur Après avoir terminé ce cours, les délégués: comprendre la structure et les mécanismes de déploiement de SINGA être capable d'effectuer les tâches et la configuration de l'environnement / de l'installation / de l'environnement de production être capable d'évaluer la qualité du code, effectuer le débogage, surveiller être en mesure de mettre en œuvre une production avancée, comme des modèles de formation, des termes d'intégration, la construction de graphiques et la journalisation .
14 hours
Overview
Dans cette formation en ligne, les participants apprendront comment utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutionnels pour la reconnaissance d'images À la fin de cette formation, les participants seront en mesure de: Construire un modèle d'apprentissage en profondeur Automatiser l'étiquetage des données Travailler avec des modèles de Caffe et TensorFlowKeras Formation des données à l'aide de plusieurs GPU, du cloud ou des clusters Public Développeurs Ingénieurs Les experts du domaine Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
7 hours
Overview
Tensor2Tensor (T2T) est une bibliothèque modulaire et extensible pour la formation de modèles IA dans différentes tâches, en utilisant différents types de données d'apprentissage, par exemple: reconnaissance d'image, traduction, analyse, sous-titrage d'image et reconnaissance vocale Il est géré par l'équipe Google Brain Dans cette formation en ligne, les participants apprendront comment préparer un modèle de deepplearning pour résoudre plusieurs tâches À la fin de cette formation, les participants seront en mesure de: Installez tensor2tensor, sélectionnez un ensemble de données, entraînez et évaluez un modèle AI Personnaliser un environnement de développement en utilisant les outils et composants inclus dans Tensor2Tensor Créer et utiliser un modèle unique pour apprendre simultanément un certain nombre de tâches à partir de plusieurs domaines Utiliser le modèle pour apprendre des tâches comportant un grand nombre de données d'apprentissage et appliquer ces connaissances aux tâches pour lesquelles les données sont limitées Obtenir des résultats de traitement satisfaisants en utilisant un seul GPU Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
7 hours
Overview
TensorFlow Serving est un système destiné à servir les modèles d'apprentissage automatique (ML) à la production Dans cette formation en ligne, les participants apprendront comment configurer et utiliser TensorFlow Serving pour déployer et gérer des modèles ML dans un environnement de production À la fin de cette formation, les participants seront en mesure de: Former, exporter et servir divers modèles TensorFlow Tester et déployer des algorithmes à l'aide d'une architecture unique et d'un ensemble d'API Étendre TensorFlow Serving pour servir d'autres types de modèles au-delà des modèles TensorFlow Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Overview
TensorFlow est une API de deuxième génération de la bibliothèque de logiciels open source de Google pour Deep Learning Le système est conçu pour faciliter la recherche dans l'apprentissage automatique et faciliter la transition du prototype de recherche au système de production Public Ce cours est destiné aux ingénieurs cherchant à utiliser TensorFlow pour leurs projets Deep Learning Après avoir terminé ce cours, les délégués: comprendre la structure et les mécanismes de déploiement de TensorFlow être capable d'effectuer les tâches et la configuration de l'environnement / de l'installation / de l'environnement de production être capable d'évaluer la qualité du code, effectuer le débogage, surveiller être en mesure de mettre en œuvre une production avancée comme des modèles de formation, la construction de graphiques et l'exploitation forestière .
28 hours
Overview
Ce cours explore, avec des exemples spécifiques, l'application de Tensor Flow aux fins de la reconnaissance d'image Public Ce cours est destiné aux ingénieurs cherchant à utiliser TensorFlow à des fins de reconnaissance d'images Après avoir terminé ce cours, les délégués seront en mesure de: comprendre la structure et les mécanismes de déploiement de TensorFlow réaliser les tâches et la configuration de l'installation / de l'environnement de production / de l'architecture évaluer la qualité du code, effectuer le débogage, surveiller mettre en œuvre une production avancée comme des modèles de formation, la construction de graphiques et l'exploitation forestière .
21 hours
Overview
Torch est une bibliothèque d'apprentissage automatique open source et un framework d'informatique scientifique basé sur le langage de programmation Lua Il fournit un environnement de développement pour les numériques, l'apprentissage automatique et la vision par ordinateur, avec un accent particulier sur l'apprentissage en profondeur et les réseaux convolutifs C'est l'un des frameworks les plus rapides et les plus flexibles pour Machine and Deep Learning Il est utilisé par des entreprises telles que Facebook, Google, Twitter, NVIDIA, AMD, Intel et bien d'autres Dans ce cours, nous couvrons les principes de Torch, ses caractéristiques uniques, et comment il peut être appliqué dans des applications réelles Nous traversons de nombreux exercices tout au long, tout en démontrant et en pratiquant les concepts appris À la fin du cours, les participants auront une compréhension approfondie des caractéristiques et des capacités sous-jacentes de Torch, ainsi que de son rôle et de sa contribution dans l'espace IA par rapport à d'autres frameworks et bibliothèques Les participants auront également reçu la pratique nécessaire pour mettre en œuvre Torch dans leurs propres projets Public Les développeurs de logiciels et les programmeurs souhaitant activer Machine et Deep Learning dans leurs applications Format du cours Vue d'ensemble de la machine et de l'apprentissage profond Inclure les exercices de codage et d'intégration Poser des questions de test en cours de route pour vérifier la compréhension .
7 hours
Overview
L'unité de traitement Tensor (TPU) est l'architecture que Google a utilisée en interne depuis plusieurs années, et est maintenant en train de devenir disponible pour une utilisation par le grand public Il inclut plusieurs optimisations spécifiquement destinées à être utilisées dans les réseaux neuronaux, y compris la multiplication simplifiée de matrices, et des entiers à 8 bits au lieu de 16 bits afin de renvoyer des niveaux de précision appropriés Dans cette formation en direct, les participants apprendront à tirer parti des innovations des processeurs TPU pour optimiser les performances de leurs propres applications IA À la fin de la formation, les participants seront en mesure de: Former différents types de réseaux de neurones sur de grandes quantités de données Utilisez des TPU pour accélérer le processus d'inférence jusqu'à deux ordres de grandeur Utiliser des TPU pour traiter des applications intensives telles que la recherche d'images, la vision nuageuse et les photos Public Développeurs Des chercheurs Ingénieurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
35 hours
Overview
TensorFlow ™ est une bibliothèque de logiciels open source pour le calcul numérique utilisant des graphiques de flux de données SyntaxNet est un framework de traitement du langage naturel de neuralnetwork pour TensorFlow Word2Vec est utilisé pour apprendre des représentations vectorielles de mots, appelées "plongées de mots" Word2vec est un modèle prédictif particulièrement efficace en termes de calcul pour l'apprentissage des plongées de mots à partir de texte brut Il existe deux modèles, le modèle continu de BagofWords (CBOW) et le modèle SkipGram (chapitres 31 et 32 de Mikolov et al) Utilisés en tandem, SyntaxNet et Word2Vec permettent aux utilisateurs de générer des modèles d'Embedded Embedding à partir d'une entrée en langage naturel Public Ce cours s'adresse aux développeurs et aux ingénieurs qui ont l'intention de travailler avec les modèles SyntaxNet et Word2Vec dans leurs graphiques TensorFlow Après avoir terminé ce cours, les délégués: comprendre la structure et les mécanismes de déploiement de TensorFlow être capable d'effectuer les tâches et la configuration de l'environnement / de l'installation / de l'environnement de production être capable d'évaluer la qualité du code, effectuer le débogage, surveiller être en mesure de mettre en œuvre une production avancée, comme des modèles de formation, des termes d'intégration, la construction de graphiques et la journalisation .
35 hours
Overview
Ce cours commence par vous donner des connaissances conceptuelles dans les réseaux de neurones et généralement dans l'algorithme d'apprentissage automatique, l'apprentissage en profondeur (algorithmes et applications) Partie 1 (40%) de cette formation est plus axée sur les fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc La partie 2 (20%) de cette formation présente Theano, une bibliothèque de pythons qui facilite l'écriture de modèles d'apprentissage en profondeur La partie 3 (40%) de la formation serait largement basée sur l'API Tensorflow 2nd Generation de la bibliothèque logicielle open source de Google pour Deep Learning Les exemples et handson seraient tous faits dans TensorFlow Public Ce cours est destiné aux ingénieurs cherchant à utiliser TensorFlow pour leurs projets Deep Learning Après avoir terminé ce cours, les délégués: avoir une bonne compréhension des réseaux neuronaux profonds (DNN), CNN et RNN comprendre la structure et les mécanismes de déploiement de TensorFlow être capable d'effectuer les tâches et la configuration de l'environnement / de l'installation / de l'environnement de production être capable d'évaluer la qualité du code, effectuer le débogage, surveiller être en mesure de mettre en œuvre une production avancée comme des modèles de formation, la construction de graphiques et l'exploitation forestière Tous les sujets ne seraient pas couverts dans une classe publique avec une durée de 35 heures en raison de l'immensité du sujet La durée du cours complet sera d'environ 70 heures et non de 35 heures .
21 hours
Overview
Microsoft Cognitive Toolkit 2x (anciennement CNTK) est une boîte à outils opensource et commerciale qui forme des algorithmes d'apprentissage en profondeur pour apprendre comme le cerveau humain Selon Microsoft, CNTK peut être 510x plus rapide que TensorFlow sur les réseaux récurrents, et 2 à 3 fois plus rapide que TensorFlow pour les tâches imagerelated Dans cette formation en ligne, les participants apprendront à utiliser Microsoft Cognitive Toolkit pour créer, former et évaluer des algorithmes d'apprentissage en profondeur à utiliser dans des applications IA commerciales impliquant de multiples types de données tels que données, paroles, textes et images À la fin de cette formation, les participants seront en mesure de: Accéder à CNTK en tant que bibliothèque à partir d'un programme Python, C # ou C ++ Utilisez CNTK en tant qu'outil autonome d'apprentissage automatique grâce à son propre langage de description de modèle (BrainScript) Utiliser la fonctionnalité d'évaluation du modèle CNTK à partir d'un programme Java Combiner les DNN feedforward, les réseaux convolutifs (CNN) et les réseaux récurrents (RNN / LSTM) Capacité de calcul d'échelle sur les processeurs, les GPU et plusieurs machines Accédez à des jeux de données volumineux en utilisant les langages de programmation et les algorithmes existants Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Si vous souhaitez personnaliser une partie de cette formation, y compris le langage de programmation de votre choix, veuillez nous contacter pour organiser .
21 hours
Overview
Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique

Méthode pédagogique : présentation, échanges et études de cas

L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.
21 hours
Overview
Le réseau neuronal artificiel est un modèle informatique utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches "intelligentes". Les réseaux neuronaux sont couramment utilisés dans les applications d'apprentissage automatique (Machine Learning, ML), qui sont elles-mêmes une implémentation d'AI. Deep Learning est un sous-ensemble de ML.
28 hours
Overview
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones R est un langage de programmation populaire dans l'industrie financière Il est utilisé dans des applications financières allant des principaux programmes d'échange aux systèmes de gestion des risques Dans cette formation en direct, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour la finance en utilisant le R au fur et à mesure de la création d'un modèle de prédiction du prix des actions À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage en profondeur Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance Utilisez R pour créer des modèles d'apprentissage en profondeur pour la finance Construire son propre modèle de prédiction du prix des actions d'apprentissage en profondeur en utilisant R Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
28 hours
Overview
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 hours
Overview
Le réseau neuronal artificiel est un modèle informatique utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches "intelligentes". Les réseaux neuronaux sont couramment utilisés dans les applications d'apprentissage automatique (Machine Learning, ML), qui sont elles-mêmes une implémentation d'AI. Deep Learning est un sous-ensemble de ML.
21 hours
Overview
Caffe est un cadre d'apprentissage en profondeur fait avec l'expression, la vitesse et la modularité à l'esprit Ce cours explore l'application de Caffe comme cadre d'apprentissage en profondeur pour la reconnaissance d'image en utilisant le MNIST comme exemple Public Ce cours convient aux chercheurs et aux ingénieurs de Deep Learning intéressés à utiliser Caffe comme framework Après avoir terminé ce cours, les délégués seront en mesure de: comprendre la structure et les mécanismes de déploiement de Caffe réaliser les tâches et la configuration de l'installation / de l'environnement de production / de l'architecture évaluer la qualité du code, effectuer le débogage, surveiller mettre en œuvre une production avancée comme des modèles de formation, la mise en œuvre de couches et la journalisation .
21 hours
Overview
Ce cours est un aperçu général de Deep Learning sans approfondir des méthodes spécifiques. Il convient aux personnes souhaitant utiliser l'apprentissage en profondeur pour améliorer leur précision de prédiction.
21 hours
Overview
Deeplearning4j est la première bibliothèque commerciale, opensource, distribuée de deeplearning écrite pour Java et Scala Intégré avec Hadoop et Spark, DL4J est conçu pour être utilisé dans des environnements professionnels sur GPU et CPU distribués Public Ce cours s'adresse aux ingénieurs et aux développeurs qui cherchent à utiliser Deeplearning4j dans leurs projets Après ce cours, les délégués seront en mesure de: .
21 hours
Overview
Deeplearning4j est un logiciel OpenSource DeepLearning pour Java et Scala sur Hadoop et Spark Public Ce cours est destiné aux ingénieurs et aux développeurs cherchant à utiliser DeepLearning4J dans leurs projets de reconnaissance d'images .

Prochains cours Deep Learning

Weekend Deep Learning cours, Soir Deep Learning formation, Deep Learning stage d’entraînement, Deep Learning formateur à distance, Deep Learning formateur en ligne, Deep Learning formateur Online, Deep Learning cours en ligne, Deep Learning cours à distance, Deep Learning professeur à distance, Deep Learning visioconférence, Deep Learning stage d’entraînement intensif, Deep Learning formation accélérée, Deep Learning formation intensive, Formation inter Deep Learning, Formation intra Deep Learning, Formation intra Enteprise Deep Learning, Formation inter Entreprise Deep Learning, Weekend Deep Learning formation, Soir Deep Learning cours, Deep Learning coaching, Deep Learning entraînement, Deep Learning préparation, Deep Learning instructeur, Deep Learning professeur, Deep Learning formateur, Deep Learning stage de formation, Deep Learning cours, Deep Learning sur place, Deep Learning formations privées, Deep Learning formation privée, Deep Learning cours particulier, Deep Learning cours particuliers

Réduction spéciale

Newsletter offres spéciales

Nous respectons le caractère privé de votre adresse mail. Nous ne divulguerons ni ne vendrons votre adresse email à quiconque
Vous pouvez toujours modifier vos préférences ou vous désinscrire complètement.

Nos clients

is growing fast!

We are looking to expand our presence in France!

As a Business Development Manager you will:

  • expand business in France
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!