
Des cours de formation Deep Learning (DL) en direct, organisés à l'échelle locale, illustrent les principes fondamentaux et les applications de Deep Learning et traitent de sujets tels que l'apprentissage machine profond, l'apprentissage structuré profond et l'apprentissage hiérarchique La formation Deep Learning est disponible en tant que «formation en direct sur site» ou «formation en direct à distance» La formation en direct sur site peut être effectuée localement dans les locaux du client France ou dans les centres de formation d'entreprise NobleProg à France La formation en ligne à distance est réalisée au moyen d'un ordinateur de bureau interactif et distant NobleProg Votre fournisseur de formation local.
Machine Translated
Nos Clients témoignent
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Advanced Deep Learning
Machine Translated
Les exercices sont suffisamment pratiques et ne nécessitent pas de connaissances approfondies en Python .
Alexandre GIRARD
Formation: Advanced Deep Learning
Machine Translated
Faire des exercices sur des exemples réels en utilisant Eras. L'Italie a parfaitement compris nos attentes concernant cette formation.
Paul Kassis
Formation: Advanced Deep Learning
Machine Translated
J'ai vraiment apprécié les réponses claires de Chris à nos questions.
Léo Dubus
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Les échanges informels que nous avons eus au cours des conférences m’ont vraiment aidé à approfondir ma compréhension du sujet
Explore
Formation: Deep Reinforcement Learning with Python
Machine Translated
C'était très interactif et plus détendu et informel que prévu. Nous avons couvert de nombreux sujets dans le temps et le formateur a toujours été réceptif à parler plus en détail ou plus généralement des sujets et de leurs relations. Je pense que la formation m'a donné les outils pour continuer à apprendre, par opposition à une session unique où l'apprentissage s'arrête une fois que vous avez terminé, ce qui est très important compte tenu de l'ampleur et de la complexité du sujet.
Jonathan Blease
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Le sujet est très intéressant.
Wojciech Baranowski
Formation: Introduction to Deep Learning
Machine Translated
Connaissances théoriques des formateurs et volonté de résoudre les problèmes avec les participants après la formation.
Grzegorz Mianowski
Formation: Introduction to Deep Learning
Machine Translated
Sujet. Très intéressant!.
Piotr
Formation: Introduction to Deep Learning
Machine Translated
Les exercices après chaque sujet ont été très utiles, même s’ils étaient trop compliqués à la fin. En général, le matériel présenté était très intéressant et intéressant! Les exercices avec reconnaissance d'image étaient excellents.
Dolby Poland Sp. z o.o.
Formation: Introduction to Deep Learning
Machine Translated
Je pense que si la formation se faisait en polonais, cela permettrait au formateur de partager ses connaissances plus efficacement.
Radek
Formation: Introduction to Deep Learning
Machine Translated
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
J'ai été stupéfait par la qualité de ce cours - je dirais que c'était la norme universitaire.
David Relihan
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Très bon aperçu général. Go historique des raisons pour lesquelles Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
J'ai aimé les possibilités de poser des questions et d'obtenir des explications plus approfondies de la théorie.
Sharon Ruane
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nous avons eu beaucoup plus d'informations sur le sujet. Une belle discussion a été faite avec certains sujets réels au sein de notre société.
Sebastiaan Holman
Formation: Machine Learning and Deep Learning
Machine Translated
La formation a fourni la bonne base qui nous permet de continuer à nous développer, en montrant comment la théorie et la pratique vont de pair. En fait, cela m'intéressait plus que par le passé.
Jean-Paul van Tillo
Formation: Machine Learning and Deep Learning
Machine Translated
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning and Deep Learning
Machine Translated
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction to Deep Learning
Machine Translated
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow for Image Recognition
Machine Translated
Très souple.
Frank Ueltzhöffer
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
J'ai généralement apprécié la flexibilité.
Werner Philipp
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Compte tenu des perspectives de la technologie: quelle technologie / processus pourrait devenir plus important dans le futur; voir à quoi la technologie peut être utilisée
Commerzbank AG
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
J'ai bénéficié de la sélection de sujets. Style de formation. Orientation pratique
Commerzbank AG
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
manière de conduire et exemple donné par le formateur
ORANGE POLSKA S.A.
Formation: Machine Learning and Deep Learning
Machine Translated
Possibilité de discuter vous-même des problèmes proposés
ORANGE POLSKA S.A.
Formation: Machine Learning and Deep Learning
Machine Translated
Communication avec des conférenciers
文欣 张
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Comme ça
lisa xie
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Couverture approfondie des sujets d'apprentissage automatique, en particulier des réseaux de neurones. Démystifié beaucoup de sujet.
Sacha Nandlall
Formation: Python for Advanced Machine Learning
Machine Translated
Connaissances approfondies et actualisées d’exemples d’applications de premier plan et pratiques.
ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
Beaucoup d'exercices, très bonne coopération avec le groupe.
Janusz Chrobot - ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
travailler sur des collaborateurs,
ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
Il était évident que les passionnés des sujets présentés étaient en tête. Utilisé des exemples intéressants pendant l'exercice.
ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
Un large éventail de sujets couverts et une connaissance approfondie des dirigeants.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
manque
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
Grandes connaissances théoriques et pratiques des conférenciers. Communicativeness des formateurs. Pendant le cours, vous pouvez poser des questions et obtenir des réponses satisfaisantes.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
Partie pratique, où nous avons implémenté des algorithmes. Cela a permis une meilleure compréhension du sujet.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
exercices et exemples mis en oeuvre
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
Exemples et problèmes discutés.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
Connaissances substantielles, engagement, une manière passionnée de transférer des connaissances. Exemples pratiques après un cours théorique.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
Exercices pratiques préparés par M. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
J'avais profité de la passion d'enseigner et de me concentrer pour rendre les choses sensées.
Zaher Sharifi - GOSI
Formation: Advanced Deep Learning
Machine Translated
Identification humaine et détection de mauvais point de carte de circuit
王 春柱 - 中移物联网
Formation: Deep Learning for NLP (Natural Language Processing)
Machine Translated
faire la démonstration de
中移物联网
Formation: Deep Learning for NLP (Natural Language Processing)
Machine Translated
A propos de la surface faciale.
中移物联网
Formation: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Sous-catégories Deep Learning (DL)
Plans de cours Deep Learning (DL)
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 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.
À la fin de cette formation, les participants disposeront des connaissances et de la pratique nécessaires pour mettre en œuvre une solution OpenNMT direct.
Des échantillons de langue source et cible seront pré-arrangés selon les exigences du public.
Format du cours
- Partie de conférence, partie de discussion, pratique intense
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.
Keras est une API de réseaux de neurones de haut niveau permettant un développement et une expérimentation rapides. Il fonctionne sur TensorFlow , CNTK ou CNTK .
Cette formation en direct animée par un instructeur (sur site ou à distance) est destinée aux développeurs qui souhaitent construire une voiture autonome en utilisant des techniques d'apprentissage en profondeur.
À la fin de cette formation, les participants seront en mesure de:
- Utiliser des techniques de vision par ordinateur pour identifier les voies.
- Utilisez Keras pour construire et former des réseaux de neurones convolutionnels.
- Former un modèle d'apprentissage en profondeur pour différencier les panneaux de signalisation.
- Simulez une voiture entièrement autonome.
Format du cours
- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.
Options de personnalisation du cours
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Apache SINGA tant que cadre d'apprentissage approfondi.
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de SINGA
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation
Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux experts en informatique qui souhaitent utiliser Tensorflow 2.0 pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.
À la fin de cette formation, les participants seront en mesure de:
- Installez et configurez TensorFlow 2.0.
- Comprenez les avantages de TensorFlow 2.0 par rapport aux versions précédentes.
- Construire des modèles d'apprentissage en profondeur.
- Implémenter un classificateur d'image avancé.
- Déployez un modèle d'apprentissage approfondi sur le cloud, les appareils mobiles et l'IoT.
Format du cours
- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.
Options de personnalisation du cours
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
- Pour en savoir plus sur TensorFlow , visitez le site: https://www.tensorflow.org/
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 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 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 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 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.
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation
Public
Ce cours est destiné aux ingénieurs qui souhaitent utiliser TensorFlow aux fins de la reconnaissance d'image.
Une fois ce cours terminé, les délégués seront en mesure de:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- effectuer des tâches d'installation / environnement de production / architecture et configuration
- évaluer la qualité du code, effectuer le débogage, la surveillance
- implémenter une production avancée telle que des modèles de formation, la création de graphiques et l'enregistrement
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.
Dans cette formation en direct dirigée par un instructeur, nous couvrons les principes de la Torch , ses caractéristiques uniques et son application possible dans des applications réelles. Nous effectuons de nombreux exercices pratiques tout au long de la démonstration et de la mise en pratique des concepts appris.
À la fin du cours, les participants auront une compréhension approfondie des fonctionnalités et des capacités sous-jacentes de Torch , ainsi que de son rôle et de sa contribution au sein de l'espace d'intelligence artificielle, 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.
Format du cours
- Vue d'ensemble de l' Deep Learning machine et en Deep Learning
- Exercices de codage et d'intégration en classe
- Questions de test semées le long du chemin pour vérifier la compréhension
SyntaxNet est une structure de traitement de langage naturel par réseau de neurones pour TensorFlow .
Word 2Vec est utilisé pour l'apprentissage des représentations vectorielles de mots, appelées "imbrications de mots". Word 2vec est un modèle prédictif particulièrement efficace en calcul pour l’intégration de mots à partir de texte brut. Il se décline en deux saveurs, le sac-of-continu Word modèle s (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.).
Utilisés en tandem, SyntaxNet et Word 2Vec permettent aux utilisateurs de générer des modèles d’apprentissage intégré à partir de l’entrée en langage naturel.
Public
Ce cours est destiné aux développeurs et aux ingénieurs souhaitant travailler avec les modèles SyntaxNet et Word 2Vec dans leurs graphiques TensorFlow .
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation
La partie 1 (40%) de cette formation met davantage l'accent sur les principes 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 python qui facilite l’écriture de modèles d’apprentissage approfondi.
La partie 3 (40%) de la formation serait largement basée sur Tensorflow - API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Les exemples et handson seraient tous fabriqués dans TensorFlow .
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
Une fois ce cours terminé, les délégués:
-
avoir une bonne compréhension des réseaux de neurones profonds (DNN), CNN et RNN
-
comprendre la structure et les mécanismes de déploiement de TensorFlow
-
être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
-
être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
-
être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation
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.
Cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la technologie TensorFlow : TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Les exemples sont réalisés dans TensorFlow .