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).
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
Translated by
Le sujet est très intéressant.
Wojciech Baranowski
Formation: Introduction au Deep Learning
Translated by
Connaissances théoriques des formateurs et volonté de résoudre les problèmes avec les participants après la formation.
Grzegorz Mianowski
Formation: Introduction au Deep Learning
Translated by
Sujet. Très intéressant!.
Piotr
Formation: Introduction au Deep Learning
Translated by
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 au Deep Learning
Translated by
Je pense que si la formation se faisait en polonais, cela permettrait au formateur de partager ses connaissances plus efficacement.
Radek
Formation: Introduction au Deep Learning
Translated by
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Deep Learning, Niveau Avancé
Translated by
Les exercices sont suffisamment pratiques et ne nécessitent pas de grandes connaissances en Python.
Alexandre GIRARD
Formation: Deep Learning, Niveau Avancé
Translated by
Faire des exercices sur des exemples réels en utilisant Eras. L'Italie a parfaitement compris nos attentes concernant cette formation.
Paul Kassis
Formation: Deep Learning, Niveau Avancé
Translated by
L'objet. Cela semblait intéressant, mais je suis parti en sachant pas beaucoup plus qu'avant.
Radoslaw Labedzki
Formation: Introduction au Deep Learning
Translated by
J'ai aimé que ce cours ait un sujet très intéressant.
Wojciech Wilk
Formation: Introduction au Deep Learning
Translated by
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
Translated by
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai été stupéfait par la qualité de ce cours - je dirais que c'était la norme universitaire.
David Relihan
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
Très bon aperçu général. Un bon contexte pour savoir pourquoi Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai aimé les possibilités de poser des questions et d'obtenir des explications plus approfondies de la théorie.
Sharon Ruane
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
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 et Deep Learning
Translated by
La formation a fourni les bases qui nous permettent de continuer à nous développer en montrant comment la théorie et la pratique vont de pair. Cela m'a en fait plus intéressé par le sujet que par le passé.
Jean-Paul van Tillo
Formation: Machine Learning et Deep Learning
Translated by
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning et Deep Learning
Translated by
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction au Deep Learning
Translated by
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow pour la Reconnaissance d'Image
Translated by
Très souple.
Frank Ueltzhöffer
Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking
Translated by
J'ai généralement apprécié la flexibilité.
Werner Philipp
Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking
Translated by
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: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai bénéficié de la sélection de sujets. Style de formation. Orientation pratique
Commerzbank AG
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
manière de conduire et exemple donné par le formateur
ORANGE POLSKA S.A.
Formation: Machine Learning et Deep Learning
Translated by
Possibilité de discuter vous-même des problèmes proposés
ORANGE POLSKA S.A.
Formation: Machine Learning et Deep Learning
Translated by
Communication avec des conférenciers
文欣 张
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Comme ça
lisa xie
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
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
Translated by
Connaissances approfondies et actualisées d’exemples d’applications de premier plan et pratiques.
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Beaucoup d'exercices, très bonne coopération avec le groupe.
Janusz Chrobot - ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
travailler sur des collaborateurs,
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
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 au Deep Learning
Translated by
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
Translated by
manque
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
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
Translated by
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
Translated by
exercices et exemples mis en oeuvre
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Exemples et problèmes discutés.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
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
Translated by
Exercices pratiques préparés par M. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
J'avais profité de la passion d'enseigner et de me concentrer pour rendre les choses sensées.
Zaher Sharifi - GOSI
Formation: Deep Learning, Niveau Avancé
Translated by
| Code | Nom | Durée | Aperçu |
|---|---|---|---|
| annmldt | Artificial Neural Networks, Machine Learning, Deep Thinking | 21 heures | 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. |
| undnn | Understanding Deep Neural Networks | 35 heures | 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 . |
| dsstne | Amazon DSSTNE: Build a Recommendation System | 7 heures | Amazon DSSTNE est une bibliothèque opensource pour la formation et le déploiement de modèles de recommandation Il permet aux modèles avec des matrices de poids trop grandes pour qu'un seul GPU soit formé sur un seul hôte Dans cette formation en ligne, les participants apprendront à utiliser DSSTNE pour créer une application de recommandation À la fin de cette formation, les participants seront en mesure de: Former un modèle de recommandation avec des jeux de données fragmentés en entrée Modèles d'entraînement et de prédiction à l'échelle sur plusieurs GPU Répartir le calcul et le stockage de façon parallèle Générer des recommandations de produits personnalisés Amazonlike Déployez une application productiveready pouvant évoluer à des charges de travail lourdes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| t2t | T2T: Creating Sequence to Sequence Models for Generalized Learning | 7 heures | 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 . |
| embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 heures | Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 heures | 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 . |
| pythonadvml | Python for Advanced Machine Learning | 21 heures | 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 . |
| radvml | Advanced Machine Learning with R | 21 heures | 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 . |
| tensorflowserving | TensorFlow Serving | 7 heures | 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 . |
| matlabdl | Matlab for Deep Learning | 14 heures | 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 . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 heures | Deep Learning for NLP permet à une machine d'apprendre un traitement de langage simple à complexe Parmi les tâches actuellement possibles figurent la traduction de la langue et la génération de légendes pour les photos DL (Deep Learning) est un sous-ensemble de ML (Machine Learning) Python est un langage de programmation populaire qui contient des bibliothèques pour Deep Learning for NLP Dans cette formation en ligne, les participants apprendront à utiliser les bibliothèques Python pour le traitement automatique du langage naturel (NLP) en créant une application qui traite un ensemble d'images et génère des légendes À la fin de cette formation, les participants seront en mesure de: Concevoir et coder DL pour NLP en utilisant des bibliothèques Python Créer un code Python qui lit une collection substantielle d'images et génère des mots-clés Créer un code Python qui génère des légendes à partir des mots clés détectés Public Programmeurs ayant un intérêt pour la linguistique Les programmeurs qui cherchent une compréhension de la PNL (traitement du langage naturel) Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| MicrosoftCognitiveToolkit | Microsoft Cognitive Toolkit 2.x | 21 heures | 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 . |
| dlfinancewithr | Deep Learning for Finance (with R) | 28 heures | 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 . |
| dlforbankingwithpython | Deep Learning for Banking (with Python) | 28 heures | 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 Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en ligne, les participants apprendront comment implémenter des modèles d'apprentissage en profondeur pour les banques en utilisant Python alors qu'ils franchissent la phase de création d'un modèle de risque de crédit d'apprentissage en profondeur 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 dans le secteur bancaire Utilisez Python, Keras et TensorFlow pour créer des modèles d'apprentissage en profondeur pour les services bancaires Construire son propre modèle de risque de crédit d'apprentissage en profondeur en utilisant Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| dlforbankingwithr | Deep Learning for Banking (with R) | 28 heures | 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 le cadre de cette formation en direct, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les banques en utilisant le R au fur et à mesure de la création d'un modèle de risque de crédit d'apprentissage en profondeur 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 dans le secteur bancaire Utilisez R pour créer des modèles d'apprentissage en profondeur pour les opérations bancaires Construire son propre modèle de risque de crédit 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 . |
| dlforfinancewithpython | Deep Learning for Finance (with Python) | 28 heures | 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 Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en direct, les participants apprendront comment implémenter des modèles d'apprentissage en profondeur pour la finance en utilisant Python à mesure qu'ils franchissent la phase de création d'un modèle de prédiction du prix des actions d'apprentissage en profondeur 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 Python, Keras et TensorFlow pour créer des modèles d'apprentissage en profondeur pour la finance Construire son propre modèle de prédiction du prix des actions en profondeur en utilisant Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| drlpython | Deep Reinforcement Learning with Python | 21 heures | L'apprentissage par renforcement profond fait référence à la capacité d'un «agent artificiel» à apprendre par le biais d'essais, d'erreurs et de récompenses et de punitions Un agent artificiel vise à émuler la capacité d'un individu à obtenir et à construire des connaissances par lui-même, directement à partir d'intrants bruts tels que la vision Pour réaliser l'apprentissage par renforcement, l'apprentissage en profondeur et les réseaux de neurones sont utilisés L'apprentissage par renforcement diffère de l'apprentissage automatique et ne repose pas sur des approches d'apprentissage supervisées et non supervisées Dans cette formation en direct, les participants apprendront les principes fondamentaux de l'apprentissage par renforcement profond au fur et à mesure de la création d'un agent d'apprentissage en profondeur À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts clés de l'apprentissage par renforcement profond et être capable de le distinguer de l'apprentissage automatique Appliquer des algorithmes avancés d'apprentissage par renforcement pour résoudre les problèmes du monde réel Construire un agent d'apprentissage en profondeur Public Développeurs Data Scientists Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| DLAITEDM | Deep Learning AI Techniques for Executives, Developers and Managers | 21 heures | Introduction : L'apprentissage en profondeur est en train de devenir une composante principale de la conception de produits futurs qui veut intégrer l'intelligence artificielle au cœur de leurs modèles Dans les 5 à 10 prochaines années, les outils de développement de l' apprentissage en profondeur , les bibliothèques et les langages deviendront des composants standard de chaque boîte à outils de développement logiciel Jusqu'à présent, Google, Sales Force, Facebook, Amazon ont utilisé avec succès l'IA en profondeur pour stimuler leur activité Les applications allaient de la traduction automatique automatique, de l'analyse d'images, de l'analyse vidéo, de l'analyse de mouvement, de la génération de publicités ciblées et bien d'autres encore Ce cours est destiné aux organisations qui souhaitent intégrer Deep Learning en tant que partie très importante de leur stratégie de produit ou de service Vous trouverez ci-dessous les grandes lignes du cours d'apprentissage en profondeur que nous pouvons personnaliser pour différents niveaux d'employés / parties prenantes dans une organisation Public cible: (Selon le public cible, le matériel de cours sera personnalisé) Cadres Un aperçu général de l'IA et de son intégration dans la stratégie de l'entreprise, avec des sessions en petits groupes sur la planification stratégique, les feuilles de route technologiques et l'allocation des ressources afin de garantir une valeur maximale Chefs de projet Comment planifier un projet AI, y compris la collecte et l'évaluation des données, le nettoyage et la vérification des données, le développement d'un modèle proofofconcept, l'intégration dans les processus métier et la diffusion dans toute l'organisation Développeurs Des formations techniques approfondies, axées sur les réseaux de neurones et l'apprentissage en profondeur, l'analyse d'images et de vidéos (CNN), l'analyse du son et du texte (PNL) et l'introduction de l'IA dans des applications existantes Vendeurs Un aperçu général de l'IA et comment il peut satisfaire les besoins des clients, des propositions de valeur pour divers produits et services, et comment apaiser les craintes et promouvoir les avantages de l'IA . |
| Nue_LBG | Neural computing – Data science | 14 heures | 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 . |
| dlformedicine | Deep Learning for Medicine | 14 heures | L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés Deep Learning est un sous-domaine de l'apprentissage automatique qui tente d'imiter le fonctionnement du cerveau humain dans la prise de décisions Il est formé avec des données afin de fournir automatiquement des solutions aux problèmes Deep Learning offre de vastes opportunités pour l'industrie médicale qui est assis sur une mine de données Dans cette formation instruite, en direct, les participants Participez à une série de discussions, d'exercices et d'analyses de cas pour comprendre les fondements de l'apprentissage profond Les outils et techniques de Deep Learning les plus importants seront évalués et des exercices seront organisés pour préparer les participants à effectuer leur propre évaluation et mise en œuvre des solutions Deep Learning au sein de leurs organisations À la fin de cette formation, les participants seront en mesure de: Comprendre les fondamentaux de Deep Learning Apprendre les techniques d'apprentissage en profondeur et leurs applications dans l'industrie Examiner les problèmes de médecine qui peuvent être résolus par les technologies Deep Learning Explorer des études de cas Deep Learning en médecine Formuler une stratégie pour l'adoption des dernières technologies en Deep Learning pour résoudre les problèmes en médecine Public Les gestionnaires Les professionnels de la santé dans des rôles de leadership Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser . |
| dlfortelecomwithpython | Deep Learning for Telecom (with Python) | 28 heures | 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 telecom 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 telecom - Use Python, Keras, and TensorFlow to create deep learning models for telecom - Build their own deep learning customer churn prediction model using Python Format of the course - Part lecture, part discussion, exercises and heavy hands-on practice |
| PaddlePaddle | PaddlePaddle | 21 heures | 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 . |
| tpuprogramming | TPU Programming: Building Neural Network Applications on Tensor Processing Units | 7 heures | 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 . |
| deeplearning1 | Introduction au Deep Learning | 21 heures | 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. |
| dl4jir | DeepLearning4J for Image Recognition | 21 heures | 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 . |
| bspkannmldt | Réseau de Neurones Artificiels, Machine Learning et Deep Thinking | 21 heures | 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. |
| dladv | Deep Learning, Niveau Avancé | 28 heures | 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 . |
| tf101 | Deep Learning avec TensorFlow | 21 heures | 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 . |
| tfir | TensorFlow pour la Reconnaissance d'Image | 28 heures | 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 . |
| tsflw2v | Natural Language Processing with TensorFlow | 35 heures | 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 . |
| Formation | Date Formation | Prix [A distance / Classe] |
|---|---|---|
| Introduction au Deep Learning - Nantes, Zenith | lun, 2019-03-04 09:30 | 5250EUR / 6050EUR |
| Introduction au Deep Learning - Tours, Parc Honoré de Balzac | mar, 2019-03-05 09:30 | 5250EUR / 6050EUR |
| Introduction au Deep Learning - Poitiers | mer, 2019-03-13 09:30 | 5250EUR / 6050EUR |
| Introduction au Deep Learning - Grenoble, Centre Ville proche Gare | lun, 2019-04-01 09:30 | 5250EUR / 6050EUR |
| Introduction au Deep Learning - Montpellier, Garosud | mer, 2019-04-03 09:30 | 5250EUR / 6050EUR |
| Formation | Lieu | Date Formation | Prix [A distance / Classe] |
|---|---|---|---|
| Advanced Statistics using SPSS Predictive Analytics Software | Strasbourg, Kibitzenau Station | lun, 2019-04-01 09:30 | 6300EUR / 7300EUR |
| R for Data Analysis and Research | Orléans, gare centrale | lun, 2019-04-15 09:30 | 1575EUR / 1975EUR |
| Advanced Go Programming | Limoges, Centre Ville | mar, 2019-06-04 09:30 | 4725EUR / 5525EUR |
| Blockchain for Financial Bodies | Limoges, Centre Ville | jeu, 2019-06-06 09:30 | 3150EUR / 3750EUR |
| The Secure Coding Landscape | Marseille, Quartier du Prado | mar, 2019-07-09 09:30 | 3150EUR / 3750EUR |
.jpg "aeronautical radio, incorporated (arinc)")
_ireland.gif "environmental protection agency (epa) ireland")
We are looking to expand our presence in France!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
