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

CodeNomDuréeAperçu
annmldtArtificial Neural Networks, Machine Learning, Deep Thinking21 heuresLe 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.
dsstneAmazon DSSTNE: Build a Recommendation System7 heuresAmazon 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 .
dlforfinancewithpythonDeep Learning for Finance (with Python)28 heuresL'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 .
dlforbankingwithrDeep Learning for Banking (with R)28 heuresL'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 .
dlforbankingwithpythonDeep Learning for Banking (with Python)28 heuresL'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 .
dlfinancewithrDeep Learning for Finance (with R)28 heuresL'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 .
dlfornlpDeep Learning for NLP (Natural Language Processing)28 heuresDeep 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 .
undnnUnderstanding Deep Neural Networks35 heuresCe 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 .
mlbankingpython_Machine Learning for Banking (with Python)21 heuresL'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés Python est un langage de programmation connu pour sa syntaxe et sa lisibilité Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique Dans cette formation en direct, les participants apprendront à appliquer des techniques d'apprentissage automatique et des outils pour résoudre les problèmes du monde réel dans le secteur bancaire Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
matlabdlMatlab for Deep Learning14 heuresDans 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 .
radvmlAdvanced Machine Learning with R21 heuresDans 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 .
pythonadvmlPython for Advanced Machine Learning21 heuresDans 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 .
openfaceOpenFace: Creating Facial Recognition Systems14 heuresOpenFace 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 .
t2tT2T: Creating Sequence to Sequence Models for Generalized Learning7 heuresTensor2Tensor (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 .
PaddlePaddlePaddlePaddle21 heuresPaddlePaddle (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 .
deeplearning1Introduction au Deep Learning21 heuresCe 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.
MicrosoftCognitiveToolkitMicrosoft Cognitive Toolkit 2.x21 heuresMicrosoft 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 .
facebooknmtFacebook NMT: Setting up a Neural Machine Translation System7 heuresFairseq est une trousse d'outils d'apprentissage de la séquence séquentielle opensource créée par Facebok pour une utilisation dans la traduction automatique neurale (NMT) Dans le cadre de cette formation, les participants apprendront comment utiliser Fairseq pour effectuer la traduction du contenu de l'échantillon À la fin de cette formation, les participants auront les connaissances et la pratique nécessaires pour mettre en œuvre une solution de traduction automatique basée sur Fairseq 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 Remarque Si vous souhaitez utiliser un contenu spécifique en langue source et cible, veuillez nous contacter pour organiser .
intrdplrngrsneuingIntroduction Deep Learning & Réseaux de neurones pour l’ingénieur21 heuresType : 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.
opennmtOpenNMT: Setting Up a Neural Machine Translation System7 heuresOpenNMT 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 .
mlentreMachine Learning Concepts for Entrepreneurs and Managers21 heuresCe cours de formation est destiné aux personnes qui souhaitent appliquer Machine Learning dans des applications pratiques pour leur équipe La formation ne plonge pas dans les aspects techniques et tourne autour des concepts de base et des applications commerciales / opérationnelles de la même chose Public cible Investisseurs et entrepreneurs IA Managers et ingénieurs dont l'entreprise s'aventure dans l'espace IA Analystes d'affaires et investisseurs .
OpenNNOpenNN: Mise en Oeuvre de Réseaux Neurone14 heuresOpenNN est une bibliothèque de classes opensource écrite en C ++ qui implémente des réseaux de neurones, pour une utilisation dans l'apprentissage automatique Dans ce cours, nous allons sur les principes des réseaux de neurones et utilisons OpenNN pour implémenter un exemple d'application Public Les développeurs de logiciels et les programmeurs souhaitant créer des applications Deep Learning Format du cours Conférence et discussion couplées à des exercices pratiques .
TorchTorch: Getting started with Machine and Deep Learning21 heuresTorch 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 .
mldtMachine Learning et Deep Learning21 heuresCe cours couvre l'IA (en insistant sur l'apprentissage automatique et l'apprentissage profond) .
NeuralnettfRéseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple28 heuresCe 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 .
dlvDeep Learning for Vision21 heuresPublic Ce cours convient aux chercheurs et aux ingénieurs de Deep Learning qui souhaitent utiliser les outils disponibles (la plupart du temps en open source) pour analyser les images d'ordinateur Ce cours fournit des exemples de travail .
caffeDeep Learning pour la Vision avec Caffe21 heuresCaffe 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 .
dladvDeep Learning, Niveau Avancé28 heuresL'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 .
bspkannmldtRéseau de Neurones Artificiels, Machine Learning et Deep Thinking21 heuresLe 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.
drlpythonDeep Reinforcement Learning with Python21 heuresL'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 .

Prochains cours Deep Learning

FormationDate FormationPrix [A distance / Classe]
Neural computing – Data science - Grenoble, Centre Ville proche Garelun, 2018-11-05 09:303500EUR / 4100EUR
DeepLearning4J for Image Recognition - Montpellier, Garosudlun, 2018-11-05 09:305250EUR / 6050EUR
Deep Learning for Banking (with Python) - Limoges, Centre Villelun, 2018-11-05 09:307000EUR / 8000EUR
Mastering Apache SINGA - Poitierslun, 2018-11-05 09:30N/A / 5300EUR
TensorFlow for Image Recognition - Bordeaux, Mériadecklun, 2018-11-05 09:307000EUR / 8000EUR
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

Formation Lieu Date Formation Prix [A distance / Classe]
MongoDB for Developers Marseille, Quartier du Prado lun, 2018-11-19 09:30 2700EUR / 3300EUR
R for Data Analysis and Research Tours, Parc Honoré de Balzac mar, 2018-12-18 09:30 1575EUR / 1975EUR
Advanced Automation with Ansible Paris, Opera Bourse lun, 2019-02-11 09:30 2700EUR / 3300EUR
Advanced Statistics using SPSS Predictive Analytics Software Strasbourg, Kibitzenau Station lun, 2019-04-01 09:30 6300EUR / 7300EUR

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 your region!

As a Business Development Manager you will:

  • expand business in the region
  • 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.

contact us right away!