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)
Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu
21 heures
Stable Diffusion est un puissant modèle d'apprentissage en profondeur qui peut générer des images détaillées basées sur des descriptions textuelles.Cette formation en direct, animée par un instructeur (sur site ou à distance), s'adresse aux scientifiques des données, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage en profondeur et aux experts en vision par ordinateur de niveau intermédiaire à avancé qui souhaitent approfondir leurs connaissances et leurs compétences en apprentissage en profondeur pour le text-to -génération d'images.Au terme de cette formation, les participants seront capables de :
- Comprendre les architectures et les techniques avancées d'apprentissage en profondeur pour la génération de texte en image. Implémentez des modèles complexes et des optimisations pour une synthèse d'images de haute qualité. Optimisez les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes. Ajustez les hyperparamètres pour améliorer les performances et la généralisation du modèle. Intégrez Stable Diffusion à d'autres cadres et outils d'apprentissage en profondeur.
- Conférence interactive et discussion. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
21 heures
DeepSpeed est une bibliothèque d'optimisation d'apprentissage en profondeur qui facilite la mise à l'échelle des modèles d'apprentissage en profondeur sur du matériel distribué. Développé par Microsoft, DeepSpeed s'intègre à PyTorch pour fournir une meilleure mise à l'échelle, une formation plus rapide et une meilleure utilisation des ressources.Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux scientifiques des données et aux ingénieurs en apprentissage automatique de niveau débutant à intermédiaire qui souhaitent améliorer les performances de leurs modèles d'apprentissage en profondeur.Au terme de cette formation, les participants seront capables de :
- Comprendre les principes de l'apprentissage profond distribué. Installez et configurez DeepSpeed. Mettez à l'échelle des modèles d'apprentissage en profondeur sur du matériel distribué à l'aide de DeepSpeed. Implémentez et expérimentez les fonctionnalités DeepSpeed pour l'optimisation et l'efficacité de la mémoire.
- Conférence interactive et discussion. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
7 heures
AlphaFold est un système Artificial Intelligence (AI) qui effectue la prévision des structures protéines. Il est développé par Alphabet’s/Google’s DeepMind comme un système d'apprentissage profond qui peut prédire avec précision les modèles 3D des structures protéines.
Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux biologistes qui souhaitent comprendre comment AlphaFold fonctionne et utilise AlphaFold les modèles en tant que guides dans leurs études expérimentales.
À la fin de cette formation, les participants seront en mesure de :
-
Comprendre les principes fondamentaux de AlphaFold.
Apprenez comment cela fonctionne AlphaFold.
Apprenez à interpréter AlphaFold les prévisions et les résultats.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
21 heures
Stable Diffusion est un puissant modèle d'apprentissage en profondeur qui peut générer des images détaillées basées sur des descriptions textuelles.Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation.Au terme de cette formation, les participants seront capables de :
- Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images. Créez et entraînez des modèles Stable Diffusion pour les tâches de génération d'images. Appliquez Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, le outpainting et la traduction d'image à image. Optimisez les performances et la stabilité des modèles Stable Diffusion.
- Conférence interactive et discussion. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
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 .
21 heures
Deep Reinforcement Learning fait référence à la capacité d'un "agent artificiel" à apprendre par essais et erreurs et récompenses et punitions. Un agent artificiel vise à imiter la capacité d'un humain 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 est différent de l'apprentissage automatique et ne repose pas sur des approches d'apprentissage supervisé et non supervisé.Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux scientifiques des données qui souhaitent apprendre les bases de Deep Reinforcement Learning au fur et à mesure de la création d'un agent Deep Learning.Au terme de cette formation, les participants seront capables de :
- Comprendre les concepts clés derrière Deep Reinforcement Learning et être capable de le distinguer de Machine Learning. Appliquez des algorithmes avancés Reinforcement Learning pour résoudre des problèmes du monde réel. Créez un agent Deep Learning.
- Conférence interactive et discussion. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
28 heures
L’apprentissage en machine 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 domaine de l’apprentissage en machine qui utilise des méthodes basées sur les représentations de données d’apprentissage et les structures telles que les réseaux neuronaux.
Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lecture de code.
Dans cette formation guidée par l'instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage profond pour les télécoms en utilisant Python alors qu'ils passent par la création d'un modèle de risque de crédit d'apprentissage profond.
À la fin de cette formation, les participants seront en mesure de :
-
Comprendre les concepts fondamentaux de l’apprentissage profond.
Apprendre les applications et les utilisations de l'apprentissage profond dans la télécommunication.
Utilisez Python, Keras, et TensorFlow pour créer des modèles d'apprentissage profond pour les télécoms.
Construisez votre propre modèle d'apprentissage profond du client en utilisant Python.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
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 .
21 heures
Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.
21 heures
Ce cours est un aperçu général de l’ Deep Learning sans approfondir les méthodes spécifiques. Il convient aux personnes qui souhaitent commencer à utiliser l'apprentissage en profondeur pour améliorer la précision de leurs prédictions.
21 heures
Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.
28 heures
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. 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.
21 heures
Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité. Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST. Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre. Une fois ce cours terminé, les délégués seront en mesure de:
- comprendre la structure et les mécanismes de déploiement de Caffe
- 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 d'entraînement, implémenter des couches et se connecter
21 heures
Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques. Ce cours fournit des exemples de travail.
14 heures
Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.
21 heures
Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )
14 heures
Dans cette formation en direct animée par un instructeur, nous passons en revue les principes des réseaux de neurones et utilisons OpenNN pour implémenter un exemple d'application.Format du cours
- Conférence et discussion couplées à des exercices pratiques.
7 heures
Au cours de cette formation en direct animée par un instructeur, les participants apprendront à configurer et à utiliser OpenNMT pour la traduction de divers ensembles de données. Le cours commence par un aperçu des réseaux de neurones appliqués 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 les commentaires de l'instructeur. 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.
- Partie de conférence, partie de discussion, pratique intense
21 heures
Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique
Méthode pédagogique : présentation, échanges et études de cas
L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.
7 heures
Dans cette formation guidée par les instructeurs, les participants apprendront comment utiliser Facebook NMT (Fairseq) pour effectuer la traduction du contenu de l'échantillon.
À la fin de cette formation, les participants disposeront des connaissances et des pratiques nécessaires pour mettre en œuvre une solution de traduction machine Fairseq en direct.
Format du cours
-
Lecture partielle, discussion partielle, pratique lourde
-
Si vous souhaitez utiliser un contenu de source spécifique et de langue cible, veuillez nous contacter pour organiser.
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 .
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 .
7 heures
Dans cette formation en direct animée par un instructeur, 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
- Échelle des modèles de formation et de prévision sur plusieurs GPU
- Étalez le calcul et le stockage de manière parallèle au modèle
- Générer des recommandations de produits personnalisés de type Amazon
- Déployez une application prête à la production capable d'évoluer avec des charges de travail lourdes
- Partie de conférence, partie de discussion, exercices et exercices intensifs
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 .
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 .
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 .
14 heures
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
- Developers
- Engineers
- Domain experts
- Part lecture, part discussion, exercises and heavy hands-on practice
28 heures
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. 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 le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage approfondi pour la finance en utilisant R lorsqu'ils créeront un modèle de prévision du prix des actions d'apprentissage approfondi. 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 leur propre modèle de prévision du prix des actions d'apprentissage en profondeur en utilisant R
- Développeurs
- Scientifiques de données
- Partie de conférence, partie de discussion, exercices et exercices intensifs
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 banking using Python as they step through the creation of a deep learning credit risk model.
By the end of this training, participants will be able to:
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
28 heures
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. 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 le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les opérations bancaires en utilisant 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 le secteur bancaire
- Construire leur propre modèle de risque de crédit d'apprentissage profond en utilisant R
- Développeurs
- Scientifiques de données
- Partie de conférence, partie de discussion, exercices et exercices intensifs
Dernière mise à jour :
Weekend Deep Learning (DL) cours, Soir DL (Deep Learning) formation, Deep Learning (DL) stage d’entraînement, Deep Learning (DL) formateur à distance, Deep Learning (DL) formateur en ligne, Deep Learning (DL) formateur Online, Deep Learning (DL) cours en ligne, DL (Deep Learning) cours à distance, DL (Deep Learning) professeur à distance, DL (Deep Learning) visioconférence, Deep Learning stage d’entraînement intensif, Deep Learning (DL) formation accélérée, Deep Learning (DL) formation intensive, Formation inter Deep Learning (DL), Formation intra DL (Deep Learning), Formation intra Enteprise Deep Learning, Formation inter Entreprise Deep Learning (DL), Weekend DL (Deep Learning) formation, Soir Deep Learning cours, Deep Learning (DL) coaching, Deep Learning entraînement, DL (Deep Learning) préparation, Deep Learning instructeur, DL (Deep Learning) professeur, DL (Deep Learning) formateur, Deep Learning (DL) stage de formation, Deep Learning (DL) cours, Deep Learning (DL) sur place, DL (Deep Learning) formations privées, Deep Learning (DL) formation privée, Deep Learning (DL) cours particulier, Deep Learning (DL) cours particuliers
