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 to Deep Learning
Translated by
Connaissances théoriques des formateurs et volonté de résoudre les problèmes avec les participants après la formation.
Grzegorz Mianowski
Formation: Introduction to Deep Learning
Translated by
Sujet. Très intéressant!.
Piotr
Formation: Introduction to 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 to 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 to Deep Learning
Translated by
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Advanced Deep Learning
Translated by
Les exercices sont suffisamment pratiques et ne nécessitent pas de grandes connaissances en Python.
Alexandre GIRARD
Formation: Advanced Deep Learning
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: Advanced Deep Learning
Translated by
L'objet. Cela semblait intéressant, mais je suis parti en sachant pas beaucoup plus qu'avant.
Radoslaw Labedzki
Formation: Introduction to Deep Learning
Translated by
J'ai aimé que ce cours ait un sujet très intéressant.
Wojciech Wilk
Formation: Introduction to Deep Learning
Translated by
I really appreciated the crystal clear answers of Chris to our questions.
Léo Dubus
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Neural Networks Fundamentals using TensorFlow as Example
Translated by
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
Translated by
Très bon aperçu général. Un bon contexte pour savoir pourquoi Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Neural Networks Fundamentals using TensorFlow as Example
Translated by
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
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 and 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 and Deep Learning
Translated by
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning and Deep Learning
Translated by
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction to Deep Learning
Translated by
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow for Image Recognition
Translated by
Très souple.
Frank Ueltzhöffer
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
J'ai généralement apprécié la flexibilité.
Werner Philipp
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
Les séances de présentation et de discussion d'Henry étaient très denses avec des informations et des idées précieuses. Il s'est adapté rapidement aux paramètres et aux demandes. Bonne connaissance de la région et très agréable.
Desmond Chung
Formation: Deep Learning for Vision - customised
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: Neural Networks Fundamentals using TensorFlow as Example
Translated by
J'ai bénéficié de la sélection de sujets. Style de formation. Orientation pratique
Commerzbank AG
Formation: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Explication du papier
Formation: Deep Learning with TensorFlow - bespoke
Translated by
manière de conduire et exemple donné par le formateur
ORANGE POLSKA S.A.
Formation: Machine Learning and Deep Learning
Translated by
Possibilité de discuter vous-même des problèmes proposés
ORANGE POLSKA S.A.
Formation: Machine Learning and 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
| 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. |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| mlbankingpython_ | Machine Learning for Banking (with Python) | 21 heures | L'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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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. |
| facebooknmt | Facebook NMT: Setting up a Neural Machine Translation System | 7 heures | Fairseq 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 . |
| mchdeeplearn | Introduction à l’intelligence artificielle : outils et enjeux | 14 heures | |
| intrdplrngrsneuing | Introduction Deep Learning & Réseaux de neurones pour l’ingénieur | 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. |
| opennmt | OpenNMT: Setting Up a Neural Machine Translation System | 7 heures | OpenNMT est un système de traduction automatique à base de neurones opensource (MIT) qui utilise la boîte à outils mathématique de Torch Dans cette formation, les participants apprendront comment configurer et utiliser OpenNMT pour effectuer la traduction de divers exemples de données Le cours commence par un aperçu des réseaux de neurones tels qu'ils s'appliquent à la traduction automatique Les participants effectueront des exercices en direct tout au long du cours pour démontrer leur compréhension des concepts appris et obtenir des commentaires de l'instructeur À la fin de cette formation, les participants auront les connaissances et la pratique nécessaires pour mettre en œuvre une solution OpenNMT en direct Les échantillons de langue source et cible seront pré-arrangés selon les besoins de l'auditoire Public Spécialistes de la localisation avec un bagage technique Les gestionnaires de contenu globaux Ingénieurs de localisation Les développeurs de logiciels en charge de la mise en œuvre de solutions de contenu global Format du cours Partie conférence, partie de discussion, pratique handson lourde . |
| mlentre | Machine Learning Concepts for Entrepreneurs and Managers | 21 heures | Ce 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 . |
| OpenNN | OpenNN: Mise en Oeuvre de Réseaux Neurone | 14 heures | OpenNN 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 . |
| Torch | Torch: Getting started with Machine and Deep Learning | 21 heures | Torch est une bibliothèque d'apprentissage automatique open source et un framework d'informatique scientifique basé sur le langage de programmation Lua Il fournit un environnement de développement pour les numériques, l'apprentissage automatique et la vision par ordinateur, avec un accent particulier sur l'apprentissage en profondeur et les réseaux convolutifs C'est l'un des frameworks les plus rapides et les plus flexibles pour Machine and Deep Learning Il est utilisé par des entreprises telles que Facebook, Google, Twitter, NVIDIA, AMD, Intel et bien d'autres Dans ce cours, nous couvrons les principes de Torch, ses caractéristiques uniques, et comment il peut être appliqué dans des applications réelles Nous traversons de nombreux exercices tout au long, tout en démontrant et en pratiquant les concepts appris À la fin du cours, les participants auront une compréhension approfondie des caractéristiques et des capacités sous-jacentes de Torch, ainsi que de son rôle et de sa contribution dans l'espace IA par rapport à d'autres frameworks et bibliothèques Les participants auront également reçu la pratique nécessaire pour mettre en œuvre Torch dans leurs propres projets Public Les développeurs de logiciels et les programmeurs souhaitant activer Machine et Deep Learning dans leurs applications Format du cours Vue d'ensemble de la machine et de l'apprentissage profond Inclure les exercices de codage et d'intégration Poser des questions de test en cours de route pour vérifier la compréhension . |
| mldt | Machine Learning et Deep Learning | 21 heures | Ce cours couvre l'IA (en insistant sur l'apprentissage automatique et l'apprentissage profond) . |
| Neuralnettf | Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple | 28 heures | Ce cours vous donnera des connaissances dans les réseaux de neurones et généralement dans l'algorithme d'apprentissage automatique, l'apprentissage en profondeur (algorithmes et applications) Cette formation est plus axée sur les fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc Les exemples sont faits dans TensorFlow . |
| dlv | Deep Learning for Vision | 21 heures | Public 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 . |
| caffe | Deep Learning pour la Vision avec Caffe | 21 heures | Caffe est un cadre d'apprentissage en profondeur fait avec l'expression, la vitesse et la modularité à l'esprit Ce cours explore l'application de Caffe comme cadre d'apprentissage en profondeur pour la reconnaissance d'image en utilisant le MNIST comme exemple Public Ce cours convient aux chercheurs et aux ingénieurs de Deep Learning intéressés à utiliser Caffe comme framework Après avoir terminé ce cours, les délégués seront en mesure de: comprendre la structure et les mécanismes de déploiement de Caffe réaliser les tâches et la configuration de l'installation / de l'environnement de production / de l'architecture évaluer la qualité du code, effectuer le débogage, surveiller mettre en œuvre une production avancée comme des modèles de formation, la mise en œuvre de couches et la journalisation . |
| 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 . |
| 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. |
| 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 . |
| Formation | Date Formation | Prix [A distance / Classe] |
|---|---|---|
| Advanced Machine Learning with R - Lyon, Gare Lyon Part-Dieu | mer, 2018-09-05 09:30 | 5250EUR / 6050EUR |
| OpenFace: Creating Facial Recognition Systems - Nantes, Zenith | jeu, 2018-09-06 09:30 | 3500EUR / 4100EUR |
| Introduction Deep Learning & Réseaux de neurones pour l’ingénieur - Formation Online | lun, 2018-09-10 09:30 | 4500EUR / 5300EUR |
| Deep Learning for Telecom (with Python) - Grenoble, Centre Ville proche Gare | mar, 2018-09-11 09:30 | 6000EUR / 7000EUR |
| Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple - Strasbourg, Kibitzenau Station | lun, 2018-09-17 09:30 | 7000EUR / 8000EUR |
| Formation | Lieu | Date Formation | Prix [A distance / Classe] |
|---|---|---|---|
| Ubuntu Server Overview | Clermont-Ferrand, ZI Le Brézet | mar, 2018-08-28 09:30 | 1350EUR / 1750EUR |
| OCEB Certified Expert in BPM - Business Advanced Exam Preparation | Poitiers | mer, 2018-10-03 09:30 | 1575EUR / 1975EUR |
| One Day Workshop for PEAP Authentication of Windows 7 Supplicant using a Cisco Switch as Authenticator and Windows 2008 R2 Server | Amiens, Centre Ville | ven, 2018-10-05 09:30 | 1350EUR / 1750EUR |
| Distributed Messaging with Apache Kafka | Nantes, Zenith | mar, 2018-10-09 09:30 | 2970EUR / 3570EUR |
| Protractor: End-to-end testing for Angular web applications | Paris, Opera Bourse | jeu, 2018-10-18 09:30 | 2970EUR / 3570EUR |
| MongoDB for Developers | Marseille, Quartier du Prado | lun, 2018-11-19 09:30 | 2700EUR / 3300EUR |
.jpg "abu dhabi company for onshore oil operations (adco)")
.jpg "aeronautical radio, incorporated (arinc)")
.jpg "american international group (aig)")
.png "american medical association (ama)")
.png "bank of montreal (bmo)")
