L'apprentissage automatique ou apprentissage statistique, champ d'étude de l'intelligence artificielle, concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à une machine (au sens large) d'évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou problématiques à remplir par des moyens algorithmiques plus classiques.
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 formateur était très compétent et comprenait des domaines qui m'intéressaient.
Mohamed Salama
Formation: Data Mining & Machine Learning with R
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
Le formateur a très facilement expliqué des sujets difficiles et avancés.
Leszek K
Formation: Artificial Intelligence Overview
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
Tout comme ça
蒙 李
Formation: Machine Learning Fundamentals with Python
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
J'ai vraiment aimé les exercices
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
les exercices de laboratoire
Marcell Lorant - L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
Le cahier Jupyter, dans lequel le matériel de formation est disponible
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
Il y avait beaucoup d'exercices et de sujets intéressants.
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
des exercices de laboratoire géniaux analysés et expliqués en profondeur par le formateur (par exemple, covariants en régression linéaire, correspondant à la fonction réelle)
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
C'est tout simplement génial que tout le matériel, y compris les exercices, soit sur la même page et qu'il soit mis à jour à la volée. La solution est révélée à la fin. Cool! De plus, j'apprécie que Krzysztof ait fait un effort supplémentaire pour comprendre nos problèmes et nous a suggéré des techniques possibles.
Attila Nagy - L M ERICSSON LIMITED
Formation: 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
Sous-catégories Machine Learning (ML)
Plans de cours Machine Learning (ML)
Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu
14 heures
Les transformateurs génératifs pré-entraînés (GPT) sont des modèles de pointe en matière de traitement du langage naturel qui ont révolutionné diverses applications, notamment la génération de langage, la complétion de texte et la traduction automatique. Ce cours propose une exploration approfondie des modèles GPT, en mettant l'accent sur GPT-3 et les dernières avancées de GPT-4. Les participants auront un aperçu de l'architecture, des techniques de formation et des applications des modèles GPT.Cette formation en direct, animée par un instructeur (en ligne ou sur site), est destinée aux scientifiques des données, aux ingénieurs en apprentissage automatique, aux chercheurs en PNL et aux passionnés d'IA qui souhaitent comprendre le fonctionnement interne des modèles GPT, explorer les capacités de GPT-3 et GPT-4. , et découvrez comment tirer parti de ces modèles pour leurs tâches NLP.Au terme de cette formation, les participants seront capables de :
- Comprendre les concepts et principes clés derrière les transformateurs pré-formés génératifs. Comprendre l'architecture et le processus de formation des modèles GPT. Utilisez GPT-3 pour des tâches telles que la génération, la complétion et la traduction de texte. Découvrez les dernières avancées de GPT-4 et ses applications potentielles. Appliquer les modèles GPT à leurs propres projets et tâches NLP.
- 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
LightGBM est un framework d'amplification de gradient distribué gratuit et open-source pour l'apprentissage automatique, développé à l'origine par Microsoft. Il est basé sur des algorithmes d'arbre de décision et utilisé pour le classement, la classification et d'autres tâches d'apprentissage automatique.Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux scientifiques des données de niveau débutant à intermédiaire qui souhaitent apprendre les bases de LightGBM et explorer des techniques avancées.Au terme de cette formation, les participants seront capables de :
- Installez et configurez LightGBM. Comprendre la théorie derrière les algorithmes d'amplification de gradient et d'arbre de décision Utilisez LightGBM pour les tâches d'apprentissage automatique de base et avancées. Mettez en œuvre des techniques avancées telles que l'ingénierie des fonctionnalités, le réglage des hyperparamètres et l'interprétation des modèles. Intégrez LightGBM à d'autres frameworks d'apprentissage automatique. Résoudre les problèmes courants dans LightGBM.
- 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
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.
7 heures
Vertex AI est un environnement Google Cloud permettant d'effectuer des tâches d'apprentissage automatique, de l'expérimentation au déploiement, en passant par la gestion et la surveillance des modèles. Il s'agit d'une infrastructure évolutive qui fournit des capacités de gestion des utilisateurs et des contrôles de sécurité sur les projets d'apprentissage automatique.Cette formation en direct animée par un instructeur (sur site ou à distance) s'adresse aux ingénieurs en logiciel de niveau débutant à intermédiaire ou à toute personne souhaitant apprendre à utiliser Vertex AI pour effectuer et compléter des activités d'apprentissage automatique.Au terme de cette formation, les participants seront capables de :
- Comprenez comment Vertex AI fonctionne et utilisez-le comme plateforme d'apprentissage automatique. En savoir plus sur l'apprentissage automatique et les concepts de la PNL. Savoir former et déployer des modèles d'apprentissage automatique à l'aide de Vertex AI.
- 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.
14 heures
Waikato Environment for Knowledge Analysis (Weka) est un logiciel de visualisation de mining de données à source ouverte. Il fournit une collection d'algorithmes d'apprentissage automatique pour la préparation des données, la classification, le cluster et d'autres activités de minage de données.
Cette formation guidée par des instructeurs, en direct (online ou sur site) est destinée à des analystes de données et des scientifiques de données qui souhaitent utiliser Weka pour effectuer des tâches de minage de données.
À la fin de cette formation, les participants seront en mesure de :
-
Installer et configurer Weka
Comprendre Weka l’environnement et le système de travail.
Exécuter des tâches de minage de données en utilisant Weka.
-
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
L'objectif de ce cours est de fournir une compétence de base dans l'application Machine Learning des méthodes en pratique. Grâce à l'utilisation du langage de programmation Python et ses différentes bibliothèques, et sur la base d'une multitude d'exemples pratiques, ce cours enseigne comment utiliser les blocs de construction les plus importants Machine Learning, comment prendre des décisions de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte d'outils Machine Learning avec confiance et éviter les tombes communes des applications Data Science.
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 .
28 heures
le but de ce cours est de fournir une compétence générale dans l’application des méthodes de machine learning dans la pratique. Grâce à l’utilisation du langage de programmation Python et de ses différentes bibliothèques, et basé sur une multitude d’exemples pratiques, ce cours enseigne comment utiliser les principaux éléments constitutifs de machine learning, comment faire des décisions de modélisation de données, interpréter les les sorties des algorithmes et valider les résultats.
notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte à outils machine learning en toute confiance et d’éviter les pièges communs des applications Data sciences.
28 heures
C'est un cours de 4 jours introduisant l'IA et son application en utilisant le langage de programmation Python. Il y a une option d'avoir un jour supplémentaire pour mener un projet d'IA à la fin de ce cours.
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 .
7 heures
Ce cours a été créé pour les gestionnaires, les architectes de solutions, les agents d'innovation, les CTO, les architectes de logiciels et tous ceux qui sont intéressés par un aperçu de l'intelligence artificielle appliquée et la prévision la plus proche pour son développement.
7 heures
Cette formation s'adresse aux personnes souhaitant appliquer les techniques de base d' Machine Learning à des applications pratiques. Public Les scientifiques de données et les statisticiens qui sont familiarisés avec l’apprentissage automatique et savent comment programmer R. Ce cours met l’accent sur les aspects pratiques de la préparation, de l’exécution, de l’analyse post-hoc et de la visualisation de modèles et de données. Le but est de donner une introduction pratique à l’apprentissage automatique aux participants intéressés par l’application des méthodes au travail Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
14 heures
Ce cours de formation est destiné aux personnes souhaitant appliquer le Machine Learning à des applications pratiques. Public Ce cours est destiné aux scientifiques et aux statisticiens qui connaissent bien les statistiques et savent programmer R (ou Python ou une autre langue choisie). Ce cours met l'accent sur les aspects pratiques de la préparation, de l'exécution, de l'analyse et de la visualisation de modèles / données. Le but est de donner des applications pratiques à Machine Learning aux participants souhaitant appliquer les méthodes au travail. Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
14 heures
Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide de la plate-forme de programmation R et de ses diverses bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats. Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
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
This course will be a combination of theory and practical work with specific examples used throughout the event.
21 heures
Ce cours présente les méthodes d’apprentissage automatique dans les applications robotiques. C'est un large aperçu des méthodes existantes, des motivations et des idées principales dans le contexte de la reconnaissance de formes. Après une brève formation théorique, les participants effectueront un exercice simple en utilisant une source ouverte (généralement R) ou tout autre logiciel populaire.
14 heures
Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide du langage de programmation Scala et de ses différentes bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , comment prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats. Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
14 heures
R est un langage de programmation open-source gratuit pour la comptabilité statistique, l'analyse des données et les graphiques. La recherche est utilisée par un nombre croissant de gestionnaires et d'analystes de données à l'intérieur des sociétés et de l'académie. R a une grande variété de paquets pour l'exploitation de données.
35 heures
Ce cours est créé pour les personnes qui n'ont aucune expérience en probabilités et statistiques .
21 heures
Le cours est dédié à ceux qui aimeraient connaître un programme alternatif au package commercial MATLAB La formation threeday fournit des informations complètes sur le déplacement dans l'environnement et l'exécution du package OCTAVE pour l'analyse des données et les calculs d'ingénierie Les bénéficiaires de la formation sont des débutants, mais aussi ceux qui connaissent le programme et voudraient systématiser leurs connaissances et améliorer leurs compétences La connaissance d'autres langages de programmation n'est pas requise, mais cela facilitera grandement l'acquisition de connaissances par les apprenants Le cours vous montrera comment utiliser le programme dans de nombreux exemples pratiques .
21 heures
Ce cours de formation est destiné aux personnes souhaitant appliquer le Machine Learning à des applications pratiques pour leur équipe. La formation ne plongera pas dans les détails techniques et s’articulera autour des concepts de base et de leurs applications commerciales / opérationnelles. Public cible
- Investisseurs et entrepreneurs en IA
- Gestionnaires et ingénieurs dont l'entreprise se lance dans l'IA
- Analystes d' Business et investisseurs
7 heures
Snorkel est un système permettant de créer, modéliser et gérer rapidement des données d'entraînement Il se concentre sur l'accélération du développement d'applications d'extraction de données structurées ou «sombres» pour des domaines dans lesquels de grands ensembles d'apprentissage étiquetés ne sont pas disponibles ou faciles à obtenir Dans cette formation en ligne, les participants apprendront des techniques pour extraire de la valeur à partir de données non structurées telles que du texte, des tableaux, des figures et des images grâce à la modélisation des données d'entraînement avec Snorkel À la fin de cette formation, les participants seront en mesure de: Créer par programmation des ensembles d'entraînement pour permettre l'étiquetage d'ensembles d'entraînement massifs Former des modèles finaux de haute qualité en commençant par modéliser des ensembles d'entraînement bruyants Utiliser Snorkel pour implémenter de faibles techniques de supervision et appliquer la programmation de données à des systèmes d'apprentissage machine faiblement supervisés Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
14 heures
Encog est un framework d'apprentissage machine opensource pour Java etNet Dans cette formation en direct, les participants apprendront des techniques avancées d'apprentissage automatique pour construire des modèles prédictifs précis de réseaux neuronaux À la fin de cette formation, les participants seront en mesure de: Mettre en œuvre différentes techniques d'optimisation des réseaux neuronaux pour résoudre les problèmes de sous-équipement et de surapprentissage Comprendre et choisir parmi un certain nombre d'architectures de réseaux neuronaux Mettre en place des réseaux de feed-back et de feedback supervisés Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
14 heures
Encog est un framework d'apprentissage machine opensource pour Java etNet Dans cette formation en ligne, les participants apprendront comment créer différents composants de réseau neuronal en utilisant ENCOG Les études de cas de Realworld seront discutées et des solutions basées sur le langage machine à ces problèmes seront explorées À la fin de cette formation, les participants seront en mesure de: Préparer les données pour les réseaux de neurones en utilisant le processus de normalisation Mettre en œuvre des réseaux d'anticipation et des méthodologies de formation à la propagation Implémenter des tâches de classification et de régression Modéliser et former des réseaux de neurones à l'aide de l'atelier basé sur l'interface graphique d'Encog Intégrez le support de réseau neuronal dans les applications realworld Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
Dernière mise à jour :
Weekend Machine Learning (ML) cours, Soir ML (Machine Learning) formation, Machine Learning (ML) stage d’entraînement, Machine Learning (ML) formateur à distance, Machine Learning (ML) formateur en ligne, Machine Learning (ML) formateur Online, Machine Learning (ML) cours en ligne, ML (Machine Learning) cours à distance, ML (Machine Learning) professeur à distance, ML (Machine Learning) visioconférence, Machine Learning stage d’entraînement intensif, Machine Learning (ML) formation accélérée, Machine Learning (ML) formation intensive, Formation inter Machine Learning (ML), Formation intra ML (Machine Learning), Formation intra Enteprise Machine Learning, Formation inter Entreprise Machine Learning (ML), Weekend ML (Machine Learning) formation, Soir Machine Learning cours, Machine Learning (ML) coaching, Machine Learning entraînement, ML (Machine Learning) préparation, Machine Learning instructeur, ML (Machine Learning) professeur, ML (Machine Learning) formateur, Machine Learning (ML) stage de formation, Machine Learning (ML) cours, Machine Learning (ML) sur place, ML (Machine Learning) formations privées, Machine Learning (ML) formation privée, Machine Learning (ML) cours particulier, Machine Learning (ML) cours particuliers
