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.
Le matériel de référence à utiliser plus tard était très bon.
PAUL BEALES- Seagate Technology.
Formation: Applied Machine Learning
Translated by
Qu'est-ce qui vous a le plus plu dans la formation?: M'a donné une bonne pratique en utilisant R pour créer des systèmes d'apprentissage automatique pour des situations réelles. Je peux l'utiliser immédiatement dans mon travail. C'était un excellent cours. L'un des meilleurs que j'ai eu.
Matthew Thomas - British Telecom
Formation: Applied Machine Learning
Translated by
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 formateur était très compétent et comprenait des domaines qui m'intéressaient.
Mohamed Salama
Formation: Data Mining & Machine Learning avec R
Translated by
Le sujet est très intéressant.
Wojciech Baranowski
Formation: Introduction au Deep Learning
Translated by
Connaissances théoriques des formateurs et volonté de résoudre les problèmes avec les participants après la formation.
Grzegorz Mianowski
Formation: Introduction au Deep Learning
Translated by
Sujet. Très intéressant!.
Piotr
Formation: Introduction au Deep Learning
Translated by
Les exercices après chaque sujet ont été très utiles, même s’ils étaient trop compliqués à la fin. En général, le matériel présenté était très intéressant et intéressant! Les exercices avec reconnaissance d'image étaient excellents.
Dolby Poland Sp. z o.o.
Formation: Introduction au Deep Learning
Translated by
Je pense que si la formation se faisait en polonais, cela permettrait au formateur de partager ses connaissances plus efficacement.
Radek
Formation: Introduction au Deep Learning
Translated by
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Deep Learning, Niveau Avancé
Translated by
Les exercices sont suffisamment pratiques et ne nécessitent pas de grandes connaissances en Python.
Alexandre GIRARD
Formation: Deep Learning, Niveau Avancé
Translated by
Faire des exercices sur des exemples réels en utilisant Eras. L'Italie a parfaitement compris nos attentes concernant cette formation.
Paul Kassis
Formation: Deep Learning, Niveau Avancé
Translated by
L'objet. Cela semblait intéressant, mais je suis parti en sachant pas beaucoup plus qu'avant.
Radoslaw Labedzki
Formation: Introduction au Deep Learning
Translated by
J'ai aimé que ce cours ait un sujet très intéressant.
Wojciech Wilk
Formation: Introduction au Deep Learning
Translated by
J'ai vraiment apprécié les réponses claires de Chris à nos questions.
Léo Dubus
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai été stupéfait par la qualité de ce cours - je dirais que c'était la norme universitaire.
David Relihan
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
Très bon aperçu général. Un bon contexte pour savoir pourquoi Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai aimé les possibilités de poser des questions et d'obtenir des explications plus approfondies de la théorie.
Sharon Ruane
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
Nous avons eu beaucoup plus d'informations sur le sujet. Une belle discussion a été faite avec certains sujets réels au sein de notre société.
Sebastiaan Holman
Formation: Machine Learning et Deep Learning
Translated by
La formation a fourni les bases qui nous permettent de continuer à nous développer en montrant comment la théorie et la pratique vont de pair. Cela m'a en fait plus intéressé par le sujet que par le passé.
Jean-Paul van Tillo
Formation: Machine Learning et Deep Learning
Translated by
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning et Deep Learning
Translated by
Le formateur a très facilement expliqué des sujets difficiles et avancés.
Leszek K
Formation: Artificial Intelligence Overview
Translated by
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction au Deep Learning
Translated by
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow pour la Reconnaissance d'Image
Translated by
Très souple.
Frank Ueltzhöffer
Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking
Translated by
J'ai généralement apprécié la flexibilité.
Werner Philipp
Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking
Translated by
Compte tenu des perspectives de la technologie: quelle technologie / processus pourrait devenir plus important dans le futur; voir à quoi la technologie peut être utilisée
Commerzbank AG
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai bénéficié de la sélection de sujets. Style de formation. Orientation pratique
Commerzbank AG
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
Tout comme ça
蒙 李
Formation: Machine Learning avec Python, les Fondamentaux
Translated by
manière de conduire et exemple donné par le formateur
ORANGE POLSKA S.A.
Formation: Machine Learning et Deep Learning
Translated by
Possibilité de discuter vous-même des problèmes proposés
ORANGE POLSKA S.A.
Formation: Machine Learning et Deep Learning
Translated by
Communication avec des conférenciers
文欣 张
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Comme ça
lisa xie
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Couverture approfondie des sujets d'apprentissage automatique, en particulier des réseaux de neurones. Démystifié beaucoup de sujet.
Sacha Nandlall
Formation: Python for Advanced Machine Learning
Translated by
Exercices
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
les exercices de laboratoire
Marcell Lorant - L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
Le cahier Jupyter, dans lequel le matériel de formation est disponible
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
Il y avait beaucoup d'exercices et de sujets intéressants.
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
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
Translated by
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
Translated by
Connaissances approfondies et actualisées d’exemples d’applications de premier plan et pratiques.
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Beaucoup d'exercices, très bonne coopération avec le groupe.
Janusz Chrobot - ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
travailler sur des collaborateurs,
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Il était évident que les passionnés des sujets présentés étaient en tête. Utilisé des exemples intéressants pendant l'exercice.
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Un large éventail de sujets couverts et une connaissance approfondie des dirigeants.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
manque
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Grandes connaissances théoriques et pratiques des conférenciers. Communicativeness des formateurs. Pendant le cours, vous pouvez poser des questions et obtenir des réponses satisfaisantes.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Partie pratique, où nous avons implémenté des algorithmes. Cela a permis une meilleure compréhension du sujet.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
exercices et exemples mis en oeuvre
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Exemples et problèmes discutés.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Connaissances substantielles, engagement, une manière passionnée de transférer des connaissances. Exemples pratiques après un cours théorique.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Exercices pratiques préparés par M. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
J'avais profité de la passion d'enseigner et de me concentrer pour rendre les choses sensées.
Zaher Sharifi - GOSI
Formation: Deep Learning, Niveau Avancé
Translated by
Code | Nom | Durée | Aperçu |
---|---|---|---|
aiint | Artificial Intelligence Overview | 7 heures | Ce cours a été créé pour les responsables, les architectes de solutions, les responsables de l’innovation, les directeurs techniques, les architectes de logiciels et toute personne intéressée par un aperçu de l’intelligence artificielle appliquée et les prévisions les plus proches pour son développement. |
mlios | Machine Learning on iOS | 14 heures | Dans cette formation en ligne, les participants apprendront à utiliser la pile de technologies iOS Machine Learning (ML) au fur et à mesure qu'ils franchissent la phase de création et de déploiement d'une application mobile iOS À la fin de cette formation, les participants seront en mesure de: Créer une application mobile capable de traitement d'image, d'analyse de texte et de reconnaissance vocale Accès aux modèles ML pré-intégrés pour l'intégration dans les applications iOS Créer un modèle ML personnalisé Ajouter la prise en charge de Siri Voice aux applications iOS Comprendre et utiliser des frameworks tels que coreML, Vision, CoreGraphics et GamePlayKit Utilisez des langages et des outils tels que Python, Keras, Caffee, Tensorflow, scikit learn, libsvm, Anaconda et Spyder Public Développeurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
textsum | Text Summarization with Python | 14 heures | Dans Python Machine Learning, la fonction de synthèse de texte est capable de lire le texte d'entrée et de produire un résumé de texte Cette fonctionnalité est disponible depuis la ligne de commande ou sous la forme d'une API / bibliothèque Python Une application passionnante est la création rapide de résumés exécutifs; ceci est particulièrement utile pour les organisations qui ont besoin d'examiner de grandes quantités de données textuelles avant de générer des rapports et des présentations Dans cette formation en ligne, les participants apprendront à utiliser Python pour créer une application simple qui génère automatiquement un résumé du texte saisi À la fin de cette formation, les participants seront en mesure de: Utilisez un outil de ligne de commande qui résume le texte Concevoir et créer du code de synthèse de texte en utilisant des bibliothèques Python Évaluer trois bibliothèques de résumés Python: sumy 070, pysummarization 104, readless 1017 Public Développeurs Data Scientists 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 . |
opennlp | OpenNLP for Text Based Machine Learning | 14 heures | La bibliothèque Apache OpenNLP est une boîte à outils basée sur l'apprentissage automatique pour le traitement du texte en langage naturel Il prend en charge les tâches PNL les plus courantes, telles que la détection de langue, la segmentation de phrases, la segmentation de phrases, l'extraction d'entités nommées, le découpage, l'analyse et la résolution de coréférences Dans cette formation en ligne, les participants apprendront comment créer des modèles pour le traitement de données textuelles à l'aide d'OpenNLP Des exemples de données de formation ainsi que des ensembles de données personnalisés seront utilisés comme base pour les exercices en laboratoire À la fin de cette formation, les participants seront en mesure de: Installez et configurez OpenNLP Télécharger des modèles existants et créer leur propre Former les modèles sur différents ensembles de données d'échantillons Intégrez OpenNLP aux applications Java existantes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
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 . |
mlbankingr | Machine Learning for Banking (with R) | 28 heures | 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 R sera utilisé comme langage de programmation 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 en direct Public Développeurs Les scientifiques de données Professionnels de la banque avec un bagage technique 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 . |
tensorflowserving | TensorFlow Serving | 7 heures | TensorFlow Serving est un système destiné à servir les modèles d'apprentissage automatique (ML) à la production Dans cette formation en ligne, les participants apprendront comment configurer et utiliser TensorFlow Serving pour déployer et gérer des modèles ML dans un environnement de production À la fin de cette formation, les participants seront en mesure de: Former, exporter et servir divers modèles TensorFlow Tester et déployer des algorithmes à l'aide d'une architecture unique et d'un ensemble d'API Étendre TensorFlow Serving pour servir d'autres types de modèles au-delà des modèles TensorFlow Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
pythontextml | Python: Machine Learning with Text | 21 heures | Dans cette formation en ligne, les participants apprendront à utiliser les techniques d'apprentissage automatique et de traitement automatique du langage naturel (NLP) pour extraire de la valeur à partir de données textuelles À la fin de cette formation, les participants seront en mesure de: Résoudre des problèmes de science des données basés sur du texte avec un code réutilisable de haute qualité Appliquer différents aspects de scikitlearn (classification, clustering, régression, réduction de dimension) pour résoudre des problèmes Construire des modèles d'apprentissage automatique efficaces en utilisant des données textuelles Créer un ensemble de données et extraire des entités à partir d'un texte non structuré Visualiser les données avec Matplotlib Construire et évaluer des modèles pour mieux comprendre Résoudre les erreurs d'encodage de texte Public Développeurs Data Scientists Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
mlfinancepython | Machine Learning for Finance (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 l'industrie de la finance 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 À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage automatique Apprenez les applications et les utilisations de l'apprentissage automatique en finance Développer sa propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
encogintro | Encog: Introduction to Machine Learning | 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 . |
encogadv | Encog: Advanced Machine Learning | 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 . |
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 . |
embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 heures | Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
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 . |
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 . |
mlfinancer | Machine 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 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 à appliquer des techniques d'apprentissage automatique et des outils pour résoudre les problèmes du monde réel dans l'industrie de la finance R sera utilisé comme langage de programmation 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 À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage automatique Apprenez les applications et les utilisations de l'apprentissage automatique en finance Développer sa propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec R Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
snorkel | Snorkel: Rapidly Process Training Data | 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 . |
ML_LBG | Machine Learning – Data science | 21 heures | Cette session de formation en classe explorera les outils d'apprentissage automatique avec Python (suggéré) Les délégués auront des exemples informatisés et des exercices d'étude de cas à entreprendre . |
appai | Applied AI from Scratch | 28 heures | This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. |
dlfortelecomwithpython | Deep Learning for Telecom (with Python) | 28 heures | Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for telecom using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to: - Understand the fundamental concepts of deep learning - Learn the applications and uses of deep learning in telecom - Use Python, Keras, and TensorFlow to create deep learning models for telecom - Build their own deep learning customer churn prediction model using Python Format of the course - Part lecture, part discussion, exercises and heavy hands-on practice |
rapidminer | RapidMiner for Machine Learning and Predictive Analytics | 14 heures | RapidMiner is an open source data science software platform for rapid application prototyping and development. It includes an integrated environment for data preparation, machine learning, deep learning, text mining, and predictive analytics. In this instructor-led, live training, participants will learn how to use RapidMiner Studio for data preparation, machine learning, and predictive model deployment. By the end of this training, participants will be able to: - Install and configure RapidMiner - Prepare and visualize data with RapidMiner - Validate machine learning models - Mashup data and create predictive models - Operationalize predictive analytics within a business process - Troubleshoot and optimize RapidMiner Audience - Data scientists - Engineers - Developers Format of the Course - Part lecture, part discussion, exercises and heavy hands-on practice Note - To request a customized training for this course, please contact us to arrange. |
aicityplanning | Artificial Intelligence for City Planning | 14 heures | À quoi ressembleront les villes à l'avenir? Comment l'intelligence artificielle (IA) peut-elle être utilisée pour améliorer la planification urbaine? Comment l'IA peut-elle être utilisée pour rendre les villes plus efficaces, vivables, plus sûres et respectueuses de l'environnement? Dans cette formation en direct, sur place ou à distance, nous examinons les différentes technologies qui composent l'IA, ainsi que les compétences et le cadre mental requis pour les utiliser dans la planification urbaine Nous couvrons également les outils et les approches pour la collecte et l'organisation des données pertinentes à utiliser dans l'IA, y compris l'exploration de données Public Urbanistes Architectes Développeurs Les fonctionnaires du transport Format du cours Partie conférence, discussion partielle et une série d'exercices interactifs Remarque Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser . |
dlformedicine | Deep Learning for Medicine | 14 heures | L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés Deep Learning est un sous-domaine de l'apprentissage automatique qui tente d'imiter le fonctionnement du cerveau humain dans la prise de décisions Il est formé avec des données afin de fournir automatiquement des solutions aux problèmes Deep Learning offre de vastes opportunités pour l'industrie médicale qui est assis sur une mine de données Dans cette formation instruite, en direct, les participants Participez à une série de discussions, d'exercices et d'analyses de cas pour comprendre les fondements de l'apprentissage profond Les outils et techniques de Deep Learning les plus importants seront évalués et des exercices seront organisés pour préparer les participants à effectuer leur propre évaluation et mise en œuvre des solutions Deep Learning au sein de leurs organisations À la fin de cette formation, les participants seront en mesure de: Comprendre les fondamentaux de Deep Learning Apprendre les techniques d'apprentissage en profondeur et leurs applications dans l'industrie Examiner les problèmes de médecine qui peuvent être résolus par les technologies Deep Learning Explorer des études de cas Deep Learning en médecine Formuler une stratégie pour l'adoption des dernières technologies en Deep Learning pour résoudre les problèmes en médecine Public Les gestionnaires Les professionnels de la santé dans des rôles de leadership Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser . |
algebraforml | Algebra for Machine Learning | 14 heures | L'algèbre linéaire est une branche des mathématiques qui traite des vecteurs, des matrices et des transformées linéaires La connaissance de l'algèbre linéaire aide les ingénieurs et les développeurs à améliorer leurs capacités d'apprentissage automatique Comprendre les concepts d'algèbre linéaire leur permet de mieux comprendre les principes qui sous-tendent les techniques d'apprentissage automatique et donc de résoudre les problèmes plus rapidement Dans cette formation en ligne, les participants apprendront les principes fondamentaux de l'algèbre linéaire tout en résolvant un problème d'apprentissage automatique à l'aide de méthodes d'algèbre linéaire À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'algèbre linéaire Apprendre les techniques d'algèbre linéaire nécessaires à l'apprentissage automatique Utilisez des structures et des concepts d'algèbre linéaire lorsque vous travaillez avec des données, des images, des algorithmes, etc Résoudre un problème d'apprentissage automatique en utilisant l'algèbre linéaire Public Développeurs Ingénieurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser . |
Nue_LBG | Neural computing – Data science | 14 heures | Cette séance de formation en classe contiendra des présentations et des exemples informatiques et des exercices d'étude de cas à entreprendre avec les bibliothèques de neurones et de réseaux profonds pertinents . |
mllbg | Machine Learning in business – AI/Robotics | 14 heures | Cette séance de formation en salle de classe explorera les techniques d'apprentissage automatique, avec des exemples informatiques et des exercices de résolution d'études de cas en utilisant un programme pertinent . |
Formation | Date Formation | Prix [A distance / Classe] |
---|---|---|
Deep Learning for Finance (with R) - Lyon, Gare Lyon Part-Dieu | lun, 2019-03-18 09:30 | 7000EUR / 8000EUR |
Deep Learning for Finance (with R) - Grenoble, Centre Ville proche Gare | lun, 2019-03-25 09:30 | 7000EUR / 8000EUR |
Deep Learning for Finance (with R) - Montpellier, Garosud | mar, 2019-03-26 09:30 | 7000EUR / 8000EUR |
Deep Learning for Finance (with R) - Marseille, Quartier du Prado | lun, 2019-04-01 09:30 | 7000EUR / 8000EUR |
Deep Learning for Finance (with R) - Strasbourg, Kibitzenau Station | lun, 2019-04-01 09:30 | 7000EUR / 8000EUR |
Formation | Lieu | Date Formation | Prix [A distance / Classe] |
---|---|---|---|
Advanced Statistics using SPSS Predictive Analytics Software | Strasbourg, Kibitzenau Station | lun, 2019-04-01 09:30 | 6300EUR / 7300EUR |
R for Data Analysis and Research | Orléans, gare centrale | lun, 2019-04-15 09:30 | 1575EUR / 1975EUR |
Advanced Go Programming | Limoges, Centre Ville | mar, 2019-06-04 09:30 | 4725EUR / 5525EUR |
Blockchain for Financial Bodies | Limoges, Centre Ville | jeu, 2019-06-06 09:30 | 3150EUR / 3750EUR |
The Secure Coding Landscape | Marseille, Quartier du Prado | mar, 2019-07-09 09:30 | 3150EUR / 3750EUR |
We are looking to expand our presence in France!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!