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

★★★★★

Alternance théorie/pratique efficace !

CIRAD

Formation: Introduction au Machine Learning avec MATLAB

Présentation progressive et application des méthodes

Aurélien Briffaz - CIRAD

Formation: Introduction au Machine Learning avec MATLAB

Disponibilité et adaptabilité, réponses aux questions

Jean-Michel MEOT - CIRAD

Formation: Introduction au Machine Learning avec MATLAB

La vue d'ensemble globale de l'apprentissage en profondeur.

Bruno Charbonnier

Formation: Deep Learning, Niveau Avancé

Machine Translated

Les exercices sont suffisamment pratiques et ne nécessitent pas de connaissances approfondies en Python .

Alexandre GIRARD

Formation: Deep Learning, Niveau Avancé

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: Deep Learning, Niveau Avancé

Machine Translated

L'objet. Cela semblait intéressant, mais je suis parti en sachant pas beaucoup plus qu'avant.

Radoslaw Labedzki

Formation: Introduction au Deep Learning

Machine Translated

J'ai aimé que ce cours ait un sujet très intéressant.

Wojciech Wilk

Formation: Introduction au 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

J'ai généralement apprécié le formateur compétent.

Sridhar Voorakkara

Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple

Machine Translated

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

Machine Translated

Très bon aperçu général. Go historique des raisons pour lesquelles Tensorflow fonctionne comme il le fait.

Kieran Conboy

Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple

Machine Translated

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

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 et 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 et Deep Learning

Machine Translated

J'ai vraiment apprécié la couverture et la profondeur des sujets.

Anirban Basu

Formation: Machine Learning et Deep Learning

Machine Translated

La connaissance approfondie du formateur sur le sujet.

Sebastian Görg

Formation: Introduction au Deep Learning

Machine Translated

Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.

Paul Lee

Formation: TensorFlow pour la Reconnaissance d'Image

Machine Translated

Très souple.

Frank Ueltzhöffer

Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking

Machine Translated

J'ai généralement apprécié la flexibilité.

Werner Philipp

Formation: Réseau de Neurones Artificiels, Machine Learning et 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: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple

Machine Translated

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

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

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

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

Machine Translated

A propos de la surface faciale.

中移物联网

Formation: Deep Learning for NLP (Natural Language Processing)

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

Il montre de nombreuses méthodes avec des scripts préparés à l'avance - des matériaux très bien préparés et faciles à retracer

Kamila Begej - GE Medical Systems Polska Sp. Zoo

Formation: Machine Learning – Data science

Machine Translated

J'aime que la formation soit axée sur des exemples et le codage. Je pensais qu'il était impossible de rassembler autant de contenu en trois jours de formation, mais je me suis trompé. La formation a couvert de nombreux sujets et tout a été fait de manière très détaillée (en particulier le réglage des paramètres du modèle - je ne m'attendais pas à ce qu'il y ait un temps pour cela et j'ai été agréablement surpris).

Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo

Formation: Machine Learning – Data science

Machine Translated

J'aime le fait qu'il se concentre davantage sur le comment faire des différentes méthodes de résumé de texte

Formation: Text Summarization with Python

Machine Translated

beaucoup d'informations, toutes les questions ont répondu, des exemples intéressants

A1 Telekom Austria AG

Formation: Deep Learning for Telecom (with Python)

Machine Translated

J'aime le fait qu'il se concentre davantage sur le comment faire des différentes méthodes de résumé de texte

Formation: Text Summarization with Python

Machine Translated

Sous-catégories Machine Learning (ML)

Plans de cours Machine Learning (ML)

Nom du Cours

Durée

Aperçu

Nom du Cours

Durée

Aperçu

Intelligence Artificielle pour l'Automobile

14 hours

Aperçu

Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning ) dans l'industrie Automotive . Cela aide à déterminer quelle technologie peut (potentiellement) être utilisée dans plusieurs situations de la voiture: de l'automatisation simple à la prise de décision autonome en passant par la reconnaissance d'images.

Machine Learning on iOS

14 hours

Aperçu

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 .

OpenFace: Creating Facial Recognition Systems

14 hours

Aperçu

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 .

Octave not only for programmers

21 hours

Aperçu

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 .

Neural computing – Data science

14 hours

Aperçu

Cette session de formation en classe contiendra des présentations, des exemples informatiques et des exercices d’études de cas à entreprendre avec les bibliothèques de réseaux neuronales et profondes pertinentes.

Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple

28 hours

Aperçu

Ce cours vous donnera des connaissances sur les réseaux de neurones et plus généralement sur les algorithmes d’apprentissage automatique, d’apprentissage approfondi (algorithmes et applications).

Cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la technologie TensorFlow : TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Les exemples sont réalisés dans TensorFlow .

Machine Learning – Data science

21 hours

Aperçu

Cette session de formation en classe explorera les outils d’apprentissage automatique avec Python (suggéré). Les délégués auront des exemples informatiques et des exercices d’études de cas à entreprendre.

Machine Learning pour la Robotique

21 hours

Aperçu

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.

Machine Learning with Python

21 hours

Aperçu

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.

Machine Learning in business – AI/Robotics

14 hours

Aperçu

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 .

Introduction to Machine Learning

7 hours

Aperçu

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.

OpenNMT: Setting Up a Neural Machine Translation System

7 hours

Aperçu

Au cours de cette formation en direct animée par un instructeur, les participants apprendront à configurer et à utiliser OpenNMT pour la traduction de divers ensembles de données. Le cours commence par un aperçu des réseaux de neurones appliqués à la traduction automatique. Les participants effectueront des exercices en direct tout au long du cours pour démontrer leur compréhension des concepts appris et obtenir les commentaires de l'instructeur.

À la fin de cette formation, les participants disposeront des connaissances et de la pratique nécessaires pour mettre en œuvre une solution OpenNMT direct.

Des échantillons de langue source et cible seront pré-arrangés selon les exigences du public.

Format du cours

- Partie de conférence, partie de discussion, pratique intense

Machine Learning Fundamentals with R

14 hours

Aperçu

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 .

Machine Learning avec Python, les Fondamentaux

14 hours

Aperçu

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 Python programmation Python 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 , 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 .

Les Fondamentaux du Machine Learning avec Scala et Apache Spark

14 hours

Aperçu

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 .

Machine Learning for Finance (with R)

28 hours

Aperçu

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques.

Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes concrets du secteur financier. 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 mener à bien 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 la machine learning en finance
- Développer leur propre stratégie de trading algorithmique en utilisant l’apprentissage automatique avec R

Public

- Développeurs
- Scientifiques de données

Format du cours

- Partie de conférence, partie de discussion, exercices et exercices intensifs

Machine Learning for Finance (with Python)

21 hours

Aperçu

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. Python est un langage de programmation réputé pour sa syntaxe claire et sa lisibilité. Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d’apprentissage automatique.

Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes concrets du secteur financier.

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 mener à bien 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 la machine learning en finance
- Développer leur propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec Python

Public

- Développeurs
- Scientifiques de données

Format du cours

- Partie de conférence, partie de discussion, exercices et exercices intensifs

Machine Learning Concepts for Entrepreneurs and Managers

21 hours

Aperçu

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

Machine Learning et Deep Learning

21 hours

Aperçu

Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )

Machine Learning and Big Data

7 hours

Aperçu

Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux techniciens souhaitant apprendre à mettre en œuvre une stratégie d’apprentissage automatique tout en maximisant l’utilisation du Big Data.

À la fin de cette formation, les participants:

- Comprendre l'évolution et les tendances de l'apprentissage automatique.
- Savoir comment l'apprentissage machine est utilisé dans différents secteurs.
- Familiarisez-vous avec les outils, les compétences et les services disponibles pour implémenter l'apprentissage automatique au sein d'une organisation.
- Comprendre comment l'apprentissage automatique peut être utilisé pour améliorer l'exploration et l'analyse de données.
- Découvrez ce qu'est un backend de données et comment il est utilisé par les entreprises.
- Comprenez le rôle que jouent le big data et les applications intelligentes dans tous les secteurs.

Format du cours

- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation du cours

- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.

Machine Learning for Banking (with R)

28 hours

Aperçu

Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes concrets du 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
- Scientifiques de données
- Professionnels de la banque ayant une formation technique

Format du cours

- Partie de conférence, partie de discussion, exercices et exercices intensifs

OpenNLP for Text Based Machine Learning

14 hours

Aperçu

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 .

OpenNN: Mise en Oeuvre de Réseaux Neurone

14 hours

Aperçu

OpenNN est une bibliothèque de classes open-source écrite en C ++ qui implémente des réseaux de neurones, pour une utilisation en apprentissage automatique.

Dans ce cours, nous allons passer en revue les principes des réseaux de neurones et utiliser OpenNN pour implémenter un exemple d'application.

Public
Les développeurs de logiciels et les programmeurs souhaitant créer des applications d'apprentissage approfondi.

Format du cours
Lecture et discussion associées à des exercices pratiques.

Microsoft Cognitive Toolkit 2.x

21 hours

Aperçu

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 .

T2T: Creating Sequence to Sequence Models for Generalized Learning

7 hours

Aperçu

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 .

Understanding Deep Neural Networks

35 hours

Aperçu

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et plus généralement sur les algorithmes d'apprentissage automatique, d'apprentissage approfondi (algorithmes et applications).

La partie 1 (40%) de cette formation met davantage l'accent sur les principes 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 python qui facilite l’écriture de modèles d’apprentissage approfondi.

La partie 3 (40%) de la formation serait largement basée sur Tensorflow - API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Les exemples et handson seraient tous fabriqués dans TensorFlow .

Public

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .

Une fois ce cours terminé, les délégués:

-

avoir une bonne compréhension des réseaux de neurones profonds (DNN), CNN et RNN

-

comprendre la structure et les mécanismes de déploiement de TensorFlow

-

être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration

-

être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance

-

être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation

Natural Language Processing with TensorFlow

35 hours

Aperçu

TensorFlow ™ est une bibliothèque de logiciels open source pour le calcul numérique utilisant des graphiques de flux de données.

SyntaxNet est une structure de traitement de langage naturel par réseau de neurones pour TensorFlow .

Word 2Vec est utilisé pour l'apprentissage des représentations vectorielles de mots, appelées "imbrications de mots". Word 2vec est un modèle prédictif particulièrement efficace en calcul pour l’intégration de mots à partir de texte brut. Il se décline en deux saveurs, le sac-of-continu Word modèle s (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.).

Utilisés en tandem, SyntaxNet et Word 2Vec permettent aux utilisateurs de générer des modèles d’apprentissage intégré à partir de l’entrée en langage naturel.

Public

Ce cours est destiné aux développeurs et aux ingénieurs souhaitant travailler avec les modèles SyntaxNet et Word 2Vec dans leurs graphiques TensorFlow .

Une fois ce cours terminé, les délégués:

- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation

TPU Programming: Building Neural Network Applications on Tensor Processing Units

7 hours

Aperçu

L'unité de traitement Tensor (TPU) est l'architecture que Google a utilisée en interne depuis plusieurs années, et est maintenant en train de devenir disponible pour une utilisation par le grand public Il inclut plusieurs optimisations spécifiquement destinées à être utilisées dans les réseaux neuronaux, y compris la multiplication simplifiée de matrices, et des entiers à 8 bits au lieu de 16 bits afin de renvoyer des niveaux de précision appropriés Dans cette formation en direct, les participants apprendront à tirer parti des innovations des processeurs TPU pour optimiser les performances de leurs propres applications IA À la fin de la formation, les participants seront en mesure de: Former différents types de réseaux de neurones sur de grandes quantités de données Utilisez des TPU pour accélérer le processus d'inférence jusqu'à deux ordres de grandeur Utiliser des TPU pour traiter des applications intensives telles que la recherche d'images, la vision nuageuse et les photos Public Développeurs Des chercheurs Ingénieurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Torch for Machine and Deep Learning

21 hours

Aperçu

Torch est une bibliothèque d'apprentissage automatique à code source ouvert et un framework informatique scientifique basé sur le Lua programmation Lua . Il fournit un environnement de développement pour la numérique, l'apprentissage automatique et la vision par ordinateur, avec un accent particulier sur l'apprentissage en profondeur et les réseaux de convolution. Il est l' un des plus rapides et des cadres les plus flexibles pour la machine et l' Deep Learning en Facebook Go Deep Learning et est utilisé par des entreprises telles que Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel, et beaucoup d' autres.

Dans cette formation en direct dirigée par un instructeur, nous couvrons les principes de la Torch , ses caractéristiques uniques et son application possible dans des applications réelles. Nous effectuons de nombreux exercices pratiques tout au long de la démonstration et de la mise en pratique des concepts appris.

À la fin du cours, les participants auront une compréhension approfondie des fonctionnalités et des capacités sous-jacentes de Torch , ainsi que de son rôle et de sa contribution au sein de l'espace d'intelligence artificielle, 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.

Format du cours

- Vue d'ensemble de l' Deep Learning machine et en Deep Learning
- Exercices de codage et d'intégration en classe
- Questions de test semées le long du chemin pour vérifier la compréhension

TensorFlow pour la Reconnaissance d'Image

28 hours

Aperçu

Ce cours explore, avec des exemples spécifiques, l’application de Tensor Flow aux objectifs de la reconnaissance d’image.

Public

Ce cours est destiné aux ingénieurs qui souhaitent utiliser TensorFlow aux fins de la reconnaissance d'image.

Une fois ce cours terminé, les délégués seront en mesure de:

- comprendre la structure et les mécanismes de déploiement de TensorFlow
- effectuer des tâches d'installation / environnement de production / architecture et configuration
- évaluer la qualité du code, effectuer le débogage, la surveillance
- implémenter une production avancée telle que des modèles de formation, la création de graphiques et l'enregistrement

Autres régions

;Paris Lyon Lille Toulouse Marseille Montpellier Nantes Clermont-Ferrand Bordeaux Grenoble Poitiers Strasbourg Orléans Amiens Rennes Tours Limoges

Other countries

Ces formations sont également disponibles dans d'autres pays ››

Conseil

Machine Learning Conseil

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