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: 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
Sous-catégories Machine Learning (ML)
Plans de cours Machine Learning (ML)
Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu
7 hours
Aperçu
Ce cours a été créé à l’intention des gestionnaires, des architectes de solutions, des responsables de l’innovation, des directeurs techniques, des architectes de logiciels et de toute personne intéressée par un aperçu de l’intelligence artificielle appliquée et des prévisions les plus proches pour son développement.
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.
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 hours
Aperçu
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.
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 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 .
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 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 .
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 hours
Aperçu
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 hours
Aperçu
This course will be a combination of theory and practical work with specific examples used throughout the event.
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.
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.
21 hours
Aperçu
Ce cours est un aperçu général de l’ Deep Learning sans approfondir les méthodes spécifiques. Il convient aux personnes qui souhaitent commencer à utiliser l'apprentissage en profondeur pour améliorer la précision de leurs prédictions.
21 hours
Aperçu
MATLAB is a numerical computing environment and programming language developed by MathWorks.
21 hours
Aperçu
Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.
28 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. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones.
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 .
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 hours
Aperçu
R est un langage de programmation sans opensource pour le calcul statistique, l'analyse de données et les graphiques R est utilisé par un nombre croissant de gestionnaires et d'analystes de données au sein des entreprises et des universités R a une grande variété de paquets pour l'exploration de données .
21 hours
Aperçu
TensorFlow est une API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Le système est conçu pour faciliter la recherche en apprentissage automatique et faciliter la transition rapide d'un prototype de recherche à un système de production.
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
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 comme des modèles de formation, la création de graphiques et la journalisation
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
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 comme des modèles de formation, la création de graphiques et la journalisation
21 hours
Aperçu
PredictionIO est un serveur open source Machine Learning basé sur une pile open source de pointe.
Public
Ce cours est destiné aux développeurs et aux scientifiques qui souhaitent créer des moteurs prédictifs pour toute tâche d'apprentissage automatique.
Public
Ce cours est destiné aux développeurs et aux scientifiques qui souhaitent créer des moteurs prédictifs pour toute tâche d'apprentissage automatique.
14 hours
Aperçu
Apache SystemML est une plate-forme d'apprentissage automatique distribuée et déclarative.
SystemML fournit un apprentissage déclaratif à grande échelle (ML) qui vise à la spécification flexible d’algorithmes ML et à la génération automatique de plans d’exécution hybrides allant de calculs à nœud unique, en mémoire, aux calculs distribués sur Apache Hadoop et Apache Spark .
Public
Ce cours convient aux chercheurs, développeurs et ingénieurs de Machine Learning qui souhaitent utiliser SystemML en tant que cadre pour l’apprentissage par machine.
SystemML fournit un apprentissage déclaratif à grande échelle (ML) qui vise à la spécification flexible d’algorithmes ML et à la génération automatique de plans d’exécution hybrides allant de calculs à nœud unique, en mémoire, aux calculs distribués sur Apache Hadoop et Apache Spark .
Public
Ce cours convient aux chercheurs, développeurs et ingénieurs de Machine Learning qui souhaitent utiliser SystemML en tant que cadre pour l’apprentissage par machine.
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
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
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
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
14 hours
Aperçu
Deeplearning4j est une bibliothèque d'apprentissage en profondeur distribuée, à code source ouvert, écrite pour Java et Scala . Intégré à Hadoop et Spark, DL4J est conçu pour être utilisé dans les environnements professionnels utilisant des processeurs GPU et des processeurs distribués.
Word 2Vec est une méthode de calcul des représentations vectorielles des mots introduits par une équipe de chercheurs de Go Ogle dirigée par Tomas Mikolov.
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Deeplearning4J pour construire des modèles Word 2Vec.
Word 2Vec est une méthode de calcul des représentations vectorielles des mots introduits par une équipe de chercheurs de Go Ogle dirigée par Tomas Mikolov.
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Deeplearning4J pour construire des modèles Word 2Vec.
21 hours
Aperçu
Deeplearning4j est la première bibliothèque d’apprentissage en profondeur distribuée et open source de qualité commerciale écrite pour Java et Scala . Intégré à Hadoop et Spark, DL4J est conçu pour être utilisé dans les environnements professionnels utilisant des processeurs GPU et des processeurs distribués.
Public
Ce cours s’adresse aux ingénieurs et développeurs souhaitant utiliser Deeplearning4j dans leurs projets.
Après ce cours, les délégués seront en mesure de:
Public
Ce cours s’adresse aux ingénieurs et développeurs souhaitant utiliser Deeplearning4j dans leurs projets.
Après ce cours, les délégués seront en mesure de:
21 hours
Aperçu
SINGA est une plate-forme d'apprentissage en profondeur distribuée destinée à la formation de grands modèles d'apprentissage en profondeur sur de grands ensembles de données. Il est conçu avec un modèle de programmation intuitif basé sur l'abstraction de la couche. Une variété de modèles d'apprentissage en profondeur populaires sont pris en charge, notamment les modèles à rétroaction, y compris les réseaux de neurones convolutionnels (CNN), les modèles d'énergie tels que la machine de Boltzmann restreinte (RBM) et les réseaux de neurones récurrents (RNN). De nombreuses couches intégrées sont fournies aux utilisateurs. L'architecture SINGA est suffisamment flexible pour exécuter des cadres de formation synchrones, asynchrones et hybrides. SINGA prend également en charge différents schémas de partitionnement de réseau neuronal pour paralléliser la formation de grands modèles, à savoir le partitionnement en dimension de lot, en dimension de fonctionnalité ou en partitionnement hybride.
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Apache SINGA tant que cadre d'apprentissage approfondi.
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de SINGA
- 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
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Apache SINGA tant que cadre d'apprentissage approfondi.
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de SINGA
- 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
35 hours
Aperçu
Ce cours est créé pour les personnes qui n'ont aucune expérience en probabilités et statistiques .
21 hours
Aperçu
Deeplearning4j est un logiciel d'apprentissage en profondeur Open-Source pour Java et Scala sur Hadoop et Spark.
Public
Ce cours est destiné aux ingénieurs et aux développeurs souhaitant utiliser DeepLearning4J dans leurs projets de reconnaissance d’image.
Public
Ce cours est destiné aux ingénieurs et aux développeurs souhaitant utiliser DeepLearning4J dans leurs projets de reconnaissance d’image.
21 hours
Aperçu
Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité.
Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST.
Public
Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre.
Une fois ce cours terminé, les délégués seront en mesure de:
- comprendre la structure et les mécanismes de déploiement de Caffe
- effectuer des tâches d'installation / environnement de production / architecture et configuration
- évaluer la qualité du code, effectuer le débogage, la surveillance
- implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter
Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST.
Public
Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre.
Une fois ce cours terminé, les délégués seront en mesure de:
- comprendre la structure et les mécanismes de déploiement de Caffe
- effectuer des tâches d'installation / environnement de production / architecture et configuration
- évaluer la qualité du code, effectuer le débogage, la surveillance
- implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter
21 hours
Aperçu
Public
Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques.
Ce cours fournit des exemples de travail.
Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques.
Ce cours fournit des exemples de travail.
14 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.
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 .
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 .
21 hours
Aperçu
Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )
21 hours
Aperçu
Ce cours en direct, animé par un instructeur, constitue une introduction au domaine de la reconnaissance des formes et de l'apprentissage automatique. Il aborde des applications pratiques dans les domaines de la statistique, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'exploration de données et de la bioinformatique.
Le cours est interactif et comprend de nombreux exercices pratiques, des retours d’instructeurs et des tests des connaissances et des compétences acquises.
Le cours est interactif et comprend de nombreux exercices pratiques, des retours d’instructeurs et des tests des connaissances et des compétences acquises.
Prochains cours Machine Learning (ML)
2021-06-01 09:30:00
14 heures
2021-06-04 09:30:00
7 heures
2021-06-10 09:30:00
14 heures
2021-07-12 09:30:00
7 heures
2021-07-12 09:30:00
14 heures
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
.jpg "european organization for nuclear research (cern)")
