Deep Learning Schulungen

Deep Learning Schulungen

Von Lehrern geleitete Live-Deep-Learning-Schulungen (DL) veranschaulichen online oder vor Ort durch praktische Übungen die Grundlagen und Anwendungen von Deep Learning und behandeln Themen wie tiefes maschinelles Lernen, tief strukturiertes Lernen und hierarchisches Lernen. Deep-Learning-Training ist als „Online-Live-Training“ oder „Vor-Ort-Live-Training“ verfügbar. Das Online-Live-Training (auch „Remote-Live-Training“) wird über einen interaktiven Remote-Desktop durchgeführt. Live-Schulungen vor Ort können vor Ort beim Kunden in Österreich oder in den NobleProg-Schulungszentren in Österreich durchgeführt werden. NobleProg – Ihr lokaler Schulungsanbieter

Machine Translated

DL (Deep Learning) Course Outlines

Name des Kurses
Dauer
Überblick
Name des Kurses
Dauer
Überblick
21 Stunden
Stable Diffusion ist ein leistungsfähiges Deep-Learning-Modell, das detaillierte Bilder auf der Grundlage von Textbeschreibungen generieren kann.  Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-Bild-Erzeugung erweitern möchten. Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
    Verstehen fortgeschrittener Deep-Learning-Architekturen und -Techniken für die Text-zu-Bild-Erzeugung. Implementierung komplexer Modelle und Optimierungen für hochwertige Bildsynthese. Optimierung von Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle. Abstimmen von Hyperparametern für bessere Modellleistung und Generalisierung. Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools.
Format des Kurses
    Interaktive Vorlesung und Diskussion. Viele Übungen und Praxis. Praktische Umsetzung in einer Live-Laborumgebung.
Optionen zur Kursanpassung
    Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um Folgendes zu vereinbaren
21 Stunden
DeepSpeed ist eine Deep-Learning-Optimierungsbibliothek, die die Skalierung von Deep-Learning-Modellen auf verteilter Hardware erleichtert. DeepSpeed wurde von Microsoft entwickelt und lässt sich in PyTorch integrieren, um eine bessere Skalierung, schnelleres Training und eine verbesserte Ressourcennutzung zu ermöglichen.Diese von Lehrern geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler auf Anfänger- bis Fortgeschrittenenniveau und Ingenieure für maschinelles Lernen, die die Leistung ihrer Deep-Learning-Modelle verbessern möchten.Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
    Verstehen Sie die Prinzipien des verteilten Deep Learning. Installieren und konfigurieren Sie DeepSpeed. Skalieren Sie Deep-Learning-Modelle auf verteilter Hardware mit DeepSpeed. Implementieren und experimentieren Sie mit DeepSpeed-Funktionen zur Optimierung und Speichereffizienz.
Format des Kurses
    Interaktiver Vortrag und Diskussion. Viele Übungen und Übungen. Praxisnahe Umsetzung in einer Live-Lab-Umgebung.
Optionen zur Kursanpassung
    Um eine individuelle Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.
14 Stunden
Large Language Models (LLMs) sind tiefe neuronale Netzmodelle, die Texte in natürlicher Sprache auf der Grundlage einer gegebenen Eingabe oder eines gegebenen Kontexts generieren können. Sie werden anhand großer Mengen von Textdaten aus verschiedenen Bereichen und Quellen trainiert und können die syntaktischen und semantischen Muster der natürlichen Sprache erfassen. LLMs haben beeindruckende Ergebnisse bei verschiedenen natürlichsprachlichen Aufgaben wie Textzusammenfassung, Beantwortung von Fragen, Texterzeugung und mehr erzielt. Diese Live-Schulung (online oder vor Ort) unter der Leitung eines Trainers richtet sich an Anfänger und Fortgeschrittene, die Large Language Models für verschiedene Aufgaben in natürlicher Sprache einsetzen möchten. Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
    Richten Sie eine Entwicklungsumgebung ein, die ein gängiges LLM enthält. Erstellen Sie ein grundlegendes LLM und nehmen Sie eine Feinabstimmung mit einem benutzerdefinierten Datensatz vor. LLMs für verschiedene natürlichsprachliche Aufgaben wie Textzusammenfassung, Fragenbeantwortung, Texterzeugung und mehr verwenden. LLMs mit Werkzeugen wie TensorBoard, PyTorch Lightning und Hugging Face Datasets debuggen und evaluieren.
Format des Kurses
    Interaktive Vorlesung und Diskussion. Viele Übungen und Praxis. Praktische Umsetzung in einer Live-Laborumgebung.
Optionen zur Kursanpassung
    Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.
7 Stunden
AlphaFold ist ein Artificial Intelligence (AI) System, das die Proteinstrukturen voraussagt. Es wird von Alphabet’s/Google’s DeepMind als ein tiefer Lernsystem entwickelt, das genau 3D-Modelle von Proteinstrukturen vorhersagen kann. Dieser Instructor-leitet, Live-Training (online oder online) richtet sich an Biologen, die verstehen wollen, wie AlphaFold arbeiten und verwenden AlphaFold Modelle als Leitfaden in ihren experimentellen Studien. Am Ende dieser Ausbildung können die Teilnehmer:
    Sie verstehen die Grundprinzipien von AlphaFold. Lernen Sie, wie AlphaFold funktioniert. Erfahren Sie, wie Sie AlphaFold Prognosen und Ergebnisse interpretieren.
Format des Kurses
    Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
    Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
21 Stunden
Stable Diffusion ist ein leistungsfähiges Deep-Learning-Modell, das detaillierte Bilder auf der Grundlage von Textbeschreibungen generieren kann.  Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Computer-Vision-Forscher, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu erzeugen. Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
    Verstehen der Prinzipien von Stable Diffusion und wie es bei der Bilderzeugung funktioniert. Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben. Anwendung von Stable Diffusion auf verschiedene Szenarien der Bilderzeugung, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung. Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.
Format des Kurses
    Interaktive Vorlesung und Diskussion. Viele Übungen und Praxis. Praktische Umsetzung in einer Live-Laborumgebung.
Optionen zur Kursanpassung
    Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um Folgendes zu vereinbaren
21 Stunden
In diesem instruierten Live-Training lernen die Teilnehmer die relevantesten und fortschrittlichsten maschinellen Lerntechniken in Python kennen, während sie eine Reihe von Demo-Anwendungen mit Bild-, Musik-, Text- und Finanzdaten erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Implementieren Sie maschinelle Lernalgorithmen und Techniken zur Lösung komplexer Probleme Wenden Sie intensives Lernen und halbüberwachtes Lernen auf Anwendungen mit Bild-, Musik-, Text- und Finanzdaten an Push Python-Algorithmen auf ihr maximales Potenzial Verwenden Sie Bibliotheken und Pakete wie NumPy und Theano Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 Stunden
Deep Reinforcement Learning bezieht sich auf die Fähigkeit eines „künstlichen Agenten“, durch Versuch und Irrtum sowie Belohnung und Strafe zu lernen. Ein künstlicher Agent zielt darauf ab, die Fähigkeit eines Menschen nachzuahmen, selbstständig Wissen zu erlangen und zu konstruieren, und zwar direkt aus rohen Eingaben wie Visionen. Um Reinforcement Learning zu realisieren, werden Deep Learning und neuronale Netze eingesetzt. Reinforcement Learning unterscheidet sich vom maschinellen Lernen und basiert nicht auf überwachten und unüberwachten Lernansätzen.Dieses von einem Lehrer geleitete Live-Training (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die die Grundlagen von Deep Reinforcement Learning erlernen möchten, während sie die Erstellung eines Deep Learning Agenten durchlaufen.Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
    Verstehen Sie die Schlüsselkonzepte hinter Deep Reinforcement Learning und können Sie es von Machine Learning unterscheiden. Wenden Sie fortschrittliche Reinforcement Learning Algorithmen an, um reale Probleme zu lösen. Erstellen Sie einen Deep Learning Agenten.
Format des Kurses
    Interaktiver Vortrag und Diskussion. Viele Übungen und Übungen. Praxisnahe Umsetzung in einer Live-Lab-Umgebung.
Optionen zur Kursanpassung
    Um eine individuelle Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.
28 Stunden
Machine Learning ist eine Branche der künstlichen Intelligenz, in der Computer die Fähigkeit haben, ohne ausdrücklich programmiert zu werden. Die tiefe Lernen ist ein Unterfeld des Maschinenlernen, das Methoden verwendet, die auf Lerndaten-Repräsentationen und Strukturen wie neurale Netzwerke basieren. Python ist eine hochwertige Programmiersprache berühmt für ihre klaren Syntax und Code Lesbarkeit. In diesem Instructor-leitet, Live-Training, lernen die Teilnehmer, wie die Implementierung von tiefen Lernmodellen für Telekom mit Python wie sie durch die Schaffung eines tiefen Lern-Kredit-Risiko-Modell. Am Ende dieser Ausbildung können die Teilnehmer:
    Sie verstehen die grundlegenden Konzepte des tiefen Lernens. Lernen Sie die Anwendungen und Anwendungen des tiefen Lernens in Telekom. Nutzen Python, Keras und TensorFlow, um tiefe Lernmodelle für Telecom zu erstellen. Erstellen Sie Ihr eigenes Deep Learning Customer Churn Prognose-Modell mit Python.
Format des Kurses
    Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
    Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
14 Stunden
Embedding Projector ist eine Open-Source-Webanwendung zur Visualisierung der Daten, die zum Trainieren von maschinellen Lernsystemen verwendet werden Erstellt von Google, ist es ein Teil von TensorFlow Dieses instruierte Live-Training stellt die Konzepte hinter Embedding Projector vor und führt die Teilnehmer durch die Einrichtung eines Demo-Projekts Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Erfahren Sie, wie Daten von maschinellen Lernmodellen interpretiert werden Navigieren Sie durch 3D- und 2D-Ansichten von Daten, um zu verstehen, wie ein maschineller Lernalgorithmus sie interpretiert Verstehen Sie die Konzepte hinter Embedding und ihre Rolle bei der Darstellung mathematischer Vektoren für Bilder, Wörter und Zahlen Erkunden Sie die Eigenschaften einer bestimmten Einbettung, um das Verhalten eines Modells zu verstehen Wenden Sie Embedding Project auf reale Anwendungsfälle an, wie zum Beispiel das Erstellen eines Song-Empfehlungssystems für Musikliebhaber Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
14 Stunden
Dieser Kurs umfasst AI (emphasizing Machine Learning und Deep Learning) in Automotive Industrie. Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomen Entscheidungsfindung.
21 Stunden
Das künstliche neuronale Netz ist ein Computerdatenmodell, das bei der Entwicklung von Artificial Intelligence (AI) Systemen Artificial Intelligence (AI) verwendet wird, die "intelligente" Aufgaben ausführen können. Neural Networks werden häufig in ML-Anwendungen ( Machine Learning ) verwendet, bei denen es sich um eine Implementierung von AI handelt. Deep Learning ist eine Teilmenge von ML.
21 Stunden
Das künstliche neuronale Netz ist ein Computerdatenmodell, das bei der Entwicklung von Artificial Intelligence (AI) Systemen Artificial Intelligence (AI) verwendet wird, die "intelligente" Aufgaben ausführen können. Neural Networks werden häufig in ML-Anwendungen ( Machine Learning ) verwendet, bei denen es sich um eine Implementierung von AI handelt. Deep Learning ist eine Teilmenge von ML.
21 Stunden
Caffe ist ein umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt. In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert Publikum Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe . Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:
  • die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
  • Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
  • Codequalität beurteilen, Debugging und Überwachung durchführen
  • Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung
21 Stunden
Dieser Kurs bietet einen allgemeinen Überblick über Deep Learning ohne auf bestimmte Methoden einzugehen. Es eignet sich für Personen, die Deep Learning verwenden möchten, um die Genauigkeit der Vorhersage zu verbessern.
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren.
21 Stunden
Einleitung: Deep Learning wird zu einem Hauptbestandteil des zukünftigen Produktdesigns, das künstliche Intelligenz in den Kern seiner Modelle einbinden will. Innerhalb der nächsten 5 bis 10 Jahre werden Deep-Learning-Entwicklungstools, -Bibliotheken und -Sprachen zu Standardkomponenten jedes Softwareentwicklungs-Toolkits werden. Bislang Google haben Sales Force, Facebook und Amazon Deep Learning erfolgreich eingesetzt, um ihr Geschäft anzukurbeln. Die Anwendungen reichen von automatischer maschineller Übersetzung, Bildanalyse, Videoanalyse, Bewegungsanalyse bis hin zur Erstellung gezielter Werbung und vielem mehr. Dieser Kurs richtet sich an Organisationen, die Deep Learning als wichtigen Teil ihrer Produkt- oder Dienstleistungsstrategie einbeziehen wollen. Im Folgenden finden Sie einen Überblick über den Deep-Learning-Kurs, den wir für verschiedene Ebenen von Mitarbeitern/Stakeholdern in einer Organisation anpassen können. Zielpublikum: (Je nach Zielgruppe wird das Kursmaterial angepasst) Leitende Angestellte Ein allgemeiner Überblick über KI und wie sie sich in die Unternehmensstrategie einfügt, mit Breakout-Sitzungen zu strategischer Planung, Technologie-Roadmaps und Ressourcenzuweisung, um einen maximalen Nutzen zu gewährleisten. Projektleiter Wie man ein KI-Projekt plant, einschließlich Datenerfassung und -auswertung, Datenbereinigung und -überprüfung, Entwicklung eines Proof-of-Concept-Modells, Integration in Geschäftsprozesse und Bereitstellung im gesamten Unternehmen. Entwickler Vertiefende technische Schulungen mit Schwerpunkt auf neuronalen Netzen und Deep Learning, Bild- und Videoanalyse (CNNs), Ton- und Textanalyse (NLP) und Integration von KI in bestehende Anwendungen. Vertriebsmitarbeiter Ein allgemeiner Überblick über KI und wie sie Kundenbedürfnisse befriedigen kann, Wertversprechen für verschiedene Produkte und Dienstleistungen und wie man Ängste abbaut und die Vorteile von KI fördert.
14 Stunden
Die tiefe Lernen oder die tiefe strukturierte Lernen ist ein Unterset von Maschinenlernen, das mehrere Schichten von Netzwerken umfasst, um Vorhersagemodelle zu bauen. Es wird weit verbreitet in großen Branchen wie Gesundheitsversorgung, E-Commerce, Banking, Herstellung, Automobilindustrie usw. verwendet. Dieser Instructor-Leid, Live-Training (online oder on-site) richtet sich an Geschäftsanalytiker, Datenwissenschaftler und Entwickler, die Deep Learning-Modelle aufbauen und implementieren möchten, um das Einkommenwachstum zu beschleunigen und Probleme in der Geschäftswelt zu lösen. Am Ende dieser Ausbildung können die Teilnehmer:
    Verständnis der Kernkonzepte des Maschinenlehrens und des tiefen Lernens. Erhalten Sie Einblicke in die Zukunft des Unternehmens und der Branche mit ML und DL. Definieren Sie Geschäftsstrategien  und Lösungen mit tiefer Lernen. Lernen Sie, wie Sie Datenwissenschaft und tiefe Lernen bei der Lösung von Geschäftsproblemen anwenden. Er baut tiefe Lernmodelle mit Python, Pandas, TensorFlow, CNTK, Torch, Keras, usw.
Format des Kurses
    Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
    Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren. R ist eine beliebte Programmiersprache in der Finanzbranche. Es wird in Finanzanwendungen eingesetzt, die von Kernhandelsprogrammen bis zu Risikomanagementsystemen reichen. In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie sie Deep-Learning-Modelle für die Finanzierung mit R implementieren, während sie ein Deep-Learning-Aktienkurs-Vorhersagemodell erstellen. Am Ende dieser Schulung können die Teilnehmer:
  • Verstehe die grundlegenden Konzepte des Tiefenlernens
  • Lernen Sie die Anwendungen und Verwendungen von Deep Learning im Finanzbereich
  • Verwenden Sie R, um vertiefte Lernmodelle für Finanzen zu erstellen
  • Bauen Sie mit R ihr eigenes Deep Learning-Aktienkurs-Vorhersagemodell auf
Publikum
  • Entwickler
  • Datenwissenschaftler
Format des Kurses
  • Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren. Python ist eine High-Level-Programmiersprache, die für ihre klare Syntax und Codelesbarkeit bekannt ist. In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie sie Deep-Learning-Modelle für das Banking mit Python implementieren, während sie ein Deep-Learning-Kreditrisikomodell erstellen. Am Ende dieser Schulung können die Teilnehmer:
  • Verstehe die grundlegenden Konzepte des Tiefenlernens
  • Lernen Sie die Anwendungen und Verwendungen von Deep Learning im Bankwesen
  • Verwenden Sie Python , Keras und TensorFlow , um vertiefende Lernmodelle für das Bankwesen zu erstellen
  • Erstellen Sie mit Python eigenes Deep-Learning-Kreditrisikomodell
Publikum
  • Entwickler
  • Datenwissenschaftler
Format des Kurses
  • Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren. R ist eine beliebte Programmiersprache in der Finanzbranche. Es wird in Finanzanwendungen eingesetzt, die von Kernhandelsprogrammen bis zu Risikomanagementsystemen reichen. In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie sie Deep-Learning-Modelle für das Bankwesen mithilfe von R implementieren, während sie ein Deep-Learning-Kreditrisikomodell erstellen. Am Ende dieser Schulung können die Teilnehmer:
  • Verstehe die grundlegenden Konzepte des Tiefenlernens
  • Lernen Sie die Anwendungen und Verwendungen von Deep Learning im Bankwesen
  • Verwenden Sie R, um Deep-Learning-Modelle für das Bankwesen zu erstellen
  • Erstellen Sie mit R ein eigenes Deep Learning-Kreditrisikomodell
Publikum
  • Entwickler
  • Datenwissenschaftler
Format des Kurses
  • Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
28 Stunden
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem Computer lernen können, ohne explizit programmiert zu werden Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Methoden verwendet, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren Python ist eine Programmiersprache auf hohem Niveau, die für ihre klare Syntax und Lesbarkeit des Codes bekannt ist In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Python tiefe Lernmodelle für das Finanzwesen implementieren können, während sie ein Modell für eine tief gehende Aktienkursvorhersage entwickeln Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verstehen Sie die grundlegenden Konzepte des Deep Learning Lernen Sie die Anwendungen und Anwendungen von Deep Learning im Finanzwesen Verwenden Sie Python, Keras und TensorFlow, um tiefgründige Lernmodelle für das Finanzwesen zu erstellen Erstellen Sie mit Python ein eigenes Deep Learning-Kursmodell Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
14 Stunden
Machine Learning ist eine Branche der künstlichen Intelligenz, in der Computer die Fähigkeit haben, ohne ausdrücklich programmiert zu werden. Deep Learning ist ein Unterfeld von Machine Learning, das versucht, die Aktivitäten des menschlichen Gehirns bei der Entscheidungsfindung zu imitieren. Es wird mit Daten ausgebildet, um Probleme automatisch zu lösen. Deep Learning bietet eine riesige Gelegenheit für die medizinische Industrie, die sich auf einem Datengoldminn sitzt. In diesem Instructor-Leid, Live-Training werden die Teilnehmer an einer Reihe von Diskussionen, Übungen und Fallstudie-Analyse teilnehmen, um die Grundlagen zu verstehen Deep Learning. Die wichtigsten Deep Learning Werkzeuge und Techniken werden bewertet und Übungen durchgeführt werden, um die Teilnehmer vorzubereiten, ihre eigene Bewertung und Umsetzung von Deep Learning Lösungen innerhalb ihrer Organisationen durchzuführen. Am Ende dieser Ausbildung können die Teilnehmer:
    Verständnis der Grundlagen Deep Learning Lernen Sie Deep Learning Techniken und ihre Anwendungen in der Branche Untersuchung von Problemen in der Medizin, die durch Deep Learning Technologien gelöst werden können Erforschen Deep Learning Fallstudien in der Medizin Formulieren Sie eine Strategie zur Annahme der neuesten Technologien in Deep Learning für die Lösung von Problemen in der Medizin
Publikum
    Manager Ärzte in Führungsrollen
Format des Kurses
    Teilverhandlung, Teildiskussion, Übungen und schwere Übungen
Hinweis
    Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
14 Stunden
Gesundheitsprobleme können durch die Analyse von Bildern wie MRI-Scans festgestellt werden. Die Verwendung von tiefer Lernen zur Verarbeitung von Bildern kann zu Entdeckungen führen, die von der menschlichen Inspektion allein vorher unerreichbar waren. Dieser Instructor-Leid, Live-Training (online oder on-site) richtet sich an Entwickler und Datenwissenschaftler, die konvolutionsneurale Netzwerke (CNNs) zur Analyse von MRI-Scans anwenden möchten. Am Ende dieser Ausbildung können die Teilnehmer:
    Installieren und konfigurieren Sie die notwendigen Entwicklungsumgebung, Software und Bibliotheken, um zu entwickeln. Analysieren Sie MRI-Bilder mit Deep Learning-Techniken wie CNNs. Erkennen Sie potenzielle Gesundheitszustände wie Herzerkrankungen durch MRI-Scan-Analyse. Anwenden Sie Techniken wie Bildsegmentation und CNN-Training, um potenzielle Krankheiten zu identifizieren. Identifizieren Sie die Genomik einer Krankheit mit Radiomik. Bauen und implementieren Sie eine tiefe Lernanwendung aimed in der Gesundheitsbildanalyse.
Format des Kurses
    Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
    Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
21 Stunden
Publikum Dieser Kurs ist für Deep Learning Forscher und Ingenieure geeignet, die verfügbare Tools (meist Open Source) zur Analyse von Computerbildern verwenden möchten Dieser Kurs enthält Arbeitsbeispiele.
7 Stunden
In diesem von Lehrern geleiteten Live-Training lernen die Teilnehmer, wie sie mit DSSTNE eine Empfehlungsanwendung erstellen. Am Ende dieser Schulung können die Teilnehmer:
  • Trainieren Sie ein Empfehlungsmodell mit spärlichen Datensätzen als Eingabe
  • Skalieren Sie Trainings- und Vorhersagemodelle über mehrere GPU
  • Verteilen Sie die Berechnung und Speicherung modellparallel
  • Generieren Sie Amazon-ähnliche, personalisierte Produktempfehlungen
  • Stellen Sie eine produktionsbereite Anwendung bereit, die bei hoher Auslastung skaliert werden kann
Format des Kurses
  • Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
7 Stunden
In diesem Live-Training unter Leitung von Lehrern lernen die Teilnehmer, wie man Facebook NMT (Fairseq) verwendet, um die Übersetzung von Probeninhalt durchzuführen. Am Ende dieser Ausbildung haben die Teilnehmer die notwendigen Kenntnisse und Praktiken, um eine Live-Fairseq-basierte Maschinenübersetzungslösung zu implementieren. Format des Kurses
    Teilverhandlung, Teildiskussion, schwere Praxis
Hinweis
    Wenn Sie spezifische Quell- und Zielspracheinhalte verwenden möchten, wenden Sie sich bitte an uns, um zu arrangieren.
21 Stunden
Typ: Theoretisches Training mit Anwendungen, die vorab mit den Schülern auf Lasagne oder Keras gemäß der pädagogischen Gruppe entschieden wurden Unterrichtsmethode: Präsentation, Austausch und Fallstudien Künstliche Intelligenz, nachdem sie viele wissenschaftliche Bereiche gestört hatte, begann eine große Anzahl von Wirtschaftssektoren (Industrie, Medizin, Kommunikation usw.) zu revolutionieren. Nichtsdestotrotz ist seine Präsentation in den großen Medien oft eine Fantasie, weit entfernt von den eigentlichen Bereichen des Machine Learning oder des Deep Learning . Ziel dieser Schulung ist es, Ingenieuren, die bereits über Kenntnisse in Computerwerkzeugen (einschließlich Softwareprogrammierung) verfügen, eine Einführung in Deep Learning und seine verschiedenen Spezialgebiete und damit in die wichtigsten vorhandenen Netzwerkarchitekturen zu geben heute. Wenn die mathematischen Grundlagen während des Kurses abgerufen werden, wird für mehr Komfort ein Mathematikniveau vom Typ BAC + 2 empfohlen. Es ist absolut möglich, die mathematische Achse zu überspringen, um nur eine "System" -Vision zu behalten, aber dieser Ansatz wird Ihr Verständnis des Themas stark einschränken.
14 Stunden
In diesem von Lehrern geleiteten Live-Training lernen die Teilnehmer, wie sie Matlab zum Entwerfen, Erstellen und Visualisieren eines neuronalen Faltungsnetzwerks für die Bilderkennung verwenden. Am Ende dieser Schulung können die Teilnehmer:
  • Bauen Sie ein Deep-Learning-Modell auf
  • Datenbeschriftung automatisieren
  • Arbeiten Sie mit Modellen von Caffe und TensorFlow - Keras
  • Trainieren Sie Daten mit mehreren GPU , der Cloud oder Clustern
Publikum
  • Entwickler
  • Ingenieure
  • Domain-Experten
Format des Kurses
  • Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben
21 Stunden
Microsoft Cognitive Toolkit 2x (früher CNTK) ist ein Open Source-Toolkit für den kommerziellen Einsatz, das tiefgreifende Lernalgorithmen zum Lernen wie das menschliche Gehirn trainiert Laut Microsoft kann CNTK 510x schneller als TensorFlow in wiederkehrenden Netzwerken und 2- bis 3-mal schneller als TensorFlow für bildbezogene Tasks sein In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe von Microsoft Cognitive Toolkit tiefgreifende Lernalgorithmen für kommerzielle AI-Anwendungen erstellen, trainieren und auswerten, die verschiedene Arten von Daten wie Daten, Sprache, Text und Bilder umfassen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Greifen Sie aus einem Python-, C # - oder C ++ - Programm heraus auf CNTK als Bibliothek zu Nutzen Sie CNTK als eigenständiges Machine Learning Tool durch eine eigene Modellbeschreibungssprache (BrainScript) Verwenden Sie die CNTK-Modellbewertungsfunktionalität aus einem Java-Programm Kombinieren von Feedforward-DNNs, Faltungsnetzwerken (CNNs) und wiederkehrenden Netzwerken (RNNs / LSTMs) Skalieren Sie die Rechenkapazität für CPUs, GPUs und mehrere Maschinen Greifen Sie auf riesige Datensätze mit vorhandenen Programmiersprachen und Algorithmen zu Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Wenn Sie einen Teil dieses Trainings anpassen möchten, einschließlich der Programmiersprache Ihrer Wahl, kontaktieren Sie uns bitte, um dies zu arrangieren .
21 Stunden
Dieser Kurs befasst sich mit KI (Schwerpunkt Machine Learning und Deep Learning )

Last Updated:

Deep Learning Schulung, Deep Learning (DL) boot camp, Deep Learning Abendkurse, Deep Learning Wochenendkurse, Deep Learning (DL) Kurs, Deep Learning Training, DL (Deep Learning) Seminar, Deep Learning Seminare, Deep Learning Privatkurs, DL (Deep Learning) Coaching, Deep Learning (DL) Lehrer

Sonderangebote

No course discounts for now.

Sonderangebote Newsletter

Wir behandeln Ihre Daten vertraulich und werden sie nicht an Dritte weitergeben.
Sie können Ihre Einstellungen jederzeit ändern oder sich ganz abmelden.

EINIGE UNSERER KUNDEN

is growing fast!

We are looking for a good mixture of IT and soft skills in Austria!

As a NobleProg Trainer you will be responsible for:

  • delivering training and consultancy Worldwide
  • preparing training materials
  • creating new courses outlines
  • delivering consultancy
  • quality management

At the moment we are focusing on the following areas:

  • Statistic, Forecasting, Big Data Analysis, Data Mining, Evolution Alogrithm, Natural Language Processing, Machine Learning (recommender system, neural networks .etc...)
  • SOA, BPM, BPMN
  • Hibernate/Spring, Scala, Spark, jBPM, Drools
  • R, Python
  • Mobile Development (iOS, Android)
  • LAMP, Drupal, Mediawiki, Symfony, MEAN, jQuery
  • You need to have patience and ability to explain to non-technical people

To apply, please create your trainer-profile by going to the link below:

Apply now!

This site in other countries/regions