Deep Learning Schulungen

Deep Learning Schulungen

Lokale, instruktorierte Live-Deep-Learning (DL) -Trainings demonstrieren durch praktische Übungen die Grundlagen und Anwendungen von Deep Learning und decken Themen wie tiefes maschinelles Lernen, tiefgründiges strukturiertes Lernen und hierarchisches Lernen ab Deep Learning Training ist als "Live-Training vor Ort" oder "Remote-Live-Training" verfügbar Onsite Live Training kann vor Ort bei Kunden durchgeführt werden Österreich oder in NobleProg Corporate Trainingszentren in Österreich Remote-Live-Training wird über einen interaktiven Remote-Desktop durchgeführt NobleProg Ihr lokaler Trainingsanbieter.

Machine Translated

Erfahrungsberichte

★★★★★
★★★★★

DL (Deep Learning) Kurspläne

Name des Kurses
Dauer
Überblick
Name des Kurses
Dauer
Überblick
14 hours
Überblick
Dieser Kurs behandelt KI (mit Schwerpunkt auf Machine Learning und Deep Learning ) in der Automotive . Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto eingesetzt werden kann: von der einfachen Automatisierung über die Bilderkennung bis hin zur autonomen Entscheidungsfindung.
21 hours
Überblick
Deep Learning ist ein Teilgebiet des maschinellen Lernens. Es verwendet Methoden, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren.

Keras ist eine High-Level-API für neuronale Netze für schnelle Entwicklung und Experimente. Es läuft auf TensorFlow , CNTK oder Theano.

Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler, die ein selbstfahrendes Auto mit vertieften Lerntechniken bauen möchten.

Am Ende dieser Schulung können die Teilnehmer:

- Verwenden Sie Computer Vision-Techniken, um Fahrspuren zu identifizieren.
- Verwenden Sie Keras , um Faltungs-Neuronale Netze aufzubauen und zu trainieren.
- Trainieren Sie ein Deep-Learning-Modell, um Verkehrszeichen zu unterscheiden.
- Simulieren Sie ein völlig autonomes Auto.

Format des Kurses

- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.

Anpassungsoptionen für den Kurs

- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
21 hours
Überblick
Dieser Kurs befasst sich mit KI (Schwerpunkt Machine Learning und Deep Learning )
28 hours
Überblick
Dieser Kurs vermittelt Kenntnisse in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus, Deep Learning (Algorithmen und Anwendungen).

Diese Schulung konzentriert sich mehr auf die Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Teano, DeepDrive, Keras usw. Die Beispiele wurden in TensorFlow .
14 hours
Überblick
Diese auf Klassenräumen basierende Schulungssitzung enthält Präsentationen und computergestützte Beispiele sowie Fallstudien, die mit relevanten neuronalen und tiefen Netzwerkbibliotheken durchgeführt werden sollen
14 hours
Überblick
OpenFace ist Python und Torch-basierte Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google basiert In diesem instruierten Live-Training lernen die Teilnehmer, wie sie mithilfe der OpenFace-Komponenten eine Musteranwendung für die Gesichtserkennung erstellen und bereitstellen können Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Arbeiten Sie mit OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, um Gesichtserkennung, Ausrichtung und Transformation zu implementieren Wenden Sie OpenFace auf Realworld-Anwendungen wie Überwachung, Identitätsüberprüfung, Virtual Reality, Spiele und Identifizierung von Stammkunden usw an Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
7 hours
Überblick
In diesem von Lehrern geführten Live-Training lernen die Teilnehmer, wie OpenNMT eingerichtet und verwendet OpenNMT , um die Übersetzung verschiedener Beispieldatensätze durchzuführen. Der Kurs beginnt mit einem Überblick über neuronale Netze, wie sie für die maschinelle Übersetzung gelten. Die Teilnehmer führen während des gesamten Kurses Live-Übungen durch, um ihr Verständnis der erlernten Konzepte zu demonstrieren und Feedback vom Kursleiter zu erhalten.

Am Ende dieser Schulung verfügen die Teilnehmer über das Wissen und die Praxis, um eine Live- OpenNMT Lösung zu implementieren.

Quell- und Zielsprachenbeispiele werden nach den Anforderungen des Publikums vorbestellt.

Format des Kurses

- Teilvorlesung, Teildiskussion, viel Praxis
14 hours
Überblick
OpenNN ist eine in C ++ geschriebene Open-Source-Klassenbibliothek, die neuronale Netzwerke für maschinelles Lernen implementiert.

In diesem Kurs gehen wir auf die Prinzipien neuronaler Netzwerke ein und verwenden OpenNN, um eine Beispielanwendung zu implementieren.

Publikum
Softwareentwickler und Programmierer, die Deep-Learning-Anwendungen erstellen möchten.

Format des Kurses
Vortrag und Diskussion, begleitet von praktischen Übungen.
21 hours
Überblick
PaddlePaddle (PArallel Distributed Deep LEarning) ist eine von Baidu entwickelte skalierbare Deep-Learning-Plattform In diesem instruierten Live-Training lernen die Teilnehmer, PaddlePaddle zu verwenden, um tiefes Lernen in ihren Produkt- und Serviceanwendungen zu ermöglichen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Richten Sie PaddlePaddle ein und konfigurieren Sie es Richten Sie ein Convolutional Neural Network (CNN) für die Bilderkennung und Objekterkennung ein Richten Sie ein Recurrent Neural Network (RNN) für die Stimmungsanalyse ein Richten Sie Deep Learning auf Empfehlungssystemen ein, damit Benutzer Antworten finden können Klickraten (Click-through-Rate - CTR) vorhersagen, großformatige Bildsätze klassifizieren, optische Zeichenerkennung (OCR) durchführen, Suchanfragen einordnen, Computerviren erkennen und ein Empfehlungssystem implementieren Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 hours
Überblick
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 hours
Überblick
In diesem instruierten Live-Training erlernen die Teilnehmer fortgeschrittene Techniken für Maschinelles Lernen mit R, während sie eine Realworld-Anwendung erstellen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verwenden Sie Techniken wie Hyperparameter-Tuning und Deep Learning Unüberwachte Lerntechniken verstehen und implementieren Erstellen Sie ein Modell für die Verwendung in einer größeren Anwendung Publikum Entwickler Analysten Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 hours
Überblick
SINGA ist eine allgemeine verteilte Deep-Learning-Plattform zum Trainieren großer Deep-Learning-Modelle über große Datenmengen. Es wurde mit einem intuitiven Programmiermodell entwickelt, das auf der Ebenenabstraktion basiert. Es wird eine Vielzahl gängiger Deep-Learning-Modelle unterstützt, darunter Feed-Forward-Modelle, einschließlich faltungsbezogener neuronaler Netze (CNN), Energiemodelle wie der eingeschränkten Boltzmann-Maschine (RBM) und wiederkehrender neuronaler Netze (RNN). Viele integrierte Ebenen werden für Benutzer bereitgestellt. Die SINGA-Architektur ist flexibel genug, um synchrone, asynchrone und hybride Trainings-Frameworks auszuführen. SINGA unterstützt auch verschiedene Partitionierungsschemata für neuronale Netze, um das Training großer Modelle zu parallelisieren, nämlich Partitionierung nach Batch-Dimension, Feature-Dimension oder Hybrid-Partitionierung.

Publikum

Dieser Kurs richtet sich an Forscher, Ingenieure und Entwickler, die Apache SINGA als Deep-Learning-Framework einsetzen Apache SINGA .

Nach Abschluss dieses Kurses werden die Teilnehmer:

- Verstehen der Struktur und der Bereitstellungsmechanismen von SINGA
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren
14 hours
Überblick
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
7 hours
Überblick
Tensor2Tensor (T2T) ist eine modulare, erweiterbare Bibliothek zum Trainieren von KI-Modellen in verschiedenen Aufgaben, wobei verschiedene Arten von Trainingsdaten verwendet werden, z B: Bilderkennung, Übersetzung, Parsing, Bildunterschrift und Spracherkennung Es wird vom Google Brain-Team verwaltet In diesem instruierten Live-Training lernen die Teilnehmer, wie sie ein Deeplearning-Modell vorbereiten können, um mehrere Aufgaben zu lösen Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie tensor2tensor, wählen Sie einen Datensatz aus und trainieren und bewerten Sie ein AI-Modell Passen Sie eine Entwicklungsumgebung mit den Tools und Komponenten von Tensor2Tensor an Erstellen und verwenden Sie ein einzelnes Modell, um gleichzeitig eine Reihe von Aufgaben aus mehreren Domänen zu lernen Verwenden Sie das Modell, um aus Aufgaben mit einer großen Menge an Trainingsdaten zu lernen, und wenden Sie dieses Wissen auf Aufgaben an, bei denen Daten begrenzt sind Erzielen Sie zufriedenstellende Verarbeitungsergebnisse mit einer einzelnen GPU Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 hours
Überblick
TensorFlow ist eine beliebte und maschinelles Lernen Bibliothek entwickelt von Go Ogle für tiefe Lernen, numerische Berechnung und Groß maschinellen Lernen. TensorFlow 2.0, veröffentlicht im Januar 2019, ist die neueste Version von TensorFlow und enthält Verbesserungen in TensorFlow auf eifrige Ausführung, Kompatibilität und API-Konsistenz.

Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler und Datenwissenschaftler, die Tensorflow 2.0 verwenden möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netzwerke usw. zu erstellen.

Am Ende dieser Schulung können die Teilnehmer:

- Installieren und konfigurieren Sie TensorFlow 2.0.
- Verstehen Sie die Vorteile von TensorFlow 2.0 gegenüber früheren Versionen.
- Bauen Sie Deep-Learning-Modelle auf.
- Implementieren Sie einen erweiterten Bildklassifikator.
- Stellen Sie ein Deep-Learning-Modell für Cloud-, Mobil- und IoT-Geräte bereit.

Format des Kurses

- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.

Anpassungsoptionen für den Kurs

- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.
- Um mehr über TensorFlow zu erfahren, besuchen Sie bitte: https://www.tensorflow.org/
7 hours
Überblick
TensorFlow Serving ist ein System, mit dem Machine-Learning-Modelle (ML) in der Produktion eingesetzt werden können In diesem instruierten Live-Training lernen die Teilnehmer, wie sie TensorFlow Serving konfigurieren und einsetzen, um ML-Modelle in einer Produktionsumgebung bereitzustellen und zu verwalten Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Trainieren, exportieren und bedienen Sie verschiedene TensorFlow-Modelle Testen und implementieren Sie Algorithmen mithilfe einer einzigen Architektur und einer Reihe von APIs Erweitern Sie TensorFlow Serving, um andere Arten von Modellen als TensorFlow-Modelle zu bedienen Publikum Entwickler Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
21 hours
Überblick
TensorFlow ist eine 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Das System wurde entwickelt, um die Forschung im Bereich maschinelles Lernen zu vereinfachen und den Übergang vom Forschungsprototyp zum Produktionssystem schnell und einfach zu gestalten.

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow

Nach Abschluss dieses Kurses werden die Teilnehmer:

- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
28 hours
Überblick
In diesem Kurs wird anhand konkreter Beispiele die Anwendung von Tensor Flow zur Bilderkennung erläutert

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow zur Bilderkennung einsetzen TensorFlow

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

- Struktur und Einsatzmechanismen von TensorFlow verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Trainingsmodelle, Erstellen von Diagrammen und Protokollieren
21 hours
Überblick
Torch ist eine Open-Source-Bibliothek für maschinelles Lernen und ein Framework für wissenschaftliches Rechnen, das auf der Programmiersprache Lua basiert. Es bietet eine Entwicklungsumgebung für Numerik, maschinelles Lernen und Computer Vision mit besonderem Schwerpunkt auf Deep Learning und Faltungsnetzen. Es ist eine der schnellsten und flexibelsten Rahmenbedingungen für die Maschine und Deep Learning und wird von Unternehmen wie verwendet Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel, und viele andere.

In diesem von Lehrern geführten Live-Training werden die Prinzipien von Torch , seine einzigartigen Funktionen und seine Anwendung in realen Anwendungen erläutert. Wir führen durch zahlreiche praktische Übungen, demonstrieren und üben die erlernten Konzepte.

Am Ende des Kurses werden die Teilnehmer ein umfassendes Verständnis der zugrunde liegenden Funktionen und Fähigkeiten von Torch sowie seiner Rolle und seines Beitrags im KI-Raum im Vergleich zu anderen Frameworks und Bibliotheken haben. Die Teilnehmer haben auch die notwendige Übung erhalten, um Torch in ihren eigenen Projekten zu implementieren.

Format des Kurses

- Überblick über maschinelles und Deep Learning
- Codierungs- und Integrationsübungen in der Klasse
- Testfragen wurden auf dem Weg verteilt, um das Verständnis zu überprüfen
7 hours
Überblick
Die Tensor Processing Unit (TPU) ist die Architektur, die Google seit einigen Jahren intern nutzt und nun für die breite Öffentlichkeit verfügbar ist Es enthält mehrere Optimierungen speziell für die Verwendung in neuronalen Netzen, einschließlich einer gestrafften Matrixmultiplikation und 8-Bit-Ganzzahlen anstelle von 16-Bit, um geeignete Genauigkeitsniveaus zu erhalten In diesem instruierten Live-Training lernen die Teilnehmer, wie sie die Vorteile von TPU-Prozessoren nutzen können, um die Leistung ihrer eigenen KI-Anwendungen zu maximieren Am Ende des Trainings werden die Teilnehmer in der Lage sein: Trainieren Sie verschiedene Arten von neuronalen Netzwerken auf großen Datenmengen Verwenden Sie TPUs, um den Inferenzprozess um bis zu zwei Größenordnungen zu beschleunigen Verwenden Sie TPUs, um intensive Anwendungen wie Bildsuche, Cloud Vision und Fotos zu verarbeiten Publikum Entwickler Forscher Ingenieure Datenwissenschaftler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .
35 hours
Überblick
TensorFlow ™ ist eine Open-Source-Softwarebibliothek für die numerische Berechnung mithilfe von Datenflussdiagrammen.

SyntaxNet ist ein Framework für die Verarbeitung natürlicher Sprachen in einem neuronalen Netzwerk für TensorFlow .

Word 2Vec wird zum Lernen von Vektordarstellungen von Wörtern verwendet, die als "Worteinbettungen" bezeichnet werden. Word 2vec ist ein besonders recheneffizientes Vorhersagemodell zum Lernen von Worteinbettungen aus Rohtext. Es gibt zwei Varianten: das Continuous Bag-of- Word Modell (CBOW) und das Skip-Gram-Modell (Kapitel 3.1 und 3.2 in Mikolov et al.).

In Kombination mit SyntaxNet und Word 2Vec können Benutzer gelernte Einbettungsmodelle aus Eingaben in natürlicher Sprache generieren.

Publikum

Dieser Kurs richtet sich an Entwickler und Ingenieure, die beabsichtigen, mit SyntaxNet- und Word 2Vec-Modellen in ihren TensorFlow Diagrammen zu arbeiten.

Nach Abschluss dieses Kurses werden die Teilnehmer:

- Struktur und Einsatzmechanismen von TensorFlow verstehen
- in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen
- in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen
- in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Einbetten von Begriffen, das Erstellen von Grafiken und das Protokollieren zu implementieren
35 hours
Überblick
Dieser Kurs beginnt mit dem Erlernen von konzeptionellen Kenntnissen in neuronalen Netzen und allgemein in maschinellem Lernalgorithmus und Tiefenlernen (Algorithmen und Anwendungen).

Teil 1 (40%) dieses Trainings konzentriert sich mehr auf Grundlagen, hilft Ihnen jedoch bei der Auswahl der richtigen Technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras usw.

In Teil 2 (20%) dieses Trainings wird Theano vorgestellt - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.

Part-3 (40%) die Ausbildung intensiv auf Basis von Tensorflow würde - 2nd Generation API von Go Ogle Open - Source - Software - Bibliothek für Deep Learning . Die Beispiele und Handys würden alle in TensorFlow .

Publikum

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep Learning Projekte einsetzen TensorFlow

Nach Abschluss dieses Kurses werden die Teilnehmer:

-

ein gutes Verständnis für tiefe neuronale Netze (DNN), CNN und RNN haben

-

Struktur und Einsatzmechanismen von TensorFlow verstehen

-

in der Lage sein, Installations- / Produktionsumgebungs- / Architekturaufgaben und -konfigurationen auszuführen

-

in der Lage sein, die Codequalität zu bewerten, Fehler zu beheben und zu überwachen

-

in der Lage sein, fortgeschrittene Produktionsmethoden wie Trainingsmodelle, das Erstellen von Graphen und das Protokollieren zu implementieren
21 hours
Überblick
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 hours
Überblick
Keras ist eine hochrangige neuronale Netzwerk-API für schnelle Entwicklung und Experimente. Es verläuft auf TensorFlow, CNTK oder Theano

.

Diese von Lehrern geleitete Live-Ausbildung (vor Ort oder Fernbedienung) richtet sich an technische Personen, die ein tiefes Lernmodell für die Bilderkennung anwenden

möchten.

Am Ende dieses Trainings können die Teilnehmer:

- installieren und Keras konfigurieren.
- schnell Prototypen-Tiefenlernmodelle
. - Umsetzung eines Konvolutions-Netzwerks.
- ein wiederkehrendes Netzwerk
implementieren. - Führe ein tiefgreifendes Lernmodell sowohl auf einer CPU als auch auf GPU
aus.

Format der

- interaktiven Vortrag und Diskussion
. - Viele Übungen und Übungen
. - Hands-on-Umsetzung in einem Live-Labor-Umfeld
.

- Um ein maßgeschneidertes Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um
zu arrangieren. - Um mehr über Keras zu erfahren, besuchen Sie bitte: https://keras.io/
21 hours
Überblick
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.
28 hours
Überblick
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 hours
Überblick
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 hours
Überblick
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 hours
Überblick
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 hours
Überblick
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.
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

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 to expand our presence in Austria!

As a Business Development Manager you will:

  • expand business in Austria
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!