Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
- Overzicht van neurale netwerken en diepe leer
- Het concept van Machine Learning (ML)
- Waarom hebben we neurale netwerken en diepe leer nodig?
- Netwerken selecteren voor verschillende problemen en datatypen
- Neurale netwerken leren en valideren
- Logistische regressie vergelijken met neurale netwerken
- Neuraal netwerk
- Biologische inspiraties voor neurale netwerken
- Neurale netwerken – Neuron, Perceptron en MLP (Multilayer Perceptron model)
- MLP leren – backpropagatie-algoritme
- Activeringsfuncties – lineair, sigmoid, Tanh, Softmax
- Verliesfuncties geschikt voor voorspelling en classificatie
- Parameters – leersnelheid, regularisatie, momentum
- Neurale netwerken bouwen in Python
- De prestaties van neurale netwerken in Python evalueren
- Basisprincipes van diepe netwerken
- Wat is diepe leer?
- Architectuur van diepe netwerken – parameters, lagen, activeringsfuncties, verliesfuncties, oplossers
- Restricted Boltzmann Machines (RBMs)
- Autoencoders
- Architecturen van diepe netwerken
- Deep Belief Networks (DBN) – architectuur, toepassing
- Autoencoders
- Restricted Boltzmann Machines
- Convolutional Neural Network
- Recursive Neural Network
- Recurrent Neural Network
- Overzicht van bibliotheken en interfaces beschikbaar in Python
- Caffe
- Theano
- Tensorflow
- Keras
- Mxnet
- De juiste bibliotheek voor een probleem kiezen
- Diepe netwerken bouwen in Python
- De juiste architectuur kiezen voor een gegeven probleem
- Hybride diepe netwerken
- Netwerk leren – juiste bibliotheek, architectuurdefinitie
- Netwerk aanpassen – initialisatie, activeringsfuncties, verliesfuncties, optimalisatiemethode
- Overfitting voorkomen – overfittingproblemen in diepe netwerken detecteren, regularisatie
- Diepe netwerken evalueren
- Casestudies in Python
- Afbeeldingsherkenning – CNN
- Afwijkingen detecteren met Autoencoders
- Tijdreeksen voorspellen met RNN
- Dimensionele reductie met Autoencoder
- Classificatie met RBM
Vereisten
Kennis/waardering van machine learning, systeemarchitectuur en programmeertalen zijn wenselijk
14 Uren
Aangepaste bedrijfsopleiding
Opleidingsoplossingen ontworpen exclusief voor bedrijven.
- Aangepaste inhoud: We passen de syllabus en praktijkopdrachten aan naar de echte doelen en behoeften van uw project.
- Voor flexibel schema: Datums en tijden aangepast aan het rooster van uw team.
- Formaat: Online (live), In-company (bij uw kantoren) of Hybride.
Prijs per privégroep, online live training, startend vanaf 3200 € + BTW*
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
Reviews (1)
De training was goed georganiseerd en uitgewerkt, waardoor ik er een gestructureerde kennis van heb opgedaan en een goed overzicht krijg van de onderwerpen die we hebben besproken.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Cursus - Deep Learning with TensorFlow 2
Automatisch vertaald
