Deep Learning Training Courses

Stable Diffusion is een krachtig deep learning-model dat gedetailleerde afbeeldingen kan genereren op basis van tekstbeschrijvingen.Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers op gemiddeld tot gevorderd niveau, machine learning-ingenieurs, deep learning-onderzoekers en computer vision-experts die hun kennis en vaardigheden op het gebied van deep learning voor tekst-naar-tekst willen uitbreiden. -beeldgeneratie.Aan het einde van deze training kunnen deelnemers:

Begrijp geavanceerde deep learning-architecturen en -technieken voor het genereren van tekst naar afbeeldingen. Implementeer complexe modellen en optimalisaties voor hoogwaardige beeldsynthese. Optimaliseer de prestaties en schaalbaarheid voor grote datasets en complexe modellen. Stem hyperparameters af voor betere modelprestaties en generalisatie. Integreer Stable Diffusion met andere deep learning-frameworks en -tools.

Formaat van de cursus

Interactieve lezing en discussie. Veel oefeningen en oefeningen. Praktische implementatie in een live-labomgeving.

Opties voor cursusaanpassing

Als u een training op maat voor deze cursus wilt aanvragen, kunt u contact met ons opnemen om een afspraak te maken

DeepSpeed is een deep learning-optimalisatiebibliotheek die het eenvoudiger maakt om deep learning-modellen op gedistribueerde hardware te schalen. DeepSpeed, ontwikkeld door Microsoft, integreert met PyTorch voor betere schaalbaarheid, snellere training en beter gebruik van bronnen.Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op beginnende tot halfgevorderde datawetenschappers en machine learning-ingenieurs die de prestaties van hun deep learning-modellen willen verbeteren.Aan het einde van deze training kunnen deelnemers:

Begrijp de principes van gedistribueerd diep leren. Installeer en configureer DeepSpeed. Schaal deep learning-modellen op gedistribueerde hardware met behulp van DeepSpeed. Implementeer en experimenteer met DeepSpeed-functies voor optimalisatie en geheugenefficiëntie.

Formaat van de cursus

Interactieve lezing en discussie. Veel oefenen en oefenen. Hands-on implementatie in een live-lab omgeving.

Cursusaanpassingsopties

Voor het aanvragen van een training op maat voor deze cursus kunt u contact met ons opnemen om een afspraak te maken.

Large Language Models (LLM's) zijn diepe neurale netwerkmodellen die natuurlijke taalteksten kunnen genereren op basis van een bepaalde invoer of context. Ze zijn getraind in grote hoeveelheden tekstgegevens uit verschillende domeinen en bronnen, en kunnen de syntactische en semantische patronen van natuurlijke taal vastleggen. LLM's hebben indrukwekkende resultaten behaald bij verschillende taken in natuurlijke taal, zoals het samenvatten van teksten, het beantwoorden van vragen, het genereren van tekst en meer.Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars op beginnersniveau tot op gemiddeld niveau die grote taalmodellen willen gebruiken voor verschillende natuurlijke taaltaken.Aan het einde van deze training kunnen deelnemers:

Zet een ontwikkelomgeving op met een populaire LLM. Maak een basis-LLM en verfijn deze op een aangepaste dataset. Gebruik LLM's voor verschillende taken in natuurlijke taal, zoals het samenvatten van teksten, het beantwoorden van vragen, het genereren van tekst en meer. Debug en evalueer LLM's met behulp van tools zoals TensorBoard, PyTorch Lightning en Hugging Face Datasets.

Formaat van de cursus

Interactieve lezing en discussie. Veel oefeningen en oefeningen. Praktische implementatie in een live-labomgeving.

Opties voor cursusaanpassing

Als u een training op maat voor deze cursus wilt aanvragen, kunt u contact met ons opnemen om een afspraak te maken.

AlphaFold is een Artificial Intelligence (AI) systeem dat de voorspelling van eiwitstructuur uitvoert. Het is ontwikkeld door Alphabet’s/Google’s DeepMind als een diep leren systeem dat nauwkeurig 3D-modellen van eiwitstructuur kan voorspellen. Deze instructeur geleide, live training (online of on-site) is gericht op biologen die willen begrijpen hoe AlphaFold werken en gebruiken AlphaFold modellen als gids in hun experimentele studies. Aan het einde van deze training zullen de deelnemers in staat zijn:

Begrijp de fundamentele beginselen van AlphaFold. Leer hoe [ 2 ] werkt. Leer hoe je AlphaFold voorspellingen en resultaten kunt interpreteren.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

Stable Diffusion is een krachtig deep learning-model dat gedetailleerde afbeeldingen kan genereren op basis van tekstbeschrijvingen.Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers, machine learning-ingenieurs en computervisieonderzoekers die Stable Diffusion willen gebruiken om afbeeldingen van hoge kwaliteit te genereren voor een verscheidenheid aan gebruiksscenario's.Aan het einde van deze training kunnen deelnemers:

Begrijp de principes van Stable Diffusion en hoe het werkt voor het genereren van afbeeldingen. Bouw en train Stable Diffusion modellen voor taken voor het genereren van afbeeldingen. Pas Stable Diffusion toe op verschillende scenario's voor het genereren van afbeeldingen, zoals inpainting, outpainting en vertaling van afbeelding naar afbeelding. Optimaliseer de prestaties en stabiliteit van Stable Diffusion modellen.

Formaat van de cursus

Interactieve lezing en discussie. Veel oefeningen en oefeningen. Praktische implementatie in een live-labomgeving.

Opties voor cursusaanpassing

Als u een training op maat voor deze cursus wilt aanvragen, kunt u contact met ons opnemen om een afspraak te maken

Tijdens deze live training met instructeur leren deelnemers de meest relevante en alledaagse technieken voor het leren van machines in Python, terwijl ze een reeks demotoepassingen bouwen met afbeeldingen, muziek, tekst en financiële gegevens Aan het einde van deze training kunnen deelnemers: Implementeer algoritmen voor het leren van machines en technieken voor het oplossen van complexe problemen Gebruik deep learning en semisupervised learning voor toepassingen met beeld-, muziek-, tekst- en financiële gegevens Push Python-algoritmen naar hun maximale potentieel Gebruik bibliotheken en pakketten zoals NumPy en Theano Publiek ontwikkelaars analisten Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

Diep Reinforcement Learning verwijst naar het vermogen van een "kunstmatige agent" om te leren met vallen en opstaan en beloningen en straffen. Een kunstmatige agent heeft tot doel het vermogen van een mens na te bootsen om zelf kennis te verkrijgen en te construeren, rechtstreeks uit ruwe input zoals visie. Om bekrachtigend leren te realiseren wordt gebruik gemaakt van deep learning en neurale netwerken. Reinforcement learning verschilt van machine learning en is niet afhankelijk van begeleide en niet-gesuperviseerde leerbenaderingen.Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die de grondbeginselen van Deep Reinforcement Learning willen leren terwijl ze door het maken van een Deep Learning Agent stappen.Aan het einde van deze training kunnen deelnemers:

Begrijp de sleutelconcepten achter Deep Reinforcement Learning en kan het onderscheiden van Machine Learning. Pas geavanceerde Reinforcement Learning algoritmen toe om echte problemen op te lossen. Bouw een Deep Learning agent.

Formaat van de cursus

Interactieve lezing en discussie. Veel oefenen en oefenen. Hands-on implementatie in een live-lab omgeving.

Cursusaanpassingsopties

Voor het aanvragen van een training op maat voor deze cursus kunt u contact met ons opnemen om een afspraak te maken.

Machine learning is een branche van Artificial Intelligence waarin computers de mogelijkheid hebben om te leren zonder uitdrukkelijk te worden geprogrammeerd. Deep learning is een onderveld van machine learning dat methoden gebruikt die gebaseerd zijn op leergegevens representaties en structuren zoals neurale netwerken. Python is een hoog niveau programmeertaal beroemd om zijn duidelijke syntax en code leesbaarheid. In deze instructeur geleide, live training, zullen de deelnemers leren hoe te implementeren diepe leren modellen voor telecom gebruik Python als ze stappen door het creëren van een diepe leren credit risk model. Aan het einde van deze training zullen de deelnemers in staat zijn:

Begrijp de fundamentele begrippen van diep leren. Leer de toepassingen en toepassingen van diep leren in telecom. Gebruik Python, Keras en TensorFlow om diep leren modellen voor telecom te creëren. Bouw je eigen diep leren klant voorspelling model met behulp van Python.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

Embedding Projector is een opensource-webtoepassing voor het visualiseren van de gegevens die worden gebruikt om machine-leersystemen te trainen Het is gemaakt door Google en maakt deel uit van TensorFlow Deze instructieve, live training introduceert de concepten achter Embedding Projector en leidt deelnemers door het opzetten van een demoproject Aan het einde van deze training kunnen deelnemers: Onderzoek hoe gegevens worden geïnterpreteerd door machine learning-modellen Navigeer door 3D- en 2D-weergaven van gegevens om te begrijpen hoe een algoritme voor machine-learning het interpreteert Begrijp de concepten achter Inbedding en hun rol in het representeren van wiskundige vectoren voor afbeeldingen, woorden en cijfers Verken de eigenschappen van een specifieke insluiting om het gedrag van een model te begrijpen Pas Embedding Project toe op realworld-use cases zoals het bouwen van een songaanbevelingssysteem voor muziekliefhebbers Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

Deze cursus omvat AI (emphasizing Machine Learning en Deep Learning) in Automotive Industrie. Het helpt om te bepalen welke technologie (potentieel) kan worden gebruikt in meerdere situaties in een auto: van eenvoudige automatisering, beeldrecognitie tot autonome besluitvorming.

Artificial Neural Network is een computationeel datamodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) -systemen die "intelligente" taken kunnen uitvoeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) -toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.

Artificial Neural Network is een computationeel datamodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) -systemen die "intelligente" taken kunnen uitvoeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) -toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.

Caffe is een diepgaand leerkader gemaakt met expressie, snelheid en modulariteit in het achterhoofd. Deze cursus onderzoekt de toepassing van Caffe als een diepgaand leerkader voor beeldherkenning met behulp van MNIST als voorbeeld Publiek Deze cursus is geschikt voor onderzoekers en ingenieurs van Deep Learning die geïnteresseerd zijn in het gebruik van Caffe als kader. Na het voltooien van deze cursus kunnen afgevaardigden:

• inzicht in de structuur en implementatiemechanismen van Caffe
• voer installatie / productieomgeving / architectuurtaken en configuratie uit
• codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
• implementeer geavanceerde productie zoals trainingsmodellen, implementatie van lagen en logboekregistratie

Deze cursus is een algemeen overzicht voor Deep Learning zonder te diep in te gaan op specifieke methoden. Het is geschikt voor mensen die Deep learning willen gaan gebruiken om hun voorspellingsnauwkeurigheid te verbeteren.

Machine learning is een tak van kunstmatige intelligentie waarbij computers kunnen leren zonder expliciet te worden geprogrammeerd. Diep leren is een deelgebied van machine learning dat methoden gebruikt die gebaseerd zijn op gegevensrepresentaties en structuren zoals neurale netwerken.

Invoering:Diep leren wordt een belangrijk onderdeel van toekomstig productontwerp dat kunstmatige intelligentie in het hart van hun modellen wil integreren. Binnen de komende 5 tot 10 jaar zullen deep learning-ontwikkelingstools, bibliotheken en talen standaardcomponenten worden van elke toolkit voor softwareontwikkeling. Tot nu toe Google hebben Sales Force, Facebook en Amazon met succes deep learning AI gebruikt om hun bedrijf een boost te geven. Toepassingen varieerden van automatische machinevertaling, beeldanalyse, video-analyse, bewegingsanalyse, het genereren van gerichte advertenties en nog veel meer.Deze cursus is bedoeld voor organisaties die Deep Learning willen opnemen als een zeer belangrijk onderdeel van hun product- of servicestrategie. Hieronder vindt u het overzicht van de deep learning-cursus die we kunnen aanpassen voor verschillende niveaus van werknemers/stakeholders in een organisatie.Doelgroep:(Afhankelijk van de doelgroep wordt het cursusmateriaal aangepast)LeidinggevendenEen algemeen overzicht van AI en hoe het past in de bedrijfsstrategie, met breakout-sessies over strategische planning, roadmaps voor technologie en toewijzing van middelen om maximale waarde te garanderen.Project managersHoe een AI-project te plannen, inclusief het verzamelen en evalueren van gegevens, het opschonen en verifiëren van gegevens, het ontwikkelen van een proof-of-concept-model, integratie in bedrijfsprocessen en levering in de hele organisatie.ontwikkelaarsDiepgaande technische trainingen, met focus op neurale netwerken en deep learning, beeld- en video-analyse (CNN's), geluids- en tekstanalyse (NLP) en het introduceren van AI in bestaande applicaties.VerkopersEen algemeen overzicht van AI en hoe het kan voldoen aan de behoeften van klanten, waardeproposities voor verschillende producten en diensten, en hoe angsten kunnen worden weggenomen en de voordelen van AI kunnen worden bevorderd.

Deep Learning of Deep Structured Learning is een subset van machine learning dat meerdere lagen van netwerken om voorspellingsmodellen te bouwen omvat. Het wordt veel gebruikt in grote industrieën, zoals gezondheidszorg, e-commerce, bankwezen, vervaardiging, automotive, enz. Deze instructeur geleide, live training (online of on-site) is gericht op zakelijke analisten, data wetenschappers, en ontwikkelaars die willen bouwen en implementeren diepe leren modellen om de inkomen groei te versnellen en problemen in de zakelijke wereld op te lossen. Aan het einde van deze training zullen de deelnemers in staat zijn:

Begrijp de kernbegrippen van machine learning en diep leren. Ontdek inzichten over de toekomst van het bedrijfsleven en de industrie met ML en DL. Definieer bedrijfsstrategieën  en oplossingen met diep leren. Leer hoe je gegevenswetenschap en diep leren toepast bij het oplossen van zakelijke problemen. Gebouw diep leermodellen met behulp van Python, Pandas, TensorFlow, CNTK, Torch, Keras, enz.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

Machine learning is een tak van kunstmatige intelligentie waarbij computers kunnen leren zonder expliciet te worden geprogrammeerd. Diep leren is een deelgebied van machine learning dat methoden gebruikt die gebaseerd zijn op gegevensrepresentaties en structuren zoals neurale netwerken. R is een populaire programmeertaal in de financiële sector. Het wordt gebruikt in financiële toepassingen variërend van kernhandelprogramma's tot risicobeheersystemen. In deze door een instructeur geleide, live training, leren deelnemers hoe ze deep learning-modellen voor financiën kunnen implementeren met behulp van R terwijl ze door de creatie van een deep learning-aandelenvoorspellingsmodel stappen. Aan het einde van deze training kunnen deelnemers:

• Begrijp de fundamentele concepten van diep leren
• Leer de toepassingen en toepassingen van diep leren in financiën
• Gebruik R om diepgaande leermodellen voor financiën te maken
• Bouw hun eigen deep learning aandelenprijsvoorspellingsmodel met R

Publiek

• ontwikkelaars
• Data wetenschappers

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Machine learning is een tak van kunstmatige intelligentie waarbij computers kunnen leren zonder expliciet te worden geprogrammeerd. Diep leren is een deelgebied van machine learning dat methoden gebruikt die gebaseerd zijn op gegevensrepresentaties en structuren zoals neurale netwerken. Python is een programmeertaal op hoog niveau die bekend staat om zijn duidelijke syntaxis en leesbaarheid van code. In deze door een instructeur geleide, live training leren deelnemers hoe ze deep learning-modellen voor bankieren kunnen implementeren met behulp van Python terwijl ze het maken van een deep learning-kredietrisicomodel doorlopen. Aan het einde van deze training kunnen deelnemers:

• Begrijp de fundamentele concepten van diep leren
• Leer de toepassingen en toepassingen van diep leren in bankieren
• Gebruik Python , Keras en TensorFlow om diepgaande leermodellen voor bankieren te maken
• Bouw hun eigen deep learning kredietrisicomodel met behulp van Python

Publiek

• ontwikkelaars
• Data wetenschappers

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Machine learning is een tak van kunstmatige intelligentie waarbij computers kunnen leren zonder expliciet te worden geprogrammeerd. Diep leren is een deelgebied van machine learning dat methoden gebruikt die gebaseerd zijn op gegevensrepresentaties en structuren zoals neurale netwerken. R is een populaire programmeertaal in de financiële sector. Het wordt gebruikt in financiële toepassingen variërend van kernhandelprogramma's tot risicobeheersystemen. In deze door een instructeur geleide, live training, leren deelnemers hoe ze deep learning-modellen voor bankieren kunnen implementeren met behulp van R terwijl ze het maken van een deep learning-kredietrisicomodel doorlopen. Aan het einde van deze training kunnen deelnemers:

• Begrijp de fundamentele concepten van diep leren
• Leer de toepassingen en toepassingen van diep leren in bankieren
• Gebruik R om diepgaande leermodellen voor bankieren te maken
• Bouw hun eigen deep learning kredietrisicomodel met R

Publiek

• ontwikkelaars
• Data wetenschappers

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Machine learning is een tak van Artificial Intelligence waarbij computers het vermogen hebben om te leren zonder expliciet geprogrammeerd te zijn Deep learning is een subveld van machine learning dat gebruikmaakt van methoden die gebaseerd zijn op leergegevensrepresentaties en structuren zoals neurale netwerken Python is een programmeertaal op hoog niveau die bekend staat om zijn duidelijke syntaxis en codele leesbaarheid In deze live training met instructeur leren deelnemers hoe ze diepgaande leermodellen voor financiën kunnen implementeren met behulp van Python, terwijl ze door de creatie van een diepgaand modelvoorspellingmodel voor prijsvoorspelling stappen Aan het einde van deze training kunnen deelnemers: Begrijp de fundamentele concepten van diep leren Leer de toepassingen en het gebruik van deep learning in finance Gebruik Python, Keras en TensorFlow om diepgaande leermodellen voor financiën te maken Bouw een eigen voorspellingsmodel voor deep learning aandelenprijzen met Python Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

Machine Learning is een branche van kunstmatige intelligentie waarin computers de mogelijkheid hebben om te leren zonder uitdrukkelijk te worden geprogrammeerd. Deep Learning is een onderveld van Machine Learning dat probeert de werkzaamheden van het menselijk brein in het nemen van beslissingen te imiteren. Het wordt getraind met gegevens om automatisch oplossingen voor problemen te bieden. Deep Learning biedt grote kansen voor de medische industrie die op een data goudmijn zit. In deze instructeur geleide, live training, zullen de deelnemers deelnemen aan een reeks van discussies, oefeningen en case-study analyse om de fundamenten van Deep Learning te begrijpen. De belangrijkste Deep Learning hulpmiddelen en technieken zullen worden beoordeeld en oefeningen zullen worden uitgevoerd om deelnemers voor te bereiden op hun eigen evaluatie en implementatie van Deep Learning oplossingen binnen hun organisaties. Aan het einde van deze training zullen de deelnemers in staat zijn:

Begrijp de fundamenten van Deep Learning Leer Deep Learning technieken en hun toepassingen in de industrie Onderzoek problemen in de geneeskunde die kunnen worden opgelost door Deep Learning technologieën Ontdek Deep Learning gevallenstudies in de geneeskunde Formuleren van een strategie voor het aanvaarden van de nieuwste technologieën in Deep Learning voor het oplossen van problemen in de geneeskunde

Het publiek

Managers Medische professionals in leiderschapsrollen

Format van de cursus

Deel lezing, deel discussie, oefeningen en zware praktijken

Opmerking

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

Gezondheidsproblemen kunnen worden gedetecteerd door de analyse van afbeeldingen zoals MRI-scan. Het gebruik van diep leren om beelden te verwerken kan leiden tot ontdekkingen die voorheen ontoegankelijk zijn door menselijke inspectie alleen. Deze instructeur geleide, live training (online of on-site) is gericht op ontwikkelaars en data wetenschappers die konvolutionaal neurale netwerken (CNN's) willen toepassen op de analyse van MRI-scan. Aan het einde van deze training zullen de deelnemers in staat zijn:

Installeer en installeer de nodige ontwikkelingsomgeving, software en bibliotheken om te beginnen met het ontwikkelen. Analyseer MRI-beelden met behulp van deep learning technieken zoals CNN's. Het detecteren van potentiële gezondheidstoestandten zoals hartziekten door middel van MRI-scan-analyse. Gebruik technieken zoals afbeeldingssegmentatie en CNN training om potentiële ziekte te identificeren. Identificeer de genomica van een ziekte met behulp van radiomica. Bouw en implementeren van een diep leren applicatie gericht op de gezondheidszorg beeldanalyse.

Format van de cursus

Interactieve lezingen en discussie. Veel oefeningen en oefeningen. Hand-on implementatie in een live-lab-omgeving.

Cursus aanpassingsopties

Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om te organiseren.

Publiek Deze cursus is geschikt voor onderzoekers en ingenieurs van Deep Learning die geïnteresseerd zijn in het gebruik van beschikbare hulpmiddelen (meestal open source) voor het analyseren van computerbeelden Deze cursus biedt werkvoorbeelden.

In deze door een instructeur geleide live training leren deelnemers hoe ze DSSTNE kunnen gebruiken om een aanbevelingsapplicatie te bouwen. Aan het einde van deze training kunnen deelnemers:

• Train een aanbevelingsmodel met beperkte gegevenssets als invoer
• Schaal training en voorspellingsmodellen over meerdere GPU 's
• Verspreid berekening en opslag op een model-parallelle manier
• Genereer Amazon-achtige gepersonaliseerde productaanbevelingen
• Implementeer een productieklare applicatie die kan schalen bij zware workloads

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

In deze instructeur geleide, live training, zullen de deelnemers leren hoe Facebook NMT (Fairseq) te gebruiken om de vertaling van sampleinhoud uit te voeren. Aan het einde van deze training hebben de deelnemers de kennis en praktijk die nodig is om een op Fairseq gebaseerde machinevertalingsoplossing te implementeren. Format van de cursus

Deel lezing, deel discussie, zware hands-on praktijk

Opmerking

Als u specifieke bron- en doeltaalinhoud wilt gebruiken, neem dan contact met ons op om te regelen.

Type: Theoretische training met applicaties stroomopwaarts besloten met de studenten op Lasagne of Keras volgens de pedagogische groep Lesmethode: presentatie, uitwisselingen en case studies Kunstmatige intelligentie begon, na vele wetenschappelijke gebieden te hebben verstoord, een revolutie teweeg te brengen in een groot aantal economische sectoren (industrie, geneeskunde, communicatie, enz.). Desalniettemin is de presentatie ervan in de grote media vaak fantasie, ver van wat echt de gebieden zijn van Machine Learning of Deep Learning . Het doel van deze training is om ingenieurs die al kennis hebben van computerhulpmiddelen (inclusief een softwareprogrammabasis) een inleiding te bieden tot Deep Learning en de verschillende specialisatiegebieden en daarmee tot de belangrijkste bestaande netwerkarchitecturen vandaag. Als de wiskundige basis tijdens de cursus wordt opgeroepen, wordt een niveau van wiskunde van het type BAC + 2 aanbevolen voor meer comfort. Het is absoluut mogelijk om de wiskundige as over te slaan om alleen een "systeemvisie" te behouden, maar deze benadering zal uw begrip van het onderwerp enorm beperken.

In deze door een instructeur geleide live training leren deelnemers hoe ze Matlab kunnen gebruiken voor het ontwerpen, bouwen en visualiseren van een convolutioneel neuraal netwerk voor beeldherkenning. Aan het einde van deze training kunnen deelnemers:

• Bouw een diepgaand leermodel
• Automatiseer gegevensetikettering
• Werk met modellen van Caffe en TensorFlow - Keras
• Train gegevens met behulp van meerdere GPU 's, de cloud of clusters

Publiek

• ontwikkelaars
• ingenieurs
• Domeinexperts

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Microsoft Cognitive Toolkit 2x (voorheen CNTK) is een opensource, commercialgrade toolkit die diepgaande leeralgoritmen opleidt om te leren zoals het menselijk brein Volgens Microsoft kan CNTK 510x sneller zijn dan TensorFlow op terugkerende netwerken, en 2 tot 3 keer sneller dan TensorFlow voor imagerelated taken Tijdens deze live training met instructeur leren deelnemers hoe je Microsoft Cognitive Toolkit kunt gebruiken om diepgaande leeralgoritmen te maken, trainen en evalueren voor gebruik in commerciële AI-applicaties met meerdere soorten gegevens, zoals data, spraak, tekst en afbeeldingen Aan het einde van deze training kunnen deelnemers: Toegang tot CNTK als een bibliotheek vanuit een Python-, C #- of C ++ -programma Gebruik CNTK als standalone machine learning tool door middel van zijn eigen modelbeschrijvingstaal (BrainScript) Gebruik de CNTK-modelevaluatiefunctionaliteit van een Java-programma Combineer feed-forward DNN's, convolutionele netwerken (CNN's) en terugkerende netwerken (RNN's / LSTM's) Schaalberekeningscapaciteit op CPU's, GPU's en meerdere machines Toegang tot enorme datasets met behulp van bestaande programmeertalen en algoritmen Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen Notitie Als u een deel van deze training, inclusief de programmeertaal naar keuze, aan wilt passen, neem dan contact met ons op om dit te regelen .

Deze cursus behandelt AI (met nadruk op Machine Learning en Deep Learning )