Lokale, geïnstrueerde live Deep Learning (DL) -cursussen demonstreren door handson de basisbeginselen en toepassingen van Deep Learning te oefenen en onderwerpen te behandelen zoals diep machine-learning, diep gestructureerd leren en hiërarchisch leren Deep Learning-training is beschikbaar als 'live training op locatie' of 'live training op afstand' Onsite live training kan lokaal worden uitgevoerd op het terrein van de klant in Nederland of in NobleProg bedrijfsopleidingscentra in Nederland Live-training op afstand wordt uitgevoerd via een interactieve, externe desktop NobleProg Uw lokale trainingsaanbieder.
Machine Translated
Getuigenissen
We hebben veel meer inzicht gekregen in het onderwerp. Er is een aardige discussie gevoerd met enkele echte onderwerpen binnen ons bedrijf.
Sebastiaan Holman
Cursus: Machine Learning and Deep Learning
Machine Translated
De training bood de juiste basis om verder uit te breiden, door te laten zien hoe theorie en praktijk hand in hand gaan. Ik raakte hierdoor meer geïnteresseerd in het onderwerp dan voorheen.
Jean-Paul van Tillo
Cursus: Machine Learning and Deep Learning
Machine Translated
Ik heb echt genoten van de dekking en diepte van onderwerpen.
Anirban Basu
Cursus: Machine Learning and Deep Learning
Machine Translated
Het was heel interactief en meer ontspannen en informeel dan verwacht. We hebben veel onderwerpen behandeld in de tijd en de trainer was altijd ontvankelijk om meer in detail of meer in het algemeen te praten over de onderwerpen en hoe deze gerelateerd waren. Ik heb het gevoel dat de training me de tools heeft gegeven om verder te leren, in tegenstelling tot een eenmalige sessie waarbij het leren stopt als je klaar bent, wat erg belangrijk is gezien de schaal en complexiteit van het onderwerp.
Jonathan Blease
Cursus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Het onderwerp is erg interessant.
Wojciech Baranowski
Cursus: Introduction to Deep Learning
Machine Translated
Train theoretische kennis en bereidheid om de problemen met de deelnemers na de training op te lossen.
Grzegorz Mianowski
Cursus: Introduction to Deep Learning
Machine Translated
Onderwerp. Heel interessant!.
Piotr
Cursus: Introduction to Deep Learning
Machine Translated
Oefeningen na elk onderwerp waren erg nuttig, ondanks dat er aan het eind te gecompliceerd was. Over het algemeen was het gepresenteerde materiaal erg interessant en betekend het! Oefeningen met beeldherkenning waren geweldig.
Dolby Poland Sp. z o.o.
Cursus: Introduction to Deep Learning
Machine Translated
Ik denk dat als de training in het Pools wordt gedaan, de trainer zijn kennis efficiënter zou kunnen delen.
Radek
Cursus: Introduction to Deep Learning
Machine Translated
Het wereldwijde overzicht van deep learning.
Bruno Charbonnier
Cursus: Advanced Deep Learning
Machine Translated
De oefeningen zijn voldoende praktisch en hebben geen hoge kennis van Python nodig om gedaan te worden.
Alexandre GIRARD
Cursus: Advanced Deep Learning
Machine Translated
Oefeningen doen op echte voorbeelden met behulp van Eras. Italië heeft onze verwachtingen over deze training volledig begrepen.
Paul Kassis
Cursus: Advanced Deep Learning
Machine Translated
Ik waardeerde echt de kristalheldere antwoorden van Chris op onze vragen.
Léo Dubus
Cursus: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Ik genoot over het algemeen van de deskundige trainer.
Sridhar Voorakkara
Cursus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ik was verbaasd over de standaard van deze klas - ik zou zeggen dat het een universitaire standaard was.
David Relihan
Cursus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Zeer goed overzicht. Go achtergrond waarom Tensorflow zo werkt.
Kieran Conboy
Cursus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ik vond de mogelijkheden om vragen te stellen en meer diepgaande verklaringen van de theorie te krijgen.
Sharon Ruane
Cursus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
De diepe kennis van de trainer over het onderwerp.
Sebastian Görg
Cursus: Introduction to Deep Learning
Machine Translated
Zeer geactualiseerde aanpak of CPI (tensor flow, era, learn) om machine learning te doen.
Paul Lee
Cursus: TensorFlow for Image Recognition
Machine Translated
Zeer flexibel.
Frank Ueltzhöffer
Cursus: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Ik genoot over het algemeen van de flexibiliteit.
Werner Philipp
Cursus: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Gezien de visie van de technologie: welke technologie / proces kan in de toekomst belangrijker worden; zie, waar de technologie voor kan worden gebruikt.
Commerzbank AG
Cursus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Ik had baat bij het selecteren van onderwerpen. Stijl van training. Oefen oriëntatie.
Commerzbank AG
Cursus: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
manier van leidinggeven en voorbeeld gegeven door de trainer
ORANGE POLSKA S.A.
Cursus: Machine Learning and Deep Learning
Machine Translated
Mogelijkheid om de voorgestelde problemen zelf te bespreken
ORANGE POLSKA S.A.
Cursus: Machine Learning and Deep Learning
Machine Translated
Communicatie met docenten
文欣 张
Cursus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Vind het leuk
lisa xie
Cursus: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Diepgaande aandacht voor onderwerpen van machine learning, met name neurale netwerken. Demystified veel van het onderwerp.
Sacha Nandlall
Cursus: Python for Advanced Machine Learning
Machine Translated
Grote en up-to-date kennis van toonaangevende en praktische toepassingsvoorbeelden.
ING Bank Śląski S.A.
Cursus: Introduction to Deep Learning
Machine Translated
Veel oefeningen, zeer goede samenwerking met de groep.
Janusz Chrobot - ING Bank Śląski S.A.
Cursus: Introduction to Deep Learning
Machine Translated
werk aan colaborators,
ING Bank Śląski S.A.
Cursus: Introduction to Deep Learning
Machine Translated
Het was duidelijk dat de liefhebbers van de gepresenteerde onderwerpen leidend waren. Gebruikte interessante voorbeelden tijdens het sporten.
ING Bank Śląski S.A.
Cursus: Introduction to Deep Learning
Machine Translated
Een breed scala aan onderwerpen behandeld en substantiële kennis van de leiders.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
gebrek
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
Grote theoretische en praktische kennis van de docenten. Communicativiteit van trainers. Tijdens de cursus kun je vragen stellen en bevredigende antwoorden krijgen.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
Praktisch gedeelte, waar we algoritmen hebben geïmplementeerd. Dit zorgde voor een beter begrip van het onderwerp.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
oefeningen en voorbeelden geïmplementeerd op hen
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
Voorbeelden en problemen besproken.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
Inhoudelijke kennis, betrokkenheid, een gepassioneerde manier om kennis over te dragen. Praktische voorbeelden na een theoretische lezing.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
Praktische oefeningen voorbereid door Mr. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Cursus: Understanding Deep Neural Networks
Machine Translated
Ik had baat bij de passie om les te geven en me te concentreren op het verstandig maken van dingen.
Zaher Sharifi - GOSI
Cursus: Advanced Deep Learning
Machine Translated
Menselijke identificatie en printplaat slechte punt detectie
王 春柱 - 中移物联网
Cursus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Tonen
中移物联网
Cursus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
Over gezicht gebied.
中移物联网
Cursus: Deep Learning for NLP (Natural Language Processing)
Machine Translated
De informele uitwisselingen hadden we tijdens de lezingen echt hielp me verdiepen mijn begrip van het onderwerp
Explore
Cursus: Deep Reinforcement Learning with Python
Machine Translated
Veel praktische tips
Pawel Dawidowski - ABB Sp. z o.o.
Cursus: Deep Learning with TensorFlow
Machine Translated
Veel informatie met betrekking tot de implementatie van oplossingen
Michał Smolana - ABB Sp. z o.o.
Cursus: Deep Learning with TensorFlow
Machine Translated
Deep Learning subcategorieën
Deep Learning (DL) Cursusoverzicht
Course Name
Duration
Overview
Course Name
Duration
Overview
14 hours
Overview
Deze cursus behandelt AI (met nadruk op Machine Learning en Deep Learning ) in de Automotive industrie. Het helpt om te bepalen welke technologie (mogelijk) kan worden gebruikt in meerdere situaties in een auto: van eenvoudige automatisering, beeldherkenning tot autonome besluitvorming.
14 hours
Overview
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Overview
Deze klassikale trainingssessie zal presentaties en computergebaseerde voorbeelden en casestudyoefeningen bevatten om te ondernemen met relevante neurale en diepe netwerkbibliotheken
14 hours
Overview
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Overview
OpenFace is op Python en Torch gebaseerde opensource, realtime gezichtsherkenningssoftware op basis van Google's FaceNet-onderzoek Tijdens deze live training met instructeur leren deelnemers de OpenFace-componenten te gebruiken om een voorbeeldtoepassing voor gezichtsherkenning te maken en te implementeren Aan het einde van deze training kunnen deelnemers: Werk met de componenten van OpenFace, inclusief dlib, OpenVC, Torch en nn4 om gezichtsdetectie, uitlijning en transformatie te implementeren Pas OpenFace toe op realworld-applicaties zoals surveillance, identiteitsverificatie, virtual reality, gaming en het identificeren van terugkerende klanten, enz Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .
7 hours
Overview
In deze door een instructeur geleide, live training leren deelnemers hoe ze OpenNMT kunnen instellen en gebruiken om verschillende voorbeeldgegevenssets te vertalen. De cursus begint met een overzicht van neurale netwerken die van toepassing zijn op machinevertaling. Deelnemers zullen tijdens de cursus live oefeningen uitvoeren om hun begrip van de geleerde concepten aan te tonen en feedback van de instructeur te krijgen.
Aan het einde van deze training hebben de deelnemers de kennis en praktijk die nodig is om een live OpenNMT oplossing te implementeren.
Bron- en doeltaalmonsters worden vooraf gerangschikt volgens de vereisten van het publiek.
Indeling van de cursus
- Deelcollege, deelbespreking, zware praktische oefening
Aan het einde van deze training hebben de deelnemers de kennis en praktijk die nodig is om een live OpenNMT oplossing te implementeren.
Bron- en doeltaalmonsters worden vooraf gerangschikt volgens de vereisten van het publiek.
Indeling van de cursus
- Deelcollege, deelbespreking, zware praktische oefening
14 hours
Overview
OpenNN is een open-source klassenbibliotheek geschreven in C ++, die neurale netwerken implementeert, voor gebruik bij machine learning.
In deze cursus gaan we in op de principes van neurale netwerken en gebruiken we OpenNN om een voorbeeldtoepassing te implementeren.
Publiek
Softwareontwikkelaars en programmeurs die Deep Learning-applicaties willen maken.
Formaat van de cursus
Lezing en discussie gekoppeld aan praktische oefeningen.
In deze cursus gaan we in op de principes van neurale netwerken en gebruiken we OpenNN om een voorbeeldtoepassing te implementeren.
Publiek
Softwareontwikkelaars en programmeurs die Deep Learning-applicaties willen maken.
Formaat van de cursus
Lezing en discussie gekoppeld aan praktische oefeningen.
21 hours
Overview
PaddlePaddle (PArallel Distributed Deep LEarning) is een schaalbaar platform voor diep leren, ontwikkeld door Baidu In deze live training met instructeur leren deelnemers PaddlePaddle te gebruiken om diepgaand leren in hun product- en servicetoepassingen mogelijk te maken Aan het einde van deze training kunnen deelnemers: PaddlePaddle instellen en configureren Stel een Convolutional Neural Network (CNN) in voor beeldherkenning en objectdetectie Een terugkerend neuraal netwerk (RNN) instellen voor sentimentanalyse Stel diepgaand leren op aanbevelingssystemen in om gebruikers te helpen antwoorden te vinden Voorspellen van klikfrequenties (CTR), grootschalige opnamesets classificeren, optische tekenherkenning (OCR) uitvoeren, zoekopdrachten rangschikken, computervirussen detecteren en een aanbevelingssysteem implementeren Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .
21 hours
Overview
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 .
21 hours
Overview
In deze live training met instructeur leren de deelnemers geavanceerde technieken voor machinaal leren met R tijdens het maken van een realworld-toepassing Aan het einde van deze training kunnen deelnemers: Gebruik technieken als afstemming van hyperparameters en diepgaand leren Begrijp en implementeer niet-gecontroleerde leert technieken Zet een model in productie voor gebruik in een grotere applicatie Publiek ontwikkelaars analisten Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .
21 hours
Overview
Diep leren is een deelgebied van machine learning. Het maakt gebruik van methoden gebaseerd op het leren van gegevensrepresentaties en structuren zoals neurale netwerken.
Keras is een API op hoog niveau voor neurale netwerken voor snelle ontwikkeling en experimenten. Het draait op TensorFlow , CNTK of Theano.
Deze instructeur-geleide, live training (ter plaatse of op afstand) is gericht op ontwikkelaars die een zelfrijdende auto willen bouwen met behulp van diepgaande leertechnieken.
Aan het einde van deze training kunnen deelnemers:
- Gebruik computer vision-technieken om rijstroken te identificeren.
- Gebruik Keras om convolutionele neurale netwerken te bouwen en te trainen.
- Train een diepgaand leermodel om verkeersborden te onderscheiden.
- Simuleer een volledig autonome auto.
Indeling van de cursus
- Interactieve lezing en discussie.
- Veel oefeningen en oefenen.
- Praktische implementatie in een live-labomgeving.
Cursusaanpassingsopties
- Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.
Keras is een API op hoog niveau voor neurale netwerken voor snelle ontwikkeling en experimenten. Het draait op TensorFlow , CNTK of Theano.
Deze instructeur-geleide, live training (ter plaatse of op afstand) is gericht op ontwikkelaars die een zelfrijdende auto willen bouwen met behulp van diepgaande leertechnieken.
Aan het einde van deze training kunnen deelnemers:
- Gebruik computer vision-technieken om rijstroken te identificeren.
- Gebruik Keras om convolutionele neurale netwerken te bouwen en te trainen.
- Train een diepgaand leermodel om verkeersborden te onderscheiden.
- Simuleer een volledig autonome auto.
Indeling van de cursus
- Interactieve lezing en discussie.
- Veel oefeningen en oefenen.
- Praktische implementatie in een live-labomgeving.
Cursusaanpassingsopties
- Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.
21 hours
Overview
SINGA is een algemeen gedistribueerd deep learning-platform voor het trainen van grote deep learning-modellen over grote datasets. Het is ontworpen met een intuïtief programmeermodel op basis van de laagabstractie. Een verscheidenheid aan populaire deep learning-modellen wordt ondersteund, namelijk feed-forward modellen, waaronder convolutionele neurale netwerken (CNN), energiemodellen zoals beperkte Boltzmann-machine (RBM) en terugkerende neurale netwerken (RNN). Veel ingebouwde lagen zijn bedoeld voor gebruikers. SINGA-architectuur is voldoende flexibel om synchrone, asynchrone en hybride trainingsraamwerken te gebruiken. SINGA ondersteunt ook verschillende neurale netpartitieschema's om de training van grote modellen te parallelliseren, namelijk partitionering op batch-dimensie, feature-dimensie of hybride partitionering.
Publiek
Deze cursus is bedoeld voor onderzoekers, ingenieurs en ontwikkelaars die Apache SINGA willen gebruiken als een diepgaand leerkader.
Na het voltooien van deze cursus zullen de deelnemers:
- de structuur en implementatiemechanismen van SINGA begrijpen
- in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
- codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
- in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, inbeddingstermijnen, het bouwen van grafieken en logboekregistratie
Publiek
Deze cursus is bedoeld voor onderzoekers, ingenieurs en ontwikkelaars die Apache SINGA willen gebruiken als een diepgaand leerkader.
Na het voltooien van deze cursus zullen de deelnemers:
- de structuur en implementatiemechanismen van SINGA begrijpen
- in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
- codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
- in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, inbeddingstermijnen, het bouwen van grafieken en logboekregistratie
7 hours
Overview
Tensor2Tensor (T2T) is een modulaire, uitbreidbare bibliotheek voor het trainen van AI-modellen in verschillende taken, met behulp van verschillende soorten trainingsgegevens, bijvoorbeeld: beeldherkenning, vertaling, parsing, beeldbijschrift en spraakherkenning Het wordt onderhouden door het Google Brain-team In deze live training met instructeur leren deelnemers hoe ze een dieplerend model kunnen voorbereiden om meerdere taken op te lossen Aan het einde van deze training kunnen deelnemers: Installeer tensor2tensor, selecteer een dataset en train en evalueer een AI-model Pas een ontwikkelomgeving aan met behulp van de tools en componenten die zijn opgenomen in Tensor2Tensor Maak en gebruik een enkel model om tegelijkertijd een aantal taken uit meerdere domeinen te leren Gebruik het model om te leren van taken met een grote hoeveelheid trainingsgegevens en pas die kennis toe op taken waarbij de gegevens beperkt zijn Verkrijg bevredigende verwerkingsresultaten met behulp van een enkele GPU Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .
21 hours
Overview
TensorFlow is een populaire en machine learning-bibliotheek ontwikkeld door Go ogle voor diep leren, numerieke berekeningen en grootschalige machine learning. TensorFlow 2.0, uitgebracht in januari 2019, is de nieuwste versie van TensorFlow en bevat verbeteringen in enthousiaste uitvoering, compatibiliteit en API-consistentie.
Deze instructeur-geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die Tensorflow 2.0 willen gebruiken om voorspellers, classificatoren, generatieve modellen, neurale netwerken, enzovoort te bouwen.
Aan het einde van deze training kunnen deelnemers:
- Installeer en configureer TensorFlow 2.0.
- Begrijp de voordelen van TensorFlow 2.0 ten opzichte van eerdere versies.
- Bouw diepe leermodellen.
- Implementeer een geavanceerde afbeeldingclassificator.
- Implementeer een diepgaand leermodel op de cloud-, mobiele en IoT-apparaten.
Indeling van de cursus
- Interactieve lezing en discussie.
- Veel oefeningen en oefenen.
- Praktische implementatie in een live-labomgeving.
Cursusaanpassingsopties
- Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.
- Ga voor meer informatie over TensorFlow naar: https://www.tensorflow.org/
Deze instructeur-geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars en datawetenschappers die Tensorflow 2.0 willen gebruiken om voorspellers, classificatoren, generatieve modellen, neurale netwerken, enzovoort te bouwen.
Aan het einde van deze training kunnen deelnemers:
- Installeer en configureer TensorFlow 2.0.
- Begrijp de voordelen van TensorFlow 2.0 ten opzichte van eerdere versies.
- Bouw diepe leermodellen.
- Implementeer een geavanceerde afbeeldingclassificator.
- Implementeer een diepgaand leermodel op de cloud-, mobiele en IoT-apparaten.
Indeling van de cursus
- Interactieve lezing en discussie.
- Veel oefeningen en oefenen.
- Praktische implementatie in een live-labomgeving.
Cursusaanpassingsopties
- Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.
- Ga voor meer informatie over TensorFlow naar: https://www.tensorflow.org/
21 hours
Overview
TensorFlow Lite is an open source deep learning framework for executing models on mobile and embedded devices with limited compute and memory resources.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
21 hours
Overview
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
TensorFlow Lite for Microcontrollers is a port of TensorFlow Lite designed to run machine learning models on microcontrollers and other devices with limited memory.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 hours
Overview
TensorFlow Serving is een systeem voor productie van machine learning (ML) -modellen In deze live training met instructeur leren deelnemers hoe ze TensorFlow Serving kunnen configureren en gebruiken om ML-modellen in een productieomgeving te implementeren en te beheren Aan het einde van deze training kunnen deelnemers: Train, exporteer en serveer verschillende TensorFlow-modellen Test en implementeer algoritmen met behulp van één architectuur en een reeks API's Verleng TensorFlow Serving voor andere typen modellen dan TensorFlow-modellen Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .
21 hours
Overview
TensorFlow is een 2e generatie API van de open source softwarebibliotheek van Go TensorFlow voor Deep Learning . Het systeem is ontworpen om onderzoek naar machine learning te vergemakkelijken en om de overgang van onderzoeksprototype naar productiesysteem snel en gemakkelijk te maken.
Publiek
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten
Na het voltooien van deze cursus zullen de deelnemers:
- de structuur en implementatiemechanismen van TensorFlow begrijpen
- in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
- codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
- in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie
Publiek
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten
Na het voltooien van deze cursus zullen de deelnemers:
- de structuur en implementatiemechanismen van TensorFlow begrijpen
- in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
- codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
- in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie
28 hours
Overview
Deze cursus onderzoekt, met specifieke voorbeelden, de toepassing van Tensor Flow voor beeldherkenning
Publiek
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor TensorFlow
Na het voltooien van deze cursus kunnen afgevaardigden:
- de structuur en implementatiemechanismen van TensorFlow begrijpen
- voer installatie / productieomgeving / architectuurtaken en configuratie uit
- codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
- implementeer geavanceerde productie zoals trainingsmodellen, het bouwen van grafieken en logboekregistratie
Publiek
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor TensorFlow
Na het voltooien van deze cursus kunnen afgevaardigden:
- de structuur en implementatiemechanismen van TensorFlow begrijpen
- voer installatie / productieomgeving / architectuurtaken en configuratie uit
- codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
- implementeer geavanceerde productie zoals trainingsmodellen, het bouwen van grafieken en logboekregistratie
21 hours
Overview
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
Torch is een open source bibliotheek voor machine learning en een wetenschappelijk computerframework gebaseerd op de programmeertaal Lua . Het biedt een ontwikkelomgeving voor cijfers, machine learning en computer vision, met een bijzondere nadruk op diep leren en convolutionele netten. Het is een van de snelste en meest flexibele frameworks voor Machine en Deep Learning en wordt gebruikt door bedrijven zoals Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel en vele anderen.
In deze door een instructeur geleide, live training behandelen we de principes van Torch , zijn unieke kenmerken en hoe het kan worden toegepast in real-world applicaties. We doorlopen talloze hands-on oefeningen doorheen, het demonstreren en oefenen van de geleerde concepten.
Aan het einde van de cursus hebben de deelnemers een grondig begrip van de onderliggende functies en mogelijkheden van Torch , evenals de rol en bijdrage binnen de AI-ruimte in vergelijking met andere frameworks en bibliotheken. Deelnemers hebben ook de nodige praktijk gekregen om Torch in hun eigen projecten te implementeren.
Indeling van de cursus
- Overzicht van machine en Deep Learning
- In-class codeer- en integratieoefeningen
- Testvragen die onderweg zijn verspreid om het begrip te controleren
In deze door een instructeur geleide, live training behandelen we de principes van Torch , zijn unieke kenmerken en hoe het kan worden toegepast in real-world applicaties. We doorlopen talloze hands-on oefeningen doorheen, het demonstreren en oefenen van de geleerde concepten.
Aan het einde van de cursus hebben de deelnemers een grondig begrip van de onderliggende functies en mogelijkheden van Torch , evenals de rol en bijdrage binnen de AI-ruimte in vergelijking met andere frameworks en bibliotheken. Deelnemers hebben ook de nodige praktijk gekregen om Torch in hun eigen projecten te implementeren.
Indeling van de cursus
- Overzicht van machine en Deep Learning
- In-class codeer- en integratieoefeningen
- Testvragen die onderweg zijn verspreid om het begrip te controleren
7 hours
Overview
De Tensor Processing Unit (TPU) is de architectuur die Google al enkele jaren intern gebruikt en die nu net beschikbaar wordt voor gebruik door het grote publiek Het bevat verschillende optimalisaties die specifiek zijn bedoeld voor gebruik in neurale netwerken, waaronder gestroomlijnde matrixvermenigvuldiging en 8-bits gehele getallen in plaats van 16-bits om de juiste nauwkeurigheidsniveaus te retourneren In deze live training met instructeur leren deelnemers hoe ze kunnen profiteren van de innovaties in TPU-processors om de prestaties van hun eigen AI-applicaties te maximaliseren Aan het einde van de training kunnen deelnemers: Train verschillende typen neurale netwerken op grote hoeveelheden gegevens Gebruik TPU's om het afleidingsproces met maximaal twee orden van grootte te versnellen Gebruik TPU's om intensieve applicaties te verwerken, zoals zoeken naar afbeeldingen, cloudvisie en foto's Publiek ontwikkelaars onderzoekers ingenieurs Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .
35 hours
Overview
TensorFlow ™ is een open source softwarebibliotheek voor numerieke berekening met behulp van gegevensstroomgrafieken.
SyntaxNet is een neuraal-netwerk framework voor natuurlijke TensorFlow voor TensorFlow .
Word 2Vec wordt gebruikt voor het leren van vectorrepresentaties van woorden, "woordinbedding" genoemd. Word 2vec is een bijzonder rekenkundig efficiënt voorspellend model voor het leren van woordinbedding van onbewerkte tekst. Het komt in twee smaken, het Continuous Bag-of- Word model (CBOW) en het Skip-Gram-model (hoofdstuk 3.1 en 3.2 in Mikolov et al.).
SyntaxNet en Word 2Vec worden in combinatie gebruikt en stellen gebruikers in staat om geleerde insluitingsmodellen te genereren op basis van invoer in natuurlijke taal.
Publiek
Deze cursus is bedoeld voor ontwikkelaars en ingenieurs die met SyntaxNet- en Word 2Vec-modellen willen werken in hun TensorFlow grafieken.
Na het voltooien van deze cursus zullen de deelnemers:
- de structuur en implementatiemechanismen van TensorFlow begrijpen
- in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
- codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
- in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, inbeddingstermijnen, het bouwen van grafieken en logboekregistratie
SyntaxNet is een neuraal-netwerk framework voor natuurlijke TensorFlow voor TensorFlow .
Word 2Vec wordt gebruikt voor het leren van vectorrepresentaties van woorden, "woordinbedding" genoemd. Word 2vec is een bijzonder rekenkundig efficiënt voorspellend model voor het leren van woordinbedding van onbewerkte tekst. Het komt in twee smaken, het Continuous Bag-of- Word model (CBOW) en het Skip-Gram-model (hoofdstuk 3.1 en 3.2 in Mikolov et al.).
SyntaxNet en Word 2Vec worden in combinatie gebruikt en stellen gebruikers in staat om geleerde insluitingsmodellen te genereren op basis van invoer in natuurlijke taal.
Publiek
Deze cursus is bedoeld voor ontwikkelaars en ingenieurs die met SyntaxNet- en Word 2Vec-modellen willen werken in hun TensorFlow grafieken.
Na het voltooien van deze cursus zullen de deelnemers:
- de structuur en implementatiemechanismen van TensorFlow begrijpen
- in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
- codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
- in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, inbeddingstermijnen, het bouwen van grafieken en logboekregistratie
35 hours
Overview
Deze cursus begint met het geven van conceptuele kennis in neurale netwerken en in het algemeen in machine learning-algoritme, deep learning (algoritmen en applicaties).
Deel 1 (40%) van deze training is meer gericht op de basisprincipes, maar helpt u bij het kiezen van de juiste technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
Deel 2 (20%) van deze training introduceert Theano - een pythonbibliotheek die het schrijven van diepgaande leermodellen eenvoudig maakt.
Deel 3 (40%) van de training zou uitgebreid gebaseerd zijn op Tensorflow - 2e generatie API van de open source softwarebibliotheek van Go ogle voor Deep Learning . De voorbeelden en handson zouden allemaal in TensorFlow worden gemaakt.
Publiek
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten
Na het voltooien van deze cursus zullen de deelnemers:
-
hebben een goed begrip van diepe neurale netwerken (DNN), CNN en RNN
-
de structuur en implementatiemechanismen van TensorFlow begrijpen
-
in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
-
codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
-
in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie
Deel 1 (40%) van deze training is meer gericht op de basisprincipes, maar helpt u bij het kiezen van de juiste technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
Deel 2 (20%) van deze training introduceert Theano - een pythonbibliotheek die het schrijven van diepgaande leermodellen eenvoudig maakt.
Deel 3 (40%) van de training zou uitgebreid gebaseerd zijn op Tensorflow - 2e generatie API van de open source softwarebibliotheek van Go ogle voor Deep Learning . De voorbeelden en handson zouden allemaal in TensorFlow worden gemaakt.
Publiek
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten
Na het voltooien van deze cursus zullen de deelnemers:
-
hebben een goed begrip van diepe neurale netwerken (DNN), CNN en RNN
-
de structuur en implementatiemechanismen van TensorFlow begrijpen
-
in staat zijn om installatie / productieomgeving / architectuurtaken en configuratie uit te voeren
-
codekwaliteit kunnen beoordelen, foutopsporing kunnen uitvoeren, controleren
-
in staat zijn om geavanceerde productie te implementeren, zoals trainingsmodellen, grafieken maken en logboekregistratie
14 hours
Overview
Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 hours
Overview
Deze cursus geeft je kennis in neurale netwerken en in het algemeen in machine learning-algoritme, deep learning (algoritmen en applicaties).
Deze training is meer gericht op de basisprincipes, maar helpt u bij het kiezen van de juiste technologie: TensorFlow , Caffe , Teano, DeepDrive, Keras , enz. De voorbeelden zijn gemaakt in TensorFlow .
Deze training is meer gericht op de basisprincipes, maar helpt u bij het kiezen van de juiste technologie: TensorFlow , Caffe , Teano, DeepDrive, Keras , enz. De voorbeelden zijn gemaakt in TensorFlow .
21 hours
Overview
Deze cursus behandelt AI (met nadruk op Machine Learning en Deep Learning )
Weekend Deep Learning cursus, Avond Deep Learning training, Avond Deep Learning (DL) opleiding Deep Learning (DL) boot camp, DL (Deep Learning) instructeur geleid, Weekend DL (Deep Learning) training, Avond Deep Learning (DL) cursus, Deep Learning (DL) coaching, Deep Learning instructeur, Deep Learning trainer, Deep Learning (DL) training cursus, Deep Learning (DL) lessen, Deep Learning (DL) on-site, Deep Learning (DL) privé cursus, DL (Deep Learning) een op een training, Deep Learning (DL) op locatie, Weekend Deep Learning (DL) opleiding
.jpg "procter & gamble (p&g)")
.png "european space agency (esa)")
.jpg "international air transport association (iata)")
