Neural Networks Training Courses

Dit is een 4-daagse cursus die AI en de toepassing ervan introduceert met behulp van de Python programmeringstaal. Er is een optie om een extra dag te hebben om een AI-project te ondernemen aan het voltooien van deze cursus. 

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.

Deze cursus is gemaakt voor managers, oplossingsarchitecten, innovatiefunctionarissen, CTO's, softwarearchitecten en iedereen die geïnteresseerd is in een overzicht van toegepaste kunstmatige intelligentie en de dichtstbijzijnde voorspelling voor de ontwikkeling ervan.

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.

Deze cursus is gemaakt voor mensen die geen ervaring hebben met waarschijnlijkheid en statistiek .

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.

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. 

Deze training is bedoeld voor mensen die Machine Learning willen toepassen in praktische toepassingen. Publiek Deze cursus is bedoeld voor datawetenschappers en statistici die enigszins bekend zijn met statistiek en weten hoe ze R (of Python of een andere gekozen taal) moeten programmeren. De nadruk van deze cursus ligt op de praktische aspecten van data / modelvoorbereiding, uitvoering, post hoc analyse en visualisatie. Het doel is om praktische toepassingen te geven aan Machine Learning aan deelnemers die geïnteresseerd zijn in het toepassen van de methoden op het werk. Sectorspecifieke voorbeelden worden gebruikt om de training relevant te maken voor het publiek.

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.

Chainer is an open source framework based on Python, built for accelerating research and implementing neural network models. It provides flexible, efficient, and simplified approaches to developing deep learning algorithms. This instructor-led, live training (online or onsite) is aimed at researchers and developers who wish to use Chainer to build and train neural networks in Python while making the code easy to debug. By the end of this training, participants will be able to:

• Set up the necessary development environment to start developing neural network models.
• Define and implement neural network models using a comprehensible source code.
• Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.

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.

Deze door een instructeur geleide, live cursus biedt een introductie op het gebied van patroonherkenning en machine learning. Het gaat over praktische toepassingen in de statistiek, informatica, signaalverwerking, computer vision, data mining en bioinformatica. De cursus is interactief en bevat veel praktische oefeningen, feedback van instructeurs en het testen van verworven kennis en vaardigheden.

Encog is een opensource machine learning framework voor Java enNet In deze live training met instructeur leren de deelnemers geavanceerde technieken voor het leren van machines om accurate voorspellende neurale netwerkmodellen te bouwen Aan het einde van deze training kunnen deelnemers: Verschillende optimalisatietechnieken voor neurale netwerken implementeren om het onderfixeren en overfitteren op te lossen Begrijp en kies uit een aantal neurale netwerkarchitecturen Implementeer gecontroleerde feed forward- en feedbacknetwerken Publiek ontwikkelaars analisten Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

Encog is een opensource machine learning framework voor Java enNet In deze live training met instructeur leren deelnemers hoe ze verschillende neurale netwerkcomponenten kunnen maken met behulp van ENCOG Casusoverzichten van Realworld zullen worden besproken en op machinetaal gebaseerde oplossingen voor deze problemen zullen worden onderzocht Aan het einde van deze training kunnen deelnemers: Bereid gegevens voor op neurale netwerken met behulp van het normalisatieproces Voer feed forward-netwerken en propagatietrainingmethodieken in Implementeer classificatie- en regressietaken Modeleer en train neurale netwerken met Encog's op GUI gebaseerde werkbank Integreer neurale netwerkondersteuning in realworld-applicaties Publiek ontwikkelaars analisten Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

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

Mechatronica (ook bekend als mechatronische engineering) is een combinatie van mechanica, elektronica en informatica. Deze instructeur-geleide, live training (op locatie of op afstand) is gericht op ingenieurs die meer willen weten over de toepasbaarheid van kunstmatige intelligentie op mechatronische systemen. Aan het einde van deze training kunnen deelnemers:

• Krijg een overzicht van kunstmatige intelligentie, machine learning en computationele intelligentie.
• Begrijp de concepten van neurale netwerken en verschillende leermethoden.
• Kies kunstmatige intelligentiebenaderingen effectief voor echte problemen.
• Implementeer AI-toepassingen in mechatronische engineering.

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.

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 .

De training is gericht op mensen die de basis van neurale netwerken en hun toepassingen willen leren.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries

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 .

Een aanbevelingssysteem is een informatiefilterproces dat de voorkeuren van de gebruiker voorspelt. Python kan worden gebruikt voor het programmeren van diep leren, machine learning en neural netwerk aanbevelingssystemen om gebruikers te helpen nieuwe producten en inhoud te ontdekken. Deze instructeur geleide, live training (online of on-site) is gericht op data wetenschappers die Python willen gebruiken om aanbevolen systemen te bouwen. Aan het einde van deze training zullen de deelnemers in staat zijn:

Creëer aanbevolen systemen op schaal. Gebruik samenwerkingsfilter om aanbevolen systemen te bouwen. Gebruik Apache Spark om aanbevolen systemen op clusters te berekenen. Maak een kader om aanbevelingsalgoritmen te testen met 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.

Deze cursus is een inleiding tot het toepassen van neurale netwerken in echte problemen met behulp van R-project-software.

Snorkel is een systeem voor het snel maken, modelleren en beheren van trainingsgegevens Het richt zich op het versnellen van de ontwikkeling van gestructureerde of "donkere" gegevensextractietoepassingen voor domeinen waarin grote gelabelde trainingsets niet beschikbaar of gemakkelijk te verkrijgen zijn Tijdens deze live training met instructeur leren deelnemers technieken ontwikkelen om waarde te halen uit ongestructureerde gegevens zoals tekst, tabellen, figuren en afbeeldingen door trainingsgegevens te modelleren met Snorkel Aan het einde van deze training kunnen deelnemers: Creëer programmatisch trainingsets om het labelen van enorme trainingsets mogelijk te maken Train hoogwaardige eersteklasmodellen door eerst luidruchtige trainingsets te modelleren Gebruik Snorkel om zwakke supervisietechnieken te implementeren en gegevensprogrammering toe te passen op zwak-gecontroleerde geautomatiseerde leersystemen Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

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 .

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

In deze door een instructeur geleide, live training bespreken we de principes van neurale netwerken en gebruiken we OpenNN om een voorbeeldtoepassing te implementeren.Formaat van de cursusHoorcollege en discussie gekoppeld aan hands-on oefeningen.