Lokale, instructieve live Neural Network-trainingscursussen demonstreren door middel van interactieve discussie en handson-oefeningen hoe Neural Networks kunnen worden geconstrueerd met behulp van een aantal meestal opensource-toolkits en -bibliotheken en hoe de kracht van geavanceerde hardware (GPU's) en optimalisatietechnieken waarbij gedistribueerd computergebruik en big data Onze Neural Network-cursussen zijn gebaseerd op populaire programmeertalen zoals Python, Java, R-taal en krachtige bibliotheken, waaronder TensorFlow, Torch, Caffe, Theano en meer Onze Neural Network-cursussen omvatten zowel theorie als implementatie met behulp van een aantal neurale netwerkimplementaties zoals Deep Neural Networks (DNN), Convolutional Neural Networks (CNN) en Recurrent Neural Networks (RNN) Neurale netwerktraining 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
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
Ann creëerde een geweldige omgeving om vragen te stellen en te leren. We hadden veel plezier en leerden ook veel tegelijkertijd.
Gudrun Bickelq
Cursus: Introduction to the use of neural networks
Machine Translated
Het interactieve deel, afgestemd op onze specifieke behoeften.
Thomas Stocker
Cursus: Introduction to the use of neural networks
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 trainer legde zeer gemakkelijk moeilijke en geavanceerde onderwerpen uit.
Leszek K
Cursus: Artificial Intelligence Overview
Machine Translated
Ik vond de nieuwe inzichten in deep machine learning leuk.
Josip Arneric
Cursus: Neural Network in R
Machine Translated
We hebben wat kennis opgedaan van NN in het algemeen en wat voor mij het meest interessant was, waren de nieuwe typen NN die tegenwoordig populair zijn.
Tea Poklepovic
Cursus: Neural Network in R
Machine Translated
Ik genoot vooral van de grafieken in R :))).
Faculty of Economics and Business Zagreb
Cursus: Neural Network in R
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
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
veel oefeningen die ik direct in mijn werk kan gebruiken.
Alior Bank S.A.
Cursus: Sieci Neuronowe w R
Machine Translated
Voorbeelden van echte gegevens.
Alior Bank S.A.
Cursus: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC in een lus.
Alior Bank S.A.
Cursus: Sieci Neuronowe w R
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
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
De trainer was een professional op het vakgebied en de bijbehorende theorie met uitstekende toepassing
Fahad Malalla - Tatweer Petroleum
Cursus: Applied AI from Scratch in Python
Machine Translated
Neural Networks subcategorieën
Neural Networks 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.
21 hours
Overview
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.
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.
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 .
7 hours
Overview
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 .
14 hours
Overview
Deze cursus is een inleiding tot het toepassen van neurale netwerken in echte problemen met behulp van R-project-software.
14 hours
Overview
A recommender system is an information filtering process that predicts the user's preferences. Python can be used to program deep learning, machine learning, and neural network recommender systems to help users discover new products and content.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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 Python to build recommender systems.
By the end of this training, participants will be able to:
- Create recommender systems at scale.
- Apply collaborative filtering to build recommender systems.
- Use Apache Spark to compute recommender systems on clusters.
- Build a framework to test recommendation algorithms with Python.
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
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 .
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.
14 hours
Overview
Deze klassikale trainingssessie zal presentaties en computergebaseerde voorbeelden en casestudyoefeningen bevatten om te ondernemen met relevante neurale en diepe netwerkbibliotheken
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 .
7 hours
Overview
De training is gericht op mensen die de basis van neurale netwerken en hun toepassingen willen leren.
21 hours
Overview
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 .
14 hours
Overview
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
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
7 hours
Overview
Deze cursus is gemaakt voor managers, oplossingenarchitecten, innovatieofficieren, CTO's, software-architecten en iedereen die geïnteresseerd is in een overzicht van toegepaste kunstmatige intelligentie en de dichtstbijzijnde prognose voor de ontwikkeling ervan.
21 hours
Overview
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.
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.
14 hours
Overview
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 .
14 hours
Overview
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 .
21 hours
Overview
Deep Reinforcement Learning verwijst naar het vermogen van een "kunstmatige agent" om te leren door vallen en opstaan en beloningen en straffen. Een kunstmatige agent heeft als doel het vermogen van een mens te emuleren om zelf kennis te verwerven en te construeren, rechtstreeks vanuit ruwe input zoals visie. Om versterkend leren te realiseren, worden diep leren en neurale netwerken gebruikt. Versterkend leren verschilt van machinaal leren en vertrouwt niet op begeleide en niet-begeleide leerbenaderingen.
In deze door een instructeur geleide live training leren deelnemers de basisprincipes van Deep Reinforcement Learning terwijl ze door de oprichting 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
- Geavanceerde algoritmen voor Versterking Leren toepassen om echte problemen op te lossen
- Bouw een Deep Learning Agent
Publiek
- ontwikkelaars
- Data Scientists
Formaat van de cursus
- Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen
In deze door een instructeur geleide live training leren deelnemers de basisprincipes van Deep Reinforcement Learning terwijl ze door de oprichting 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
- Geavanceerde algoritmen voor Versterking Leren toepassen om echte problemen op te lossen
- Bouw een Deep Learning Agent
Publiek
- ontwikkelaars
- Data Scientists
Formaat van de cursus
- Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen
21 hours
Overview
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.
De cursus is interactief en bevat veel praktische oefeningen, feedback van instructeurs en het testen van verworven kennis en vaardigheden.
21 hours
Overview
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.
14 hours
Overview
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.
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.
28 hours
Overview
Dit is een 4-daagse cursus die AI en de toepassing ervan introduceert met behulp van de programmeertaal Python . Er is een optie om een extra dag te hebben om een AI-project uit te voeren na voltooiing van deze cursus.
28 hours
Overview
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 hours
Overview
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.
35 hours
Overview
Deze cursus is gemaakt voor mensen die geen ervaring hebben met waarschijnlijkheid en statistiek .
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
Aankomende Neural Networks cursussen
2020-12-28 09:30:00
Nijmegen City Centre
21 hours
2021-01-06 09:30:00
Groningen Martini
21 hours
2021-02-17 09:30:00
Nijmegen City Centre
21 hours
2021-04-14 09:30:00
Nijmegen City Centre
21 hours
2021-06-07 09:30:00
Nijmegen City Centre
21 hours
Weekend Neural Networks cursus, Avond Neural Networks training, Avond Neural Networks opleiding Neural Networks boot camp, Neural Networks instructeur geleid, Weekend Neural Networks training, Avond Neural Networks cursus, Neural Networks coaching, Neural Networks instructeur, Neural Networks trainer, Neural Networks training cursus, Neural Networks lessen, Neural Networks on-site, Neural Networks privé cursus, Neural Networks een op een training, Neural Networks op locatie, Weekend Neural Networks opleiding
.jpg "procter & gamble (p&g)")
.png "european space agency (esa)")
.jpg "international air transport association (iata)")
