Cursuri Neural Networks

Acesta este un curs de 4 zile care introduce AI și aplicația sa folosind Python limba de programare. Există o opțiune de a avea o zi suplimentară pentru a începe un proiect AI la finalizarea acestui curs. 

Deep Reinforcement Learning se referă la capacitatea unui „agent artificial” de a învăța prin încercare și eroare și recompense și pedepse. Un agent artificial urmărește să imite capacitatea unui om de a obține și de a construi cunoștințe pe cont propriu, direct din inputuri brute, cum ar fi viziunea. Pentru a realiza învățarea prin întărire, se utilizează învățarea profundă și rețelele neuronale. Învățarea prin consolidare este diferită de învățarea automată și nu se bazează pe abordări de învățare supravegheată și nesupravegheată.Această instruire live condusă de un instructor (online sau la fața locului) se adresează dezvoltatorilor și cercetătorilor de date care doresc să învețe elementele fundamentale ale Deep Reinforcement Learning în timp ce parcurg crearea unui agent Deep Learning.Până la sfârșitul acestui training, participanții vor fi capabili să:

Înțelegeți conceptele cheie din spatele Deep Reinforcement Learning și să îl puteți distinge de Machine Learning. Aplicați algoritmi avansați Reinforcement Learning pentru a rezolva probleme din lumea reală. Construiește un Deep Learning agent.

Formatul cursului

Prelegere interactivă și discuție. Multe exerciții și practică. Implementare practică într-un mediu de laborator live.

Opțiuni de personalizare a cursului

Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a aranja.

Acest curs a fost creat pentru manageri, arhitecți de soluții, ofițeri de inovare, CTO, arhitecți de software și pentru oricine este interesat de o prezentare generală a inteligenței artificiale aplicate și de cele mai apropiate previziuni privind dezvoltarea acesteia.

Instruirea se adresează persoanelor care doresc să învețe elementele de bază ale rețelelor neuronale și aplicațiile lor.

Acest curs este o introducere în aplicarea rețelelor neuronale în problemele din lumea reală folosind software-ul R-project.

Acest curs de formare este pentru persoanele care ar dori să aplice Machine Learning în aplicații practice. Public Acest curs este destinat cercetătorilor de date și statisticienilor care au o anumită familiaritate cu statisticile și știu cum să programeze R (sau Python sau altă limbă aleasă). Accentul pe acest curs se referă la aspectele practice ale pregătirii datelor / modelului, execuției, analizei post-hoc și vizualizării. Scopul este de a oferi aplicații practice Machine Learning participanților interesați de aplicarea metodelor la locul de muncă. Exemple specifice sectorului sunt folosite pentru a face formarea relevantă pentru public.

Rețeaua neurală artificială este un model de date computational utilizat în dezvoltarea sistemelor de Artificial Intelligence (AI) capabile să realizeze sarcini "inteligente". Neural Networks sunt utilizate în mod obișnuit în aplicațiile Machine Learning (ML), care sunt ele însele o implementare a AI. Deep Learning este un subset al ML.

Rețeaua neurală artificială este un model de date computational utilizat în dezvoltarea sistemelor de Artificial Intelligence (AI) capabile să realizeze sarcini "inteligente". Neural Networks sunt utilizate în mod obișnuit în aplicațiile Machine Learning (ML), care sunt ele însele o implementare a AI. Deep Learning este un subset al ML.

Acest curs este creat pentru persoanele care nu au experiență anterioară în ceea ce privește probabilitățile și statisticile .

Acest curs acoperă AI (emphasizing Machine Learning și Deep Learning) în Automotive Industria. Ajută la determinarea tehnologiei care poate fi (potential) utilizată în mai multe situații într-un autovehicul: de la automatizare simplă, recunoaștere a imaginii la luarea de decizii autonome.

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.

Acest curs live, condus de instructor, oferă o introducere în domeniul recunoașterii modelelor și învățării automate. Acesta atinge aplicații practice în statistici, informatică, procesare de semnal, viziune computerizată, extragere de date și bioinformatică. Cursul este interactiv și include o mulțime de exerciții practice, feedback-ul instructorului și testarea cunoștințelor și abilităților dobândite.

Tip: Pregătire teoretică cu aplicații decise în amonte cu elevii de la Lasagne sau Keras funcție de grupul pedagogic Metoda de predare: prezentare, schimburi și studii de caz Inteligența artificială, după ce a perturbat multe domenii științifice, a început să revoluționeze un număr mare de sectoare economice (industrie, medicină, comunicare etc.). Cu toate acestea, prezentarea sa în marile mass-media este adesea fantezie, foarte departe de ceea ce sunt cu adevărat domeniile de Machine Learning sau Deep Learning . Scopul acestei instruiri este de a oferi inginerilor care au deja o stăpânire a instrumentelor informatice (inclusiv o bază de programare software) o introducere în Deep Learning și diferitele sale domenii de specializare și, prin urmare, în principalele arhitecturi de rețea existente. astăzi. Dacă bazele matematice sunt amintite în timpul cursului, se recomandă un nivel de matematică de tip BAC + 2 pentru mai mult confort. Este absolut posibil să sări peste axa matematică pentru a păstra doar o viziune „sistem”, dar această abordare îți va limita enorm înțelegerea subiectului.

Unitatea de procesare Tensor (TPU) este arhitectura pe care Google a folosit-o intern pe parcursul mai multor ani și este acum disponibilă pentru utilizare de către publicul larg Acesta include mai multe optimizări pentru utilizare în rețele neuronale, inclusiv multiplicarea matricei raționalizate și numere întregi de 8 biți în loc de 16 biți pentru a putea reveni la niveluri adecvate de precizie În acest training instruit, participanții vor învăța cum să profite de inovațiile procesoarelor TPU pentru a maximiza performanța propriilor aplicații AI Până la sfârșitul instruirii, participanții vor putea: Antrenează diferite tipuri de rețele neuronale pe cantități mari de date Utilizați TPU-uri pentru a accelera procesul de inferență cu până la două ordine de mărime Utilizați unitățile TPU pentru a procesa aplicații intensive, cum ar fi căutarea de imagini, viziunea în cloud și fotografiile Public Dezvoltatori Cercetătorii Ingineri Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Microsoft Cognitive Toolkit 2x (anterior CNTK) este un kit de instrumente opencast, care permite instruirea algoritmilor de învățare profundă ca și creierul uman Potrivit Microsoft, CNTK poate fi de 510x mai rapid decat TensorFlow pe retele recurente si de 2 pana la 3 ori mai rapid decat TensorFlow pentru sarcinile legate de imagini În această instruire live, participanții vor învăța cum să folosească Microsoft Cognitive Toolkit pentru a crea, instrui și evalua algoritmi de învățare profundă pentru a fi utilizați în aplicații AI comerciale care implică mai multe tipuri de date, cum ar fi date, vorbire, text și imagini Până la sfârșitul acestui curs, participanții vor putea: Accesați CNTK ca o bibliotecă dintr-un program Python, C # sau C ++ Utilizați CNTK ca instrument independent de învățare a mașinii prin propriul limbaj de descriere a modelului (BrainScript) Utilizați funcția de evaluare a modelului CNTK dintr-un program Java Se combină DNN-urile feedforward, plasele convoluționale (CNN) și rețelele recurente (RNNs / LSTMs) Scalarea capacității de calcul pe procesoare, unități de procesare grafică și mai multe mașini Accesați seturi de date masive folosind limbile de programare existente și algoritmi Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră Notă Dacă doriți să personalizați orice parte a acestui training, inclusiv limba de programare de care aveți nevoie, vă rugăm să ne contactați pentru a aranja .

PaddlePaddle (PArallel Distributed Deep LEarning) este o platformă de învățare scalabilă profundă dezvoltată de Baidu În acest training instruit, participanții vor învăța cum să folosească PaddlePaddle pentru a permite învățarea profundă în aplicațiile lor de produse și servicii Până la sfârșitul acestui curs, participanții vor putea: Configurați și configurați PaddlePaddle Creați o rețea neuronală convoluțională (CNN) pentru recunoașterea imaginilor și detectarea obiectelor Crearea unei rețele neuronale recurente (RNN) pentru analiza sentimentului Creați o învățare profundă pe sistemele de recomandare pentru a ajuta utilizatorii să găsească răspunsuri Preziceți ratele de clic (CTR), clasificați seturile de imagini largescale, efectuați recunoașterea optică a caracterelor (OCR), căutați în funcție de rang, detectați viruși de computer și implementați un sistem de recomandări Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Snorkel este un sistem pentru crearea rapidă, modelarea și gestionarea datelor de antrenament Se axează pe accelerarea dezvoltării aplicațiilor de extragere a datelor structurate sau "întunecate" pentru domenii în care seturile de antrenament etichetate mari nu sunt disponibile sau ușor de obținut În acest training instruit, participanții vor învăța tehnici de extragere a valorii din date nestructurate, cum ar fi text, tabele, figuri și imagini, prin modelarea datelor de antrenament cu Snorkel Până la sfârșitul acestui curs, participanții vor putea: Creați programatic programe de formare pentru a permite etichetarea seturilor masive de antrenament Antrenează modele de calitate superioară, prin modelarea în primul rând a seturilor de antrenament zgomotoase Utilizați Snorkel pentru a implementa tehnici de supraveghere slabă și a aplica programarea datelor pentru sistemele de învățare automată slabă Public Dezvoltatori Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Encog este un cadru de învățare a mașinilor opensource pentru Java șiNet În acest training instruit, participanții vor învăța tehnici avansate de învățare în mașină pentru a construi modele predictive de rețea neuronale exacte Până la sfârșitul acestui curs, participanții vor putea: Implementați diferite tehnici de optimizare a rețelelor neuronale pentru a rezolva problema de submăsurare și suprasolicitare Înțelegeți și alegeți dintr-un număr de arhitecturi de rețele neuronale Implementați feed-uri supravegheate înainte și rețele de feedback Public Dezvoltatori Analistii Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

Encog este un cadru de învățare a mașinilor opensource pentru Java șiNet În acest training instruit, participanții vor învăța cum să creeze diferite componente ale rețelei neuronale folosind ENCOG Studiile de caz în domeniul Realworld vor fi discutate și vor fi explorate soluții bazate pe limbaj mașină pentru aceste probleme Până la sfârșitul acestui curs, participanții vor putea: Pregătește datele pentru rețelele neuronale utilizând procesul de normalizare Implementarea metodologiilor de formare a rețelelor de feed-back și a metodelor de formare a propagării Implementarea sarcinilor de clasificare și regresie Model și rețele de rețele neuronale folosind baza de date bazată pe interfață grafică Encog Integrați suportul rețelei neuronale în aplicații din lumea reală Public Dezvoltatori Analistii Cercetătorii de date Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră .

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to:

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Acest curs începe cu oferirea de cunoștințe conceptuale în rețelele neuronale și, în general, în algoritmul de învățare automată, învățare profundă (algoritmi și aplicații). Partea 1 (40%) a acestui antrenament se concentrează mai mult asupra elementelor fundamentale, dar vă va ajuta să alegeți tehnologia potrivită: TensorFlow , Caffe , Theano, DeepDrive, Keras etc. Partea a 2-a (20%) a acestei instruiri introduce Theano - o bibliotecă piton care ușurează scrierea modelelor de învățare profundă. Partea a 3-a (40%) a instruirii ar fi bazată pe baza Tensorflow - API-ul a 2-a generație a bibliotecii software open source pentru Deep Learning lui Go ogle. Exemplele și handson-ul vor fi făcute în TensorFlow . Public Acest curs este destinat inginerilor care doresc să folosească TensorFlow pentru proiectele lor de Deep Learning După finalizarea acestui curs, delegații vor:

• au o bună înțelegere pe rețelele neuronale profunde (DNN), CNN și RNN
• înțelegeți structura și mecanismele de implementare ale TensorFlow
• să poată efectua activități de instalare / mediu de producție / arhitectură și configurare
• să poată evalua calitatea codului, să efectueze depanarea, să monitorizeze
• să fie capabil să implementeze producție avansată, cum ar fi modele de instruire, grafice de construcție și jurnal

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

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. 

Mechatronica (inginerie mechatronică) este o combinație de mecanică, electronică și informatică. Această instruire desfășurată de instructor (live sau la distanță) este destinată inginerilor care doresc să învețe despre aplicabilitatea inteligenței artificiale în sistemele mecatronice. Până la sfârșitul acestui curs, participanții vor putea:

• Obțineți o imagine de ansamblu a inteligenței artificiale, a învățării mașinilor și a inteligenței computaționale.
• Înțelegeți conceptele rețelelor neuronale și diferitele metode de învățare.
• Alegeți inteligent abordările inteligente în mod eficient pentru problemele din viața reală.
• Implementarea aplicațiilor AI în ingineria mecatronică.

Formatul cursului

• Prelegere interactivă și discuții.
• Multe exerciții și practici.
• Implementarea manuală într-un mediu live-lab.

Opțiunile de personalizare a cursului

• Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a aranja.

Un sistem de recomandare este un proces de filtrare a informațiilor care prezice preferințele utilizatorului. Python poate fi folosit pentru programarea sistemelor de învățare profundă, de învățare automată și de recomandare a rețelelor neurale pentru a ajuta utilizatorii să descopere noi produse și conținut. Această formare directă de instructor (online sau on-site) este destinată cercetătorilor de date care doresc să utilizeze Python pentru a construi sisteme de recomandare. La sfârșitul cursului, participanții vor putea:

Creați sisteme de recomandare la scară. Aplicați filtrarea colaborativă pentru a construi sisteme de recomandare. Utilizați Apache Spark pentru a calcula sistemele de recomandare pe cluster. Creați un cadru pentru a testa algoritmele de recomandare cu Python.

Formatul cursului

Lecții și discuții interactive. Multe exerciții și practici. Implementarea pe mâini într-un mediu live-lab.

Opțiuni de personalizare

Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.

This instructor-led, live training in România (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.

În acest curs de instruire live, condus de un instructor, vom trece în revistă principiile rețelelor neuronale și vom folosi OpenNN pentru a implementa o aplicație de probă. Formatul cursului Prelegere și discuții însoțite de exerciții practice.