Kursplan
Introduksjon
Grunnleggende om kunstig intelligens og Machine Learning
Forståelse Deep Learning
- Oversikt over de grunnleggende konseptene for dyp læring Skille mellom Machine Learning og dyp læring Oversikt over applikasjoner for dyp læring
Oversikt over Neural Networks
- Hva er Neural Networks Neural Networks vs regresjonsmodeller Forstå matematiske grunnlag og læringsmekanismer Konstruere et kunstig nevralt nettverk Forstå nevrale noder og forbindelser Arbeide med nevroner, lag og input- og utdatadata Forstå enkeltlags perseptroner Forskjeller mellom overvåket og uovervåket FeLearning Forwarding og tilbakemelding Neural Networks Forstå forplantning fremover og forplantning tilbake Forstå langtidskorttidsminne (LSTM) Utforske tilbakevendende Neural Networks i praksis Utforske konvolusjonell Neural Networks i praksis Forbedre veien Neural Networks Lær
Oversikt over dyplæringsteknikker brukt i Telecom
- Nevrale nettverk Naturlig språkbehandling Bildegjenkjenning Speech Recognition Sentimentanalyse
Exploring Deep Learning Case Studies for Telecom
- Optimalisering av ruting og tjenestekvalitet gjennom netttrafikkanalyse i sanntid Forutsi nettverks- og enhetsfeil, strømbrudd, etterspørselsøkninger osv. Analysere anrop i sanntid for å identifisere uredelig atferd Analysere kundeatferd for å identifisere etterspørsel etter nye produkter og tjenester Behandle store mengder SMS Meldinger for å få innsikt Speech Recognition for støtteanrop Konfigurere SDN-er og virtualiserte nettverk i sanntid
Forstå fordelene med dyp læring for Telecom
Utforsk de forskjellige dyplæringsbibliotekene for Python
- TensorFlow Vanskelig
Sette opp Python med TensorFlow for dyp læring
- Installere TensorFlow Python API Testing av TensorFlow Installasjonsoppsett TensorFlow for utvikling Trening Din første TensorFlow nevrale nettmodell
Oppsett Python med Keras for dyp læring
Bygge enkle dyplæringsmodeller med Keras
- Opprette en Keras modell Forstå dataene dine Spesifisere dyplæringsmodellen din Kompilere modellen Tilpasse modellen Arbeide med klassifiseringsdataene Arbeide med klassifiseringsmodeller Bruke modellene dine
Arbeider med TensorFlow for Deep Learning for Telecom
- Forberede dataene Laste ned dataene Forberede opplæringsdata Forberede testdata Skaleringsinnganger ved hjelp av plassholdere og variabler
Krav
- Erfaring med Python programmering
- Generell kjennskap til telekomkonsepter
- Grunnleggende kjennskap til statistikk og matematiske begreper
Publikum
- Utviklere
- Dataforskere
Testimonials (5)
examples based on our data
Witold - P4 Sp. z o.o.
Kurs - Deep Learning for Telecom (with Python)
code examples:-)
Marcin - P4 Sp. z o.o.
Kurs - Deep Learning for Telecom (with Python)
I liked that the instructor had many pre-written scripts to show off many different aspects of ML and AI. I really enjoyed being able to see live demos of so many ways ML and AI is being used. Much of what we covered was cutting edge technology that is still in its early stages of development.
Matthew Pepper - Motorola Solutions
Kurs - Deep Learning for Telecom (with Python)
The colab notebooks we get to keep
Palmer Greer - Motorola Solutions
Kurs - Deep Learning for Telecom (with Python)
The clarity with which it was presented