Introduction to the Use of Neural Networks Treningskurs

In this instructor-led, live training, we go over the principles of neural networks and use OpenNN to implement a sample application.

Format of the course

• Lecture and discussion coupled with hands-on exercises.

Dette kurset er laget for ledere, løsningsarkitekter, innovasjonsansvarlige, CTOer, programvarearkitekter og alle som er interessert i en oversikt over anvendt kunstig intelligens og nærmeste prognose for utviklingen.

Dette kurset er en introduksjon til anvendelse av nevrale nettverk i virkelige problemer ved bruk av R-prosjektprogramvare.

Dette kurset er for folk som ønsker å bruke Machine Learning i praktiske applikasjoner.

Publikum

Dette kurset er for dataforskere og statistikere som har en viss kjennskap til statistikk og vet hvordan man programmerer R (eller Python eller annet valgt språk). Fokuset på dette kurset er på de praktiske aspektene ved data / modellforberedelse, utførelse, post hoc-analyse og visualisering.

Hensikten er å gi praktiske applikasjoner til Machine Learning til deltakere som er interessert i å anvende metodene på jobben.

Sektorspesifikke eksempler brukes for å gjøre opplæringen relevant for publikum.

Artificial Neural Network er en beregningsmessig datamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

Artificial Neural Network er en beregningsmessig datamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

Dette kurset er laget for personer som ikke har tidligere erfaring med sannsynlighet og statistikk.

Dette kurset dekker AI (emphasizing Machine Learning og Deep Learning) i Automotive Industri. Det bidrar til å bestemme hvilken teknologi som kan (potentielt) brukes i flere situasjoner i en bil: fra enkel automatisering, bildeoppdagelse til selvstendig beslutningstaking.

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.

Dette instruktørledede, live kurset gir en innføring i feltet mønstergjenkjenning og maskinlæring. Den berører praktiske applikasjoner innen statistikk, informatikk, signalbehandling, datavisning, data mining og bioinformatikk.

Kurset er interaktivt og inneholder mange praktiske øvelser, tilbakemelding fra instruktører og testing av kunnskap og ferdigheter.

Type: Teoretisk trening med applikasjoner bestemt oppstrøms med studentene på Lasagne eller Keras henhold til den pedagogiske gruppen

Læringsform: presentasjon, utveksling og casestudier

Etter å ha forstyrret mange vitenskapelige felt, begynte kunstig intelligens å revolusjonere et stort antall økonomiske sektorer (industri, medisin, kommunikasjon, etc.). Likevel er presentasjonen i store medier ofte fantasi, veldig langt fra hva som egentlig er områdene Machine Learning eller Deep Learning . Formålet med denne opplæringen er å gi ingeniører som allerede har mestring av dataverktøy (inkludert en programvareprogrammeringsbase), en introduksjon til Deep Learning og dens ulike spesialiseringsområder og derfor til de viktigste eksisterende nettverksarkitekturer. dag. Hvis de matematiske basene blir tilbakekalt i løpet av kurset, anbefales et matematikknivå av type BAC + 2 for mer komfort. Det er absolutt mulig å hoppe over den matematiske aksen for å beholde bare en "system" -visjon, men denne tilnærmingen vil begrense din forståelse av emnet enormt.

I denne instruktørledede, live-opplæringen i Norge vil deltakerne lære hvordan de kan dra nytte av innovasjonene i TPU-prosessorer for å maksimere ytelsen til sine egne AI-applikasjoner.

Ved slutten av opplæringen vil deltakerne kunne:

• Tren ulike typer nevrale nettverk på store mengder data.
• Bruk TPU-er for å fremskynde slutningsprosessen med opptil to størrelsesordener.
• Bruk TPU-er til å behandle intensive applikasjoner som bildesøk, skysyn og bilder.

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

• Set up and configure PaddlePaddle
• Set up a Convolutional Neural Network (CNN) for image recognition and object detection
• Set up a Recurrent Neural Network (RNN) for sentiment analysis
• Set up deep learning on recommendation systems to help users find answers
• Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

• Developers
• Data scientists

Format of the course

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

I denne instruktørledede liveopplæringen vil deltakerne lære hvordan de bruker Matlab til å designe, bygge og visualisere et innviklet nevralt nettverk for bildegjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bygge en dyp læringsmodell
• Automatiser datamerking
• Arbeid med modeller fra Caffe og TensorFlow - Keras
• Tren data ved å bruke flere GPU er, skyen eller klyngene

Publikum

• Utviklere
• ingeniører
• Domeneeksperter

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Dette kurset begynner med å gi deg konseptuell kunnskap i nevrale nettverk og generelt i maskinlæringsalgoritme, dyp læring (algoritmer og applikasjoner).

Del-1 (40%) av denne opplæringen er mer fokus på grunnleggende, men vil hjelpe deg å velge riktig teknologi: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denne opplæringen introduserer Theano - et pytonbibliotek som gjør det enkelt å skrive dype læringsmodeller.

Del 3 (40%) av opplæringen vil være omfattende basert på Tensorflow - 2nd Generation API of Go ogles open source programvarebibliotek for Deep Learning . Eksemplene og håndsonen ville alle være laget i TensorFlow .

Publikum

Dette kurset er ment for ingeniører som søker å bruke TensorFlow til Deep Learning prosjektene sine

Etter fullført kurs vil delegatene:

• ha god forståelse for dype nevrale nettverk (DNN), CNN og RNN

• forstå TensorFlow struktur og distribusjonsmekanismer

• kunne utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon

• kunne vurdere kodekvalitet, utføre feilsøking, overvåking

• kunne implementere avansert produksjon som treningsmodeller, bygge grafer og logging