Deep Learning Opplæringskurs

Stable Diffusion er en kraftig dyplæringsmodell som kan generere detaljerte bilder basert på tekstbeskrivelser.Denne instruktørledede, direkteopplæringen (online eller på stedet) er rettet mot dataforskere på middels til avansert nivå, maskinlæringsingeniører, dyplæringsforskere og datasynseksperter som ønsker å utvide sine kunnskaper og ferdigheter innen dyplæring for tekst-til -bildegenerering.Ved slutten av denne opplæringen vil deltakerne kunne:

Forstå avanserte dyplæringsarkitekturer og teknikker for tekst-til-bilde generering. Implementer komplekse modeller og optimaliseringer for bildesyntese av høy kvalitet. Optimaliser ytelse og skalerbarhet for store datasett og komplekse modeller. Juster hyperparametre for bedre modellytelse og generalisering. Integrer Stable Diffusion med andre dyplæringsrammer og verktøy.

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale

DeepSpeed er et optimaliseringsbibliotek for dyp læring som gjør det enklere å skalere dyplæringsmodeller på distribuert maskinvare. DeepSpeed er utviklet av Microsoft og integreres med PyTorch for å gi bedre skalering, raskere trening og forbedret ressursutnyttelse.Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot nybegynnere til middels-nivå dataforskere og maskinlæringsingeniører som ønsker å forbedre ytelsen til sine dyplæringsmodeller.Ved slutten av denne opplæringen vil deltakerne kunne:

Forstå prinsippene for distribuert dyp læring. Installer og konfigurer DeepSpeed. Skaler dyplæringsmodeller på distribuert maskinvare ved hjelp av DeepSpeed. Implementer og eksperimenter med DeepSpeed-funksjoner for optimalisering og minneeffektivitet.

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Large Language Models (LLM) er dype nevrale nettverksmodeller som kan generere naturlige språktekster basert på en gitt input eller kontekst. De er trent på store mengder tekstdata fra ulike domener og kilder, og de kan fange de syntaktiske og semantiske mønstrene til naturlig språk. LLM-er har oppnådd imponerende resultater på ulike naturlige språkoppgaver som tekstoppsummering, spørsmålssvar, tekstgenerering og mer.Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot utviklere på nybegynnernivå til mellomnivå som ønsker å bruke store språkmodeller for ulike naturlige språkoppgaver.Ved slutten av denne opplæringen vil deltakerne kunne:

Sett opp et utviklingsmiljø som inkluderer en populær LLM. Lag en grunnleggende LLM og finjuster den på et tilpasset datasett. Bruk LLM-er for ulike naturlige språkoppgaver som tekstoppsummering, svar på spørsmål, tekstgenerering og mer. Feilsøk og evaluer LLM-er ved å bruke verktøy som TensorBoard, PyTorch Lightning og Hugging Face-datasett.

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

AlphaFold er et Artificial Intelligence (AI) system som utfører forutsigelsen av proteinstrukturer. Det er utviklet av Alphabet’s/Google’s DeepMind som et dyp læringssystem som kan nøyaktig forutsi 3D-modeller av proteinstrukturer. Denne instruktørledede, live-trening (online eller online) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruker AlphaFold modeller som veiledere i sine eksperimentelle studier. Ved slutten av denne treningen vil deltakerne være i stand til å:

Forstå de grunnleggende prinsippene i AlphaFold. Lær hvordan AlphaFold fungerer. Lær hvordan du tolker AlphaFold forutsetninger og resultater.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

Stable Diffusion er en kraftig dyplæringsmodell som kan generere detaljerte bilder basert på tekstbeskrivelser.Denne instruktørledede, direkteopplæringen (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører og datasynsforskere som ønsker å utnytte Stable Diffusion til å generere bilder av høy kvalitet for en rekke bruksområder.Ved slutten av denne opplæringen vil deltakerne kunne:

Forstå prinsippene for Stable Diffusion og hvordan det fungerer for bildegenerering. Bygg og tren Stable Diffusion-modeller for bildegenereringsoppgaver. Bruk Stable Diffusion på ulike scenarier for bildegenerering, for eksempel innpainting, outpainting og bilde-til-bilde-oversettelse. Optimaliser ytelsen og stabiliteten til Stable Diffusion-modeller.

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale

In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data. By the end of this training, participants will be able to:

• Implement machine learning algorithms and techniques for solving complex problems.
• Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data.
• Push Python algorithms to their maximum potential.
• Use libraries and packages such as NumPy and Theano.

Format of the course

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

Deep Reinforcement Learning refererer til evnen til en "kunstig agent" til å lære ved prøving-og-feiling og belønning-og-straff. Et kunstig middel har som mål å etterligne et menneskes evne til å skaffe og konstruere kunnskap på egen hånd, direkte fra rå input som syn. For å realisere forsterkende læring brukes dyp læring og nevrale nettverk. Forsterkende læring er forskjellig fra maskinlæring og er ikke avhengig av veiledet og uovervåket læringstilnærminger.Denne instruktørledede, direkteopplæringen (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å lære det grunnleggende om Deep Reinforcement Learning mens de går gjennom opprettelsen av en Deep Learning Agent.Ved slutten av denne opplæringen vil deltakerne kunne:

Forstå nøkkelbegrepene bak Deep Reinforcement Learning og kunne skille det fra Machine Learning. Bruk avanserte Reinforcement Learning algoritmer for å løse problemer i den virkelige verden. Bygg en Deep Learning agent.

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Maskinlæring er en gren av kunstig intelligens der datamaskiner har evnen til å lære uten å være eksplisitt programmerte. Deep learning er et underfelt av maskinlæring som bruker metoder basert på læringsdata representasjoner og strukturer som nevrale nettverk. Python er et høyt nivå programmeringsspråk kjent for sin klare syntax og kode lesbarhet. I denne instruktørledede, live-trening, vil deltakerne lære hvordan å implementere dyp læring modeller for telecom ved hjelp av Python som de går gjennom skapelsen av en dyp læring kreditt risiko modell. Ved slutten av denne treningen vil deltakerne være i stand til å:

Forstå de grunnleggende konseptene for dyp læring. Lær applikasjonene og brukene av dyp læring i telecom. Bruk Python, Keras, og TensorFlow for å lage dyp læringsmodeller for telecom. Bygg din egen dyp læring kundestyring forutsetning modell ved hjelp av Python.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to:

• Explore how data is being interpreted by machine learning models
• Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it
• Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals.
• Explore the properties of a specific embedding to understand the behavior of a model
• Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers

Audience

• Developers
• Data scientists

Format of the course

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

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.

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.

Caffe er en dyp læringsramme laget med uttrykk, hastighet og modularitet i tankene. Dette kurset utforsker anvendelsen av Caffe som en Deep læringsramme for bildegjenkjenning ved bruk av MNIST som eksempel Publikum Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke Caffe som rammeverk. Etter fullført kurs vil delegatene kunne:

• forstå Caffe sin struktur og distribusjonsmekanismer
• utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utfør feilsøking, overvåking
• implementere avansert produksjon som treningsmodeller, implementere lag og logging

Dette kurset er generell oversikt for Deep Learning uten å gå for dypt inn på noen spesifikke metoder. Det passer for folk som vil begynne å bruke Deep learning for å forbedre nøyaktigheten av prediksjon.

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk.

Introduksjon:Dyplæring er i ferd med å bli en hovedkomponent i fremtidig produktdesign som ønsker å inkorporere kunstig intelligens i hjertet av modellene deres. I løpet av de neste 5 til 10 årene vil utviklingsverktøy for dyp læring, biblioteker og språk bli standardkomponenter i hvert verktøysett for programvareutvikling. Så langt Google har Sales Force, Facebook, Amazon med suksess brukt dyp læring AI for å øke virksomheten deres. Applikasjoner varierte fra automatisk maskinoversettelse, bildeanalyse, videoanalyse, bevegelsesanalyse, generering av målrettet reklame og mange flere.Dette kurset er rettet mot de organisasjonene som ønsker å innlemme Deep Learning som en svært viktig del av deres produkt- eller tjenestestrategi. Nedenfor er oversikten over dyplæringskurset som vi kan tilpasse for ulike nivåer av ansatte/interessenter i en organisasjon.Målgruppe:(Avhengig av målgruppen vil kursmateriell tilpasses)LedereEn generell oversikt over AI og hvordan det passer inn i bedriftens strategi, med breakout-økter om strategisk planlegging, teknologiveikart og ressursallokering for å sikre maksimal verdi.ProsjektledereHvordan planlegge et AI-prosjekt, inkludert datainnsamling og -evaluering, dataopprydding og verifisering, utvikling av en proof-of-concept-modell, integrasjon i forretningsprosesser og levering på tvers av organisasjonen.UtviklereDybde teknisk opplæring, med fokus på nevrale nettverk og dyp læring, bilde- og videoanalyse (CNN), lyd- og tekstanalyse (NLP), og å bringe AI inn i eksisterende applikasjoner.SelgereEn generell oversikt over AI og hvordan den kan tilfredsstille kundenes behov, verdiforslag for ulike produkter og tjenester, og hvordan du kan dempe frykt og fremme fordelene med AI.

Dypt læring eller dypt strukturert læring er en subset av maskinlæring som involverer flere lag av nettverk for å bygge forutsigelsesmodeller. Det er mye brukt i store industrier, som helsevesen, e-handel, banking, produksjon, automotive, etc. Denne instruktørledede, live opplæring (online eller on-site) er rettet mot forretningsanalytikere, data forskere og utviklere som ønsker å bygge og implementere dype læringsmodeller for å akselerere inntektsvekst og løse problemer i virksomheten. Ved slutten av denne treningen vil deltakerne være i stand til å:

Forstå de grunnleggende konseptene for maskinlæring og dyp læring. Få innsikt i fremtiden for virksomheten og bransjen med ML og DL. Definere forretningsstrategier  og løsninger med dyp læring. Lær hvordan du bruker datavitenskap og dyp læring i å løse forretningsproblemer. I tillegg til dette er det viktig å lære seg å lære seg å lære seg å lære seg å lære seg å lære seg å lære seg å lære seg.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. R er et populært programmeringsspråk i finansnæringen. Det brukes i økonomiske applikasjoner som spenner fra kjernehandelsprogrammer til risikostyringssystemer. I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for økonomi ved å bruke R når de går gjennom opprettelsen av en dyp læringsprediksjonsmodell. Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær bruksområdene og bruken av dyp læring innen økonomi
• Bruk R til å lage dype læringsmodeller for økonomi
• Bygge sin egen dype læringsmodell for prediksjon ved bruk av R

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet. I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for bankbruk ved å bruke Python når de går gjennom opprettelsen av en dyp læringsrisikomodell. Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær applikasjonene og bruken av dyp læring i bank
• Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for bank
• Bygge sin egen dype lærings kredittrisikomodell ved hjelp av Python

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. R er et populært programmeringsspråk i finansnæringen. Det brukes i økonomiske applikasjoner som spenner fra kjernehandelsprogrammer til risikostyringssystemer. I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for bankbruk ved å bruke R når de går gjennom opprettelsen av en dyp læringsrisikomodell. Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær applikasjonene og bruken av dyp læring i bank
• Bruk R til å lage dype læringsmodeller for bank
• Bygg deres egen kredittrisikomodell med dyp læring ved å bruke R

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet. I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for økonomi ved hjelp av Python når de går gjennom opprettelsen av en dyp læringsprediksjonsmodell. Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær bruksområdene og bruken av dyp læring innen finans
• Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for finans
• Bygge sin egen dype læringsmodell for prediksjon ved bruk av Python

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Machine Learning er en gren av kunstig intelligens der datamaskiner har evnen til å lære uten å være eksplisitt programmerte. Deep Learning er et underfelt av Machine Learning som forsøker å imitere funksjonene til menneskekroppen i beslutningsprosessen. Det er opplært med data for å automatisk gi løsninger på problemer. Deep Learning gir store muligheter for den medisinske bransjen som sitter på en data gullmin. I denne instruktørledede, live opplæring vil deltakerne delta i en rekke diskusjoner, øvelser og case-studie analyse for å forstå grunnleggende Deep Learning. De viktigste Deep Learning verktøyene og teknikkene vil bli vurdert og øvelser vil bli utført for å forberede deltakerne til å gjennomføre sin egen evaluering og implementering av Deep Learning løsninger innenfor deres organisasjoner. Ved slutten av denne treningen vil deltakerne være i stand til å:

Det er viktig å forstå grunnlaget for Deep Learning Lær Deep Learning teknikker og deres applikasjoner i bransjen Undersøk problemer i medisin som kan løses ved hjelp av Deep Learning teknologier Utforsk Deep Learning fallstudier i medisin Formulere en strategi for å vedta de nyeste teknologiene i Deep Learning for å løse problemer i medisin

Publikum

Ledere Medisinske fagfolk i ledende roller

Format av kurset

Delvis forelesning, delvis diskusjon, øvelser og tung praksis

Notat

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

Helseproblemer kan oppdages gjennom analyse av bilder som MRI-skanninger. Å bruke dyp læring til å behandle bilder kan føre til oppdagelser tidligere uoppnåelige av menneskelig inspeksjon alene. Denne instruktørledede, levende opplæringen (online eller online) er rettet mot utviklere og data forskere som ønsker å bruke konvolusjonelle nevrale nettverk (CNNs) til analysen av MRI-skanninger. Ved slutten av denne treningen vil deltakerne være i stand til å:

Installere og konfigurere det nødvendige utviklingsmiljøet, programvaren og biblioteket for å begynne å utvikle. Analyse MRI-bilder ved hjelp av dyp læringsteknikker som CNNs. Detekterer potensielle helsetilstander som hjertesykdommer gjennom MRI-skanning. Bruk teknikker som bilde segmentering og CNN opplæring for å identifisere potensielle sykdommer. Identifiser genomikk av en sykdom ved hjelp av radiomikk. Bygge og implementere en dyp læring applikasjon aimed på helsevesenet bildeanalyse.

Format av kurset

Interaktiv forelesning og diskusjon. Mange øvelser og praksis. Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.

Publikum Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke tilgjengelige verktøy (for det meste open source) for å analysere datamaskinbilder Dette kurset gir eksempler på arbeid.

I denne instruktørledede, liveopplæringen, vil deltakerne lære å bruke DSSTNE til å bygge en anbefalingsapplikasjon. Ved slutten av denne opplæringen vil deltakerne kunne:

• Tren en anbefalingsmodell med sparsomme datasett som input
• Skala trening og prediksjonsmodeller over flere GPU er
• Spred ut beregning og lagring på en modell-parallell måte
• Generer Amazon-lignende tilpassede produktanbefalinger
• Implementere en produksjonsklar applikasjon som kan skalere til store arbeidsmengder

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

I denne instruktørledede, live-trening vil deltakerne lære å bruke Facebook NMT (Fairseq) for å utføre oversettelse av prøveinnhold. Ved slutten av denne treningen vil deltakerne ha den kunnskapen og praksis som trengs for å implementere en live Fairseq-basert maskinoversettelsessolusjon. Format av kurset

Del leksjon, del diskusjon, tung praksis

Notat

Hvis du ønsker å bruke spesifikk kilde- og måltekstinnhold, vennligst kontakt oss for å arrangere.

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 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

Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks. In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such as data, speech, text, and images. By the end of this training, participants will be able to:

• Access CNTK as a library from within a Python, C#, or C++ program
• Use CNTK as a standalone machine learning tool through its own model description language (BrainScript)
• Use the CNTK model evaluation functionality from a Java program
• Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs)
• Scale computation capacity on CPUs, GPUs and multiple machines
• Access massive datasets using existing programming languages and algorithms

Audience

• Developers
• Data scientists

Format of the course

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

Note

• If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange.

Dette kurset dekker AI (med vekt på Machine Learning og Deep Learning )