Deep Learning Opplæringskurs

Deep Learning Opplæringskurs

Local, instructorled live Deep Learning (DL) training courses demonstrate through handson practice the fundamentals and applications of Deep Learning and cover subjects such as deep machine learning, deep structured learning, and hierarchical learning

Deep Learning training is available as "onsite live training" or "remote live training" Onsite live training can be carried out locally on customer premises in Norge or in NobleProg corporate training centers in Norge Remote live training is carried out by way of an interactive, remote desktop

NobleProg Your Local Training Provider.

Machine Translated

Testimonials

★★★★★
★★★★★

Deep Learning Kursplaner

Kursnavn
Varighet
Oversikt
Kursnavn
Varighet
Oversikt
7 timer
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.
21 timer
In this instructor-led, live training in Norge, 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.
21 timer
Djup Reinforcement Learning refererer til evnen til eit "-artificiell agent " til å læra gjennom prøvings- og feil- og beløp- og-kaparingar. Ein kunstige agent må emulera eit menneske og#39; evne til å få og konstruere kunnskap på eigen måte, direkte frå rå inndata slik som syn. For å oppdaga styrkelæring brukes djup lærings- og neuralnettverk. Forstyrrande læring er annen frå maskinlæring og stoler ikkje på tilsynte og uoversiktige læringsmetoder.I denne instruktøren, levende opplæring, vil deltakarane læra de grunnleggjande Reinforcement Learning medan dei steg gjennom opprettelsen av ein Deep Learning agent.Ved slutten av denne opplæringa vil deltakarane kunne:
    Forstå nøkkelkoncepta bak Djup Reinforcement Learning og kunne skilja det frå Machine Learning Bruk avanserte Reinforcement Learning algoritmer for å løse reelle verdsproblem Bygge ein Deep Learning Agent
Lyd
    Utviklar datavitenskapelar
Format for kurset
    Dellesar, delhandspraksis, øving og tung håndspraksis
28 timer
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.
14 timer
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
21 timer
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.
21 timer
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.
21 timer
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.
28 timer
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.
21 timer
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
21 timer
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.
14 timer
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.
21 timer
Dette kurset dekker AI (med vekt på Machine Learning og Deep Learning )
14 timer
I denne instruktøren-ledet, live trening, går vi over prinsippene for nevrale nettverk og bruker OpenNN for å implementere en prøveapplikasjon. Format av kurset
    Lesing og diskusjon sammen med praktiske øvelser.
7 timer
I denne instruktørledede, OpenNMT , vil deltakerne lære å sette opp og bruke OpenNMT til å utføre oversettelse av forskjellige eksempler av datasett. Kurset starter med en oversikt over nevrale nettverk slik de gjelder for maskinoversettelse. Deltakerne vil gjennomføre liveøvelser gjennom hele kurset for å demonstrere sin forståelse av konseptene som er lært og få tilbakemeldinger fra instruktøren. Ved slutten av denne opplæringen vil deltakerne ha kunnskap og praksis som trengs for å implementere en live OpenNMT løsning. Kildespråk og målspråkprøver blir forhåndsarrangert i henhold til publikums krav.
    Kursets format
    • Delforedrag, deldiskusjon, tung praktisk praksis
    21 timer
    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.
    7 timer
    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.
    21 timer
    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.
    21 timer
    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
    7 timer
    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
    7 timer
    Tensor2Tensor (T2T) is a modular, extensible library for training AI models in different tasks, using different types of training data, for example: image recognition, translation, parsing, image captioning, and speech recognition. It is maintained by the Google Brain team. In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks. By the end of this training, participants will be able to:
    • Install tensor2tensor, select a data set, and train and evaluate an AI model
    • Customize a development environment using the tools and components included in Tensor2Tensor
    • Create and use a single model to concurrently learn a number of tasks from multiple domains
    • Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited
    • Obtain satisfactory processing results using a single GPU
    Audience
    • Developers
    • Data scientists
    Format of the course
    • Part lecture, part discussion, exercises and heavy hands-on practice
    14 timer
    OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google's FaceNet research. In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application. By the end of this training, participants will be able to:
    • Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
    • Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.
    Audience
    • Developers
    • Data scientists
    Format of the course
    • Part lecture, part discussion, exercises and heavy hands-on practice
    21 timer
    In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application. By the end of this training, participants will be able to:
    • Understand and implement unsupervised learning techniques
    • Apply clustering and classification to make predictions based on real world data.
    • Visualize data to quicly gain insights, make decisions and further refine analysis.
    • Improve the performance of a machine learning model using hyper-parameter tuning.
    • Put a model into production for use in a larger application.
    • Apply advanced machine learning techniques to answer questions involving social network data, big data, and more.
    14 timer
    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
    28 timer
    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
    28 timer
    Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:
    • Understand the fundamental concepts of deep learning
    • Learn the applications and uses of deep learning in banking
    • Use Python, Keras, and TensorFlow to create deep learning models for banking
    • Build their own deep learning credit risk model using Python
    Audience
    • Developers
    • Data scientists
    Format of the course
    • Part lecture, part discussion, exercises and heavy hands-on practice
    28 timer
    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
    28 timer
    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
    21 timer
    Introduksjon : Deep learning blir en hovedkomponent i fremtidig produktdesign som ønsker å integrere kunstig intelligens i hjertet av sine modeller. I løpet av de neste 5 til 10 årene vil dyp læring utviklingsverktøy, biblioteker og språk bli standardkomponenter i hver programvareutvikling verktøykit. Til nå Google, Sales Force, Facebook, har Amazon vært vellykket ved å bruke dyp læring AI for å fremme sin virksomhet. Applikasjoner varierer fra automatisk maskinoversettelse, bildeanalyse, videoanalyse, bevegelsesanalyse, generere målrettet annonsering og mye mer. Dette kurset er rettet mot de organisasjonene som ønsker å integrere Deep Learning som en svært viktig del av deres produkt- eller tjenestestrategi. Nedenfor er utgangspunktet for dyp læring som vi kan tilpasse for forskjellige nivåer av ansatte / deltakere i en organisasjon. Målrettet publikum: (avhengig av målgruppen vil kursmaterialene bli tilpasset) Utøvere En generell oversikt over AI og hvordan den passer inn i bedriftsstrategien, med breakout sesjoner på strategisk planlegging, teknologiske ruter og ressursfordeling for å sikre maksimal verdi. Prosjektledere Hvordan planlegge et AI-prosjekt, inkludert datainnsamling og evaluering, data rengjøring og verifisering, utvikling av en bevis-of-konsept modell, integrering i forretningsprosesser, og levering i hele organisasjonen. Utviklere Omfattende teknisk opplæring, med fokus på nevrale nettverk og dyp læring, bilde- og videoanalyse (CNNs), lyd- og tekstanalyse (NLP), og å bringe AI til eksisterende applikasjoner. Salgpersoner En generell oversikt over AI og hvordan det kan tilfredsstille kundens behov, verdiforslag for ulike produkter og tjenester, og hvordan å lindre frykter og fremme fordelene med AI.
    14 timer
    Denne klasseromsbaserte treningsøkten vil inneholde presentasjoner og databaserte eksempler og case study-øvelser for å gjennomføre med relevante nevrale og dype nettverksbiblioteker.

    Last Updated:

    Kommende Deep Learning (DL) Kurs

    Helg Deep Learning kurs, kveld DL (Deep Learning) trening, Deep Learning boot camp, Deep Learning instruktørledet, Helg DL (Deep Learning) trening, Kveld Deep Learning kurs, DL (Deep Learning) coaching, Deep Learning (DL) instruktør, DL (Deep Learning) trener, Deep Learning (DL) kurs, Deep Learning klasser, Deep Learning (DL) on-site, DL (Deep Learning) private kurs, Deep Learning tomannshånd trening

    Kursrabatter

    Kursrabatter Nyhetsbrev

    We respect the privacy of your email address. We will not pass on or sell your address to others.
    You can always change your preferences or unsubscribe completely.

    Some of our clients

    is growing fast!

    We are looking to expand our presence in Norway!

    As a Business Development Manager you will:

    • expand business in Norway
    • recruit local talent (sales, agents, trainers, consultants)
    • recruit local trainers and consultants

    We offer:

    • Artificial Intelligence and Big Data systems to support your local operation
    • high-tech automation
    • continuously upgraded course catalogue and content
    • good fun in international team

    If you are interested in running a high-tech, high-quality training and consulting business.

    Apply now!

    This site in other countries/regions