Online Maskinlæring Treningskurs i Norge

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot nybegynnere som ønsker å forstå konseptet med forhåndstrente modeller og lære å bruke dem til å løse problemer i den virkelige verden uten å bygge modeller fra ripe.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå konseptet og fordelene med ferdigtrente modeller.
• Utforsk ulike forhåndstrente modellarkitekturer og deres bruksområder.
• Finjuster en forhåndstrent modell for spesifikke oppgaver.
• Implementer forhåndstrente modeller i enkle maskinlæringsprosjekter.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot deltakere med varierende ekspertisenivåer som ønsker å utnytte Googles AutoML-plattform for å bygge tilpassede chatbots for ulike applikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om chatbot-utvikling.
• Naviger i Googgle Cloud Platform og få tilgang til AutoML.
• Forbered data for trening av chatbot-modeller.
• Tren og evaluer tilpassede chatbot-modeller ved å bruke AutoML.
• Distribuer og integrer chatbots i ulike plattformer og kanaler.
• Overvåk og optimaliser chatbot-ytelsen over tid.

Denne instruktørledede, liveopplæring i Norge (online eller på sted) retter seg mot AI-utviklere, maskinlæringsingeniører og systemarkitekter på mellomnivå som ønsker å optimalisere AI-modeller for utplassering på kanten.

Ved avslutning av denne opplæringen vil deltakerne være i stand til å:

• Forstå utfordringene og kravene ved å utplassere AI-modeller på kantenheter.
• Bruke modellkomprimeringsmetoder for å redusere størrelsen og kompleksiteten til AI-modeller.
• Bruke kvantiseringsmetoder for å øke modellens effektivitet på kantehardware.
• Implementere beskjæring og andre optimaliseringsmetoder for å forbedre modellens ytelse.
• Utplassere optimaliserte AI-modeller på ulike kantenheter.

Denne instruktørguidede, live-utdanningen i Norge (online eller på stedet) retter seg mot utviklere, datavitenskapsfolk og teknologi-interesserte på mellomnivå som ønsker å skaffe seg praktiske ferdigheter i å levere ut AI-modeller på edge-enheter for ulike anvendelser.

Når utdanningen er fullført, vil deltakerne kunne:

• Forstå prinsippene bak Edge AI og dens fordeler.
• Sette opp og konfigurere edge-beregningsmiljøet.
• Utvikle, trene og optimere AI-modeller for levering på edge.
• Implementere praktiske AI-løsninger på edge-enheter.
• Vurdere og forbedre ytelsen til modeller levert på edge.
• Håndtere etiske og sikkerhetsmessige hensyn i Edge AI-anvendelser.

Dette instruktørdrevne, live-løpet i Norge (online eller på stedet) er rettet mot AI-ingeniører og datavitenskapsfolk på avansert nivå med mellom- til avansert erfaring som ønsker å forbedre ytelsen til DeepSeek-modeller, minimere forsinkelser og effektivt utplassere AI-løsninger ved hjelp av moderne MLOps-praksis.

Etter dette opplæringsprogrammet vil deltakerne kunne:

• Optimalisere DeepSeek-modeller for effektivitet, nøyaktighet og skalerbarhet.
• Implementere beste praksis for MLOps og modellversjonshåndtering.
• Utplassere DeepSeek-modeller i sky- og lokalt infrastruktur.
• Overvåke, vedlikeholde og skalere AI-løsninger effektivt.

Denne instruksørdrevne utdanningen i Norge gir erfarne fagfolk ferdighetene til å designe, optimere og distribuere komplette TinyML-pipelines. Deltakere vil lære å samle inn data, trene lavt-forbrukt modeller og teste sanntidslige applikasjoner ved hjelp av praktiske laboratorier.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot mellomnivåutviklere, datavitere og AI-praktikere som ønsker å utnyttet TensorFlow Lite for Edge AI-applikasjoner.

Etter denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for TensorFlow Lite og dens rolle i Edge AI.
• Utvikke og optimalisere AI-modeller ved hjelp av TensorFlow Lite.
• Implementere TensorFlow Lite-modeller på forskjellige kantenheter.
• Bruk verktøy og teknikker for modellkonvertering og optimalisering.
• Implementere praktiske Edge AI-applikasjoner ved hjelp av TensorFlow Lite.

Denne instruktørledede, liveopplæringskurset i Norge (online eller på stedet) er rettet mot fagpersoner på avansert nivå som ønsker å mestre teknologiene bak autonome systemer.

Ved avslutning av denne opplæringen vil deltakerne kunne:

• Utforme og implementere AI-modeller for autonom beslutningsfatning.
• Utvikle styringsalgoritmer for autonom navigasjon og hindringsunngåelse.
• Sikre sikkerhet og pålitelighet i AI-drevne autonome systemer.
• Integrere autonome systemer med eksisterende robotikk og AI-rammeverk.

Denne instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å dyppe seg dypere inn i datavisjon og utforske TensorFlows kapasiteter for å utvikle sofistikerte visjonsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nevrale nettverk (CNNs) ved hjelp av TensorFlow.
• Bruke Google Colab for skalerbar og effektiv skybasert modellutvikling.
• Implementere bildeforarbeidingsmetoder for datavisjonstider.
• Sette i drift datavisjonsmodeller for virkelige anvendelser.
• Bruke overføringsslur for å forbedre ytelsen på CNN-modeller.
• Visualisere og tolke resultater fra bildeklassifiseringsmodeller.

Denne veiledede opplæringen i Norge gjør erfarne fagfolk i stand til å sikre TinyML-pipelines på edge-enheter. Du vil lære å implementere teknikk for personvern, forsterke modeller mot motsetningsangrep og anvende beste praksis for sikker datahåndtering i ressursbegrensede miljøer.

Denne instruktørbaserte, live-utdanningen i Norge (online eller på stedet) er rettet mot avansertnivå profesjonelle som ønsker å utvide kunnskapen sin om maskinlæringsmodeller, forbedre ferdighetene sine i hyperparameter tuning, og lære hvordan man effektivt distribuerer modeller ved hjelp av Google Colab.

Ved slutten av dette kurset vil deltakerne kunne:

• Implementere avanserte maskinlæringsmodeller ved hjelp av populære rammer som Scikit-learn og TensorFlow.
• Optimalisere modellens ytelse gjennom hyperparameter tuning.
• Distribuere maskinlæringsmodeller i virkelige applikasjoner ved hjelp av Google Colab.
• Samarbeide og administrere store skala maskinlæringsprosjekter i Google Colab.

Denne instruktørledede, live trening i Norge (online eller på sted) er rettet mot mellomnivåprofesjonelle som ønsker å bruke AI-teknikker for å optimalisere utbyttehåndtering i halvlederproduksjon.

Ved avslutning av denne treningen vil deltakerne være i stand til:

• Analysere produksjonsdata for å identifisere faktorer som påvirker utbyttestyrken.
• Implementere AI-algoritmer for å forbedre utbyttehåndteringsprosesser.
• Optimalisere produksjonsparametere for å redusere feil og forbedre utbytte.
• Integrere AI-drevet utbyttehåndtering i eksisterende produksjonsarbeidsflyter.

Denne instruktørlede, live trening i Norge (online eller på stedet) er rettet mot mellomnivå bedrifts- og AI-profesjonelle som ønsker å bruke maskinlæring i forretningsdrift, prognoser og AI-drevne systemer ved hjelp av virkelige casestudier og Python-baserte verktøy.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå hvordan maskinlæring passer inn i AI og bedriftsstrategi.
• Bruke overvåket og uovervåket læringsmetoder til strukturerte bedriftsproblemer.
• Forhåndsbehandle og transformere data for modellering.
• Bruke neuronale nettverk til klassifiserings- og prediktive oppgaver.
• Utføre salgsprognoser ved hjelp av statistiske og ML-baserte metoder.
• Implementere klustring og regelbasert mining for kundesegmentering og mønsteroppdagelse.

Denne instruktørlede, levende opplæringskurs i Norge (online eller på stedet) er rettet mot mellomnivåprofesjonelle som ønsker å bruke AI-drevne forutsigbare vedlikeholdsmetoder i halvlederproduksjon for å øke produktivitet og redusere uventede maskinfeil.

Ved avslutningen av dette kurset vil deltakerne være i stand til:

• Implementere AI-modeller for å forutsi maskinfeil i halvlederproduksjon.
• Analysere vedlikeholdsdata for å identifisere mønster og trender som indikerer potensielle problemer.
• Integrere AI-drevne forutsigbare vedlikeholdsmetoder i eksisterende produksjonsstrømninger.
• Redusere nedetid og vedlikeholdskostnader ved å forebygge maskinfeil.

Denne instruktørlede, live opplæring i Norge (online eller på stedet) er rettet mot fagfolk på avansert nivå som ønsker å anvende kuttende AI-teknikker til automatisering av halvlederdesign, og dermed forbedre effektivitet, nøyaktighet og innovasjon i chipdesign og verifisering.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Bruke avanserte AI-teknikker til å optimalisere halvlederdesignprosesser.
• Integrere maskinlæringsmodeller i EDA-verktøy for forbedret designverifisering.
• Utvikle AI-drevne løsninger for komplekse designutfordringer i chipproduksjon.
• Utnytte neuronnettverk for å forbedre nøyaktigheten og hastigheten i designautomatisering.

Denne instruktørledede, live-opplæringen (online eller på sted) er rettet mot mellomnivådataforskerne og utviklere som ønsker å forstå og bruke dyp læringsteknikker ved hjelp av Google Colab-miljøet.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Oppsette og navigere Google Colab for dyplæringprosjekter.
• Forstå grunnleggende prinsipper om neuronnettverk.
• Implementere dyplæringmodeller med TensorFlow.
• Trenne og vurdere dyplæringmodeller.
• Bruke avanserte funksjoner i TensorFlow for dyplæring.

Denne instruktørledede, live opplæring i Norge (online eller på stedet) er rettet mot mellomnivåprofesjonelle som ønsker å forstå og anvende AI-teknikker for å optimalisere halvlederproduksjonsprosesser.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå AI-metodologier for prosessoptimalisering i chipproduksjon.
• Implementere AI-modeller for å forbedre utbytte og redusere defekter.
• Analysere prosessdata for å identifisere nøkkelparametere for optimalisering.
• Bruke maskinlæringsteknikker for å justere halvlederproduksjonsprosesser.

Denne instruktørledede, live opplæringen (online eller på sted) er rettet mot deltakere på mellomnivå som ønsker å automatisere og administrere maskinlæringsarbeidsflyter, inkludert modelltrening, validering og deployering ved bruk av Apache Airflow.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Opprette Apache Airflow for maskinlæringsarbeidsflytovervåkning.
• Automatisere datapreprosessering, modelltrening og valideringsoppgaver.
• Integrere Airflow med maskinlæringsrammeverk og verktøy.
• Deployere maskinlæringsmodeller ved bruk av automatiserte rørledninger.
• Overvåke og optimalisere maskinlæringsarbeidsflyter i produksjon.

Dette instruktørledede, live-kurs i Norge (online eller på sted) er rettet mot mellomnivås datavitenskapsfolk og utviklere som ønsker å anvende maskinlæringsalgoritmer effektivt ved hjelp av Google Colab-miljøet.

Ved slutten av dette kurset vil deltakerne kunne:

• Sette opp og navigere i Google Colab for maskinlæringsprosjekter.
• Forstå og anvende ulike maskinlæringsalgoritmer.
• Bruke biblioteker som Scikit-learn for å analysere og predict data.
• Implementere overvåket og uovervåket læringsmodeller.
• Optimalisere og evaluere maskinlæringsmodeller effektivt.

Dette instruktørdrevne, liveopplegget i Norge utruster erfarne fagfolk med ferdigheter til å optimere TinyML-modeller for innsatte enheter med ressursbegrensninger. Deltakerne vil anvende kvantisering og beskjæring, implementere inferens-pipelines med lav forsinkelse, og teste ytelsen mot minne- og energigrenser.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å utforske state-of-the-art XAI-teknikker for dyplæringsmodeller, med fokus på å bygge tolkbare AI-systemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå utfordringene med forklarbarhet i dyp læring.
• Implementer avanserte XAI-teknikker for nevrale nettverk.
• Tolke avgjørelser tatt av dyplæringsmodeller.
• Vurder avveiningene mellom ytelse og åpenhet.

Denne instruktørledede, levende opplæring på Norge (online eller på stedet) er rettet mot nybegynnere innen fagfeltet som ønsker å forstå og anvende AI-teknologier innen halvlederproduksjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende prinsippene for AI og hvordan de anvendes i halvlederproduksjon.
• Identifisere områder innen halvlederproduksjon hvor AI kan implementeres effektivt.
• Bruke AI-verktøy og teknikker for å forbedre produksjonseffektivitet og kvalitetskontroll.
• Implementere grunnleggende AI-modeller for å optimalisere produksjonsprosesser.

Denne instruktørledede, live opplæring (online eller på sted) er rettet mot datavitere og utviklere som ønsker å bruke ML.NET maskinlæringsmodeller til å automatisk trekke fremskrivninger fra utførte dataanalyser for bedriftsapplikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installere ML.NET og integrere det i applikasjonsutviklingsmiljøet.
• Forstå maskinlæringsprinsippene bak ML.NET-verktøy og algoritmer.
• Bygge og trene maskinlæringsmodeller for å gjøre forutsigelser basert på tilgjengelig data.
• Vurdere ytelsen til en maskinlæringsmodell ved hjelp av ML.NET-metrikker.
• Optimalisere nøyaktigheten til eksisterende maskinlæringsmodeller basert på ML.NET-rammen.
• Bruke ML.NET-maskinlæringskonsepter på andre data vitenskap-applikasjoner.

Denne instruktørledede, live trening (online eller på stedet) er rettet mot mellomnivådatafagfolk som ønsker å anvende maskinlæringsmetoder på datadrivne forretningsproblemer, inkludert salgsprognoser og prediktiv modellering ved bruk av neuronnettverk.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Forstå kjernekonseptene og typene av maskinlæring.
• Bruke nøkkelalgoritmer for klassifisering, regresjon, klusteranalyse og assosiasjonsanalyse.
• Utføre utforskende dataanalyse og datapreparering ved bruk av Python.
• Bruke neuronnettverk for ikke-lineære modelleringssituasjoner.
• Implementere prediktiv analyse for forretningsprognoser, inkludert salgsdata.
• Vurdere og optimalisere modellprestasjon ved bruk av visuelle og statistiske teknikker.

Den instruktørledede, levende opplæringen i Norge (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører, forskere innen dyp læring og eksperter innen dataseeing med mellomliggende til avanserte kunnskaper som ønsker å utvide sin kompetanse og ferdigheter i bruk av dyp læring for tekst-til-bilde-generering.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå avanserte arkitekturer og teknikker innen dyp læring for tekst-til-bilde-generering.
• Implementere komplekse modeller og optimeringer for høykvalitets bildegenerering.
• Optimere ytelse og skalerbarhet for store datasett og komplekse modeller.
• Finjustere hyperparametere for bedre modellprestasjon og generalisering.
• Integriere Stable Diffusion med andre rammeverk og verktøy innen dyp læring.

Denne instruktørledede, live-treningen på nett eller på stedet er rettet mot mellomnivå- til avanserte cybersecurity-profesjonelle som ønsker å øke sine ferdigheter innen AI-drevet trusseloppsporing og håndtering av hendelser.

Ved slutten av denne treningen vil deltakerne kunne:

• Implementere avanserte AI-algoritmer for sanstids trusseloppsporing.
• Tilpasse AI-modeller for spesifikke cybersecurity-utfordringer.
• Utvikle automatiserte arbeidsflyter for trusselhåndtering.
• Sikre AI-drevne sikkerhetsverktøy mot motstandere.

Denne instruktørledede, live-treningen på Norge (online eller på stedet) retter seg mot mellomnivå-embeddede systemingeniører og AI-utviklere som ønsker å deploye maskinlæringsmodeller på mikrocontroller ved bruk av TensorFlow Lite og Edge Impulse.

Ved slutten av denne treningen vil deltakerne være i stand til:

• Forstå grunnleggende prinsipper for TinyML og dets fordeler for edge AI-applikasjoner.
• Opprette en utviklingsmiljø for TinyML-prosjekter.
• Tren, optimalisere og deploye AI-modeller på lavstrøms mikrocontroller.
• Bruke TensorFlow Lite og Edge Impulse for å implementere virkelige TinyML-applikasjoner.
• Optimalisere AI-modeller for strømforbruk og minnebegrensninger.

Denne instruktørlede, liveopplæringen i Norge (online eller på sted) retter seg mot cybersecurity-profesjonelle på begynnernivå som ønsker å lære å utnytte AI for forbedret trusseloppsporing og svarevne.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå AI-applikasjoner innenfor cybersecurity.
• Implementere AI-algoritmer for trusseloppsporing.
• Automatisere håndtering av hendelser med AI-verktøy.
• Integrere AI i eksisterende cybersecurity-infrastruktur.

Denne instruktørledede, live-opplæringen i <lok> (online eller på stedet) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruke AlphaFold-modeller som veiledning i deres eksperimentelle studier.

Et sluttføringen av denne opplæringen, deltakerne vil være i stand til å:

• Forstå de grunnleggende prinsippene bak AlphaFold.
• Lære hvordan AlphaFold fungerer.
• Lære hvordan man tolker AlphaFold-prediksjoner og resultater.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataanalytikere på middels nivå som ønsker å lære å bruke RapidMiner til å estimere og projisere verdier og bruke analytiske verktøy for tidsserieprognoser.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lær å bruke CRISP-DM-metodikken, velg passende maskinlæringsalgoritmer og forbedre modellkonstruksjon og ytelse.
• Bruk RapidMiner til å estimere og projisere verdier, og bruk analytiske verktøy for tidsserieprognoser.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører og datavisualiseringsforskere som ønsker å utnytte Stable Diffusion til å generere høykvalitetsbilder for en rekke bruksområder.

Innen slutten av denne opplæringen vil deltakerne kunne:

• Forstå prinsippene bak Stable Diffusion og hvordan den fungerer for bildegenerering.
• Bygge og trene Stable Diffusion-modeller for bildegenereringsoppgaver.
• Anvende Stable Diffusion i ulike bildegenereringssenarioer, slik som inpainting, outpainting og bilde-til-bilde-oversettelse.
• Optimalisere ytelse og stabilitet til Stable Diffusion-modeller.

Dette programmets varighet er 8 dager og gir en komplett reise fra solide grunnleggende Python-ferdigheter til avansert design av AI-systemer. Deltakerne utvikler disiplinerte kodingspraksiser, mestrer statistiske metoder og metoder for dyp læring, samt bygger produksjonsklare systemer for generativ AI og basert på agenter. Fokuset er på pålitelighet, evaluering, sikkerhet og utplassering i virkelige situasjoner snarere enn eksperimentell virksomhet alene.

Denne instruktørledede, live opplæring i Norge (online eller på sted) gir en introduksjon til feltet med mønstergjenkjenning og maskinlæring. Den berører praktiske anvendelser innen statistikk, datavitenskap, signalbehandling, datasyntese, datamining og bioinformasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke kjerne statistiske metoder til mønstergjenkjenning.
• Bruk nøkkelmodeller som neurale nettverk og kjerne-metoder for dataanalyse.
• Implementere avanserte teknikker for komplekse problemstillinger.
• Forbedre prediksjonsnøyaktigheten ved å kombinere forskjellige modeller.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke TensorFlow til å analysere potensielle svindeldata.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Opprette en modell for svindeldeteksjon i Python og TensorFlow.
• Bygge lineære regresjoner og lineære regresjonsmodeller for å forutsi svindel.
• Utvikle en ende-til-ende AI-applikasjon for å analysere svindeldata.

Dette praktiske, instruktør-ledede kurset er designet som en naturlig oppfølging av kurset Python for Dataanalyse.

Det introduserer deltakerne for de grunnleggende begrepene innen maskinlæring og viser hvordan disse kan anvendes direkte i dataanalyseoppgaver som predikering, klassifisering og segmentering.

Fokus er på å forstå hvordan maskinlæring fungerer i praksis, ved hjelp av kjente verktøy som Python, Pandas og Jupyter Notebook, uten behov for avansert matematisk bakgrunn.

Dette instruktørdrevne, live-utdanningstilbudet i Norge (online eller på stasjon) retter seg til utviklere og dataforskere som ønsker å bygge, distribuere og administrere maskinlæringsarbeidsflyter på Kubernetes.

Etter å ha gjennomført denne utdanningen skal deltakerne kunne:

• Installere og konfigurere Kubeflow lokalt (on-premise) og i skyen.
• Bygge, distribuere og administrere ML-arbeidsflyter basert på Docker-containere og Kubernetes.
• Kjøre hele maskinlæringsrørledninger på ulike arkitekturer og skymiljøer.
• Bruke Kubeflow til å opprette og administrere Jupyter-notebooks.
• Bygge ML-trening, hyperparameter-optimering og serving-arbeidsbelastninger over flere plattformer.

Dette undervisningsbaserte, live-treningen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å vurdere de tilgjengelige tiltakene og verktøy for å ta et intelligent beslutning om veien frem i adopsjonen av MLOps innenfor organisasjonen deres.

Ved slutten av denne treningen vil deltakerne kunne:

• Instalere og konfigurere ulike MLOps-rammeverk og verktøy.
• Samle sammen det riktige teamet med de riktige ferdighetene for å bygge og støtte et MLOps-system.
• Forberede, validere og versjonere data for bruk av ML-modeller.
• Forstå komponentene i en ML-pipeline og de verktøyene som trengs for å bygge én.
• Eksperimentere med ulike maskinlæringsrammeverk og -servere for driftsetting til produksjon.
• Operationalisere hele prosessen for Maskinlæring slik at den er reproducerbar og vedlikeholdbar.

Denne instruktørledede, levende opplæring (online eller på stedet) er rettet mot mellomnivådataanalytikere, utviklere eller aspirerende dataforskere som ønsker å bruke maskinlæringsteknikker i Python for å trekke frem innsikt, gjøre prediksjoner og automatisere datastrømmet beslutninger.

Ved slutten av denne kurset vil deltakere være i stand til å:

• Forstå og skille mellom viktige maskinlæringsparadigmer.
• Utforske dataforberedelsesteknikker og modellevalueringsmetrikker.
• Bruke maskinlæringsalgoritmer til å løse reelle dataproblemer.
• Bruk Python biblioteker og Jupyter-notesbøker for praktisk utvikling.
• Bygg modeller for prediksjon, klassifisering, anbefaling og klustring.

Dette instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot utviklere og datavitenskapsfolk som ønsker å bruke TensorFlow 2.x for å bygge predikterer, klassifiserere, generative modeller, nevrale nettverk og så videre.

Avslutningen på denne treningen vil deltakerne kunne:

• Installere og konfigurere TensorFlow 2.x.
• Føre inn fordelene ved TensorFlow 2.x i forhold til tidligere versjoner.
• Bygge dyp læring modeller.
• Implementere en avansert bildeklassifiserer.
• Distribuere et dyp læring modell til skyen, mobil og IoT-enheter.