現地の専門講師によるライブディープラーニング（DL）トレーニングコースは、DLの基礎と応用の実践を行い、深層機械学習、深層構造学習、階層型学習などの科目をカバーしています。
本トレーニングは、オンサイトでもリモートでもご利用が可能です。オンサイトトレーニングはお客様のオフィスに講師が訪問し、リモートトレーニングはインタラクティブなリモートデスクトップを介して提供いたします。
お客様の声
トレーニング後に参加者の問題を解決する理論的知識と意欲を養成する。
Grzegorz Mianowski
コース: Introduction to Deep Learning
Machine Translated
トピック。とても興味深い！。
Piotr
コース: Introduction to Deep Learning
Machine Translated
最終的には複雑すぎるにもかかわらず、各トピックの後の演習は本当に役に立ちました。一般に、提示された資料は非常に興味深いものでした。画像認識の練習は素晴らしかった。
Dolby Poland Sp. z o.o.
コース: Introduction to Deep Learning
Machine Translated
私はトレーニングが磨かれて行われると、トレーナーが自分の知識をより効率的に分かち合うことができると思います。
Radek
コース: Introduction to Deep Learning
Machine Translated
深い学習の世界的概要
Bruno Charbonnier
コース: Advanced Deep Learning
Machine Translated
演習は十分に実践的であり、 Python高度な知識は必要ありません。
Alexandre GIRARD
コース: Advanced Deep Learning
Machine Translated
Erasを使った実際の例題の演習。イタリアはこのトレーニングに関する私たちの期待を完全に理解していました。
Paul Kassis
コース: Advanced Deep Learning
Machine Translated
私は一般的に知識のあるトレーナーを楽しんだ。
Sridhar Voorakkara
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
私はこのクラスのスタンダードに驚いていました。私はそれが大学の標準であると言います。
David Relihan
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
全体的に非常に良い概要です。 GoそれがないようTensorflowが動作する理由にODの背景を。
Kieran Conboy
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
私は質問をする機会が好きで、理論の深い説明をもっと得た。
Sharon Ruane
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
私たちは主題についてより多くの洞察を得ました。いくつかの素敵な議論は、私たちの会社内のいくつかの実際のテーマで行われました。
Sebastiaan Holman
コース: Machine Learning and Deep Learning
Machine Translated
このトレーニングは、理論と実践がどのように密接に関係しているかを示すことにより、さらに拡張するための適切な基盤を提供しました。実際、以前よりもこのテーマに興味を持ちました。
Jean-Paul van Tillo
コース: Machine Learning and Deep Learning
Machine Translated
私は本当に話題のカバレッジと深みを楽しんでいました。
Anirban Basu
コース: Machine Learning and Deep Learning
Machine Translated
トピックに関するトレーナーの深い知識。
Sebastian Görg
コース: Introduction to Deep Learning
Machine Translated
機械学習を行うための非常に更新されたアプローチまたはCPI（テンソルフロー、時代遅れ、学習）。
Paul Lee
コース: TensorFlow for Image Recognition
Machine Translated
非常に柔軟です。
Frank Ueltzhöffer
コース: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
私は一般に柔軟性を楽しんだ。
Werner Philipp
コース: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
技術の見通し：将来どのような技術/プロセスが重要になるか。どのような技術が使用されるのかを見てください。
Commerzbank AG
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
私はトピック選択の恩恵を受けました。トレーニングのスタイル。オリエンテーションを練習する。
Commerzbank AG
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
機械学習の話題、特にニューラルネットワークについて詳しく解説します。話題の多くを解読しました。
Sacha Nandlall
コース: Python for Advanced Machine Learning
Machine Translated
私たちの質問に対するクリスの明確な答えを本当に感謝しています。
Léo Dubus
コース: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
指導者の指導の仕方と例
ORANGE POLSKA S.A.
コース: Machine Learning and Deep Learning
Machine Translated
提案された問題について自分で議論する可能性
ORANGE POLSKA S.A.
コース: Machine Learning and Deep Learning
Machine Translated
講師とのコミュニケーション
文欣 张
コース: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
それが好き
lisa xie
コース: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
先進的かつ実用的なアプリケーションの例についての、大規模かつ最新の知識。
ING Bank Śląski S.A.
コース: Introduction to Deep Learning
Machine Translated
演習の多く、グループとの非常に良い協力。
Janusz Chrobot - ING Bank Śląski S.A.
コース: Introduction to Deep Learning
Machine Translated
コラボレーター、
ING Bank Śląski S.A.
コース: Introduction to Deep Learning
Machine Translated
提示されたトピックの熱狂者が主導していたことは明らかでした。運動中に興味深い例を使用しました。
ING Bank Śląski S.A.
コース: Introduction to Deep Learning
Machine Translated
トピックの広い範囲とリーダーの実質的な知識をカバーしています。
ING Bank Śląski S.A.; Kamil Kurek Programowanie
コース: Understanding Deep Neural Networks
Machine Translated
不足
ING Bank Śląski S.A.; Kamil Kurek Programowanie
コース: Understanding Deep Neural Networks
Machine Translated
講師の大きな理論的、実践的な知識。トレーナーのコミュニケーション。コース中に、あなたは質問し、満足のいく答えを得ることができます。
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
コース: Understanding Deep Neural Networks
Machine Translated
アルゴリズムを実装した実用的な部分。これにより、トピックの理解を深めることができました。
ING Bank Śląski S.A.; Kamil Kurek Programowanie
コース: Understanding Deep Neural Networks
Machine Translated
演習とその上で実装された例
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
コース: Understanding Deep Neural Networks
Machine Translated
議論された事例と問題。
ING Bank Śląski S.A.; Kamil Kurek Programowanie
コース: Understanding Deep Neural Networks
Machine Translated
DL (Deep Learning)サブカテゴリ
DL (Deep Learning)コース概要
コース名
期間
概要
コース名
期間
概要
14 時間
概要
このコースでは、 Automotive産業のAI（ Machine LearningとDeep Learning重視）について説明します。簡単なオートメーション、画像認識から自律的な意思決定まで、自動車のさまざまな状況で（潜在的に）使用できるテクノロジを判断するのに役立ちます。
21 時間
概要
Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (onsite or remote) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.
This instructor-led, live training (onsite or remote) is aimed at developers who wish to build a self-driving car using deep learning techniques.
By the end of this training, participants will be able to:
- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 時間
概要
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 時間
概要
このコースでは、ニューラルネットワークの知識と、一般的に機械学習アルゴリズム、ディープラーニング（アルゴリズムとアプリケーション）の知識が得られます。
この研修は、基礎の詳細焦点であるが、適切な技術を選択するのに役立ちます： TensorFlow 、 Caffe 、テアーノ、DeepDrive、 Keras 、などの例がで作られていTensorFlow 。
この研修は、基礎の詳細焦点であるが、適切な技術を選択するのに役立ちます： TensorFlow 、 Caffe 、テアーノ、DeepDrive、 Keras 、などの例がで作られていTensorFlow 。
14 時間
概要
このクラスルームベースのトレーニングセッションには、関連するニューラルおよびディープネットワークライブラリを使用したプレゼンテーション、コンピュータベースの例、およびケーススタディ演習が含まれます。
14 時間
概要
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 時間
概要
OpenFace は、Python とトーチベースのオープンソース、Google & #39 に基づくリアルタイムの顔認識ソフトウェアです。
このインストラクター主導のライブトレーニングでは、OpenFace & #39 のコンポーネントを使用して、サンプルの顔認識アプリケーションを作成して展開する方法を受講者が学習します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- は、dlib、OpenVC、トーチ、および nn4 を含む OpenFace & #39 のコンポーネントを使用して、顔検出、アライメント、および変換
を実装します。 - は、監視、身元確認、バーチャルリアリティ、ゲーム、リピート顧客の特定など、実世界のアプリケーションに OpenFace を適用します
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このインストラクター主導のライブトレーニングでは、OpenFace & #39 のコンポーネントを使用して、サンプルの顔認識アプリケーションを作成して展開する方法を受講者が学習します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- は、dlib、OpenVC、トーチ、および nn4 を含む OpenFace & #39 のコンポーネントを使用して、顔検出、アライメント、および変換
を実装します。 - は、監視、身元確認、バーチャルリアリティ、ゲーム、リピート顧客の特定など、実世界のアプリケーションに OpenFace を適用します
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
7 時間
概要
この講師主導のライブトレーニングでは、参加者はOpenNMT設定方法と使用方法を学び、さまざまなサンプルデータセットの翻訳を実行します。コースは、機械翻訳に適用されるニューラルネットワークの概要から始まります。参加者は、学んだ概念についての理解を示し、講師からのフィードバックを得るためにコース全体を通して実習を行います。
このトレーニングの終わりまでに、参加者はライブのOpenNMTソリューションを実装するために必要な知識と実践を得ることがOpenNMTます。
原文と訳文のサンプルは、視聴者の要求に応じて事前に準備されます。
コースの形式
- パートレクチャー、パートディスカッション、ヘビー実習
このトレーニングの終わりまでに、参加者はライブのOpenNMTソリューションを実装するために必要な知識と実践を得ることがOpenNMTます。
原文と訳文のサンプルは、視聴者の要求に応じて事前に準備されます。
コースの形式
- パートレクチャー、パートディスカッション、ヘビー実習
14 時間
概要
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.
Format of the course
- Lecture and discussion coupled with hands-on exercises.
21 時間
概要
PaddlePaddle (パラレル分散ディープラーニング) は、Baidu によって開発されたスケーラブルなディープラーニングプラットフォームです。
このインストラクター主導のライブトレーニングでは、PaddlePaddle を使用して、製品およびサービスアプリケーションで深い学習を可能にする方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- の設定と構成 PaddlePaddle
- は、画像認識とオブジェクト検出のための畳み込みニューラルネットワーク (CNN) を設定する
- は、感情解析のためのリカレントニューラルネットワーク (RNN) を設定する
- はユーザーが答えを見つけるのを助けるために推薦システムの深い学習をセットアップした
- は、クリックスルー率 (CTR) を予測し、大規模な画像セットを分類し、光学式文字認識 (OCR) を実行し、検索をランク付けし、コンピュータウイルスを検出し、勧告システムを実装します。
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このインストラクター主導のライブトレーニングでは、PaddlePaddle を使用して、製品およびサービスアプリケーションで深い学習を可能にする方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- の設定と構成 PaddlePaddle
- は、画像認識とオブジェクト検出のための畳み込みニューラルネットワーク (CNN) を設定する
- は、感情解析のためのリカレントニューラルネットワーク (RNN) を設定する
- はユーザーが答えを見つけるのを助けるために推薦システムの深い学習をセットアップした
- は、クリックスルー率 (CTR) を予測し、大規模な画像セットを分類し、光学式文字認識 (OCR) を実行し、検索をランク付けし、コンピュータウイルスを検出し、勧告システムを実装します。
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
21 時間
概要
このインストラクター主導のライブトレーニングでは、画像、音楽、テキスト、財務データを含む一連のデモアプリケーションを構築する際に、Python で最も関連性の高い最先端の機械学習技術を学びます。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- は複雑な問題を解くための機械学習アルゴリズムと技法を実装する
- は、画像、音楽、テキスト、および財務データを含むアプリケーションに深い学習と半教師付き学習を適用する
- は Python アルゴリズムを最大のポテンシャル
にプッシュする - は NumPy やテアノなどのライブラリーやパッケージを使用して
観客
- 開発者
- アナリスト
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- は複雑な問題を解くための機械学習アルゴリズムと技法を実装する
- は、画像、音楽、テキスト、および財務データを含むアプリケーションに深い学習と半教師付き学習を適用する
- は Python アルゴリズムを最大のポテンシャル
にプッシュする - は NumPy やテアノなどのライブラリーやパッケージを使用して
観客
- 開発者
- アナリスト
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
21 時間
概要
このインストラクター主導のライブトレーニングでは、実際のアプリケーションの作成をステップとして、R を使用して機械学習のための高度なテクニックを学習します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
ハイパーパラメータのチューニングと深い学習 として - の使用技術
- を理解し、教師なし学習技術を実装する
- は、大規模なアプリケーションで使用するための生産にモデルを置く
観客
- 開発者
- アナリスト
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このトレーニングの終わりまでに、参加者は次のことができるようになります:
ハイパーパラメータのチューニングと深い学習 として - の使用技術
- を理解し、教師なし学習技術を実装する
- は、大規模なアプリケーションで使用するための生産にモデルを置く
観客
- 開発者
- アナリスト
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
21 時間
概要
SINGAは、大規模データセット上で大きなディープラーニングモデルをトレーニングするための一般的な分散型ディープラーニングプラットフォームです。それは層の抽象化に基づく直感的なプログラミングモデルで設計されています。畳み込みニューラルネットワーク（CNN）、制限付きボルツマンマシン（RBM）などのエネルギーモデル、リカレントニューラルネットワーク（RNN）など、さまざまな一般的なディープラーニングモデルがサポートされています。多くの組み込み層がユーザーに提供されています。 SINGAアーキテクチャは、同期、非同期、およびハイブリッドのトレーニングフレームワークを実行するのに十分な柔軟性があります。 SINGAは、大規模モデルの学習、すなわちバッチ次元、特徴次元、またはハイブリッド分割での並列化のために、さまざまなニューラルネット分割方式もサポートしています。
観客
このコースは、 Apache SINGAをディープラーニングフレームワークとして利用しようとしている研究者、エンジニア、開発者を対象としています。
このコースを修了すると、参加者は以下のことを行います。
- SINGAの構造と展開メカニズムを理解する
- インストール/実稼働環境/アーキテクチャーのタスクおよび構成を実行できる
- コード品質の評価、デバッグの実行、監視が可能
- モデルのトレーニング、用語の埋め込み、グラフの作成、ログ記録などの高度なプロダクションを実装できる
観客
このコースは、 Apache SINGAをディープラーニングフレームワークとして利用しようとしている研究者、エンジニア、開発者を対象としています。
このコースを修了すると、参加者は以下のことを行います。
- SINGAの構造と展開メカニズムを理解する
- インストール/実稼働環境/アーキテクチャーのタスクおよび構成を実行できる
- コード品質の評価、デバッグの実行、監視が可能
- モデルのトレーニング、用語の埋め込み、グラフの作成、ログ記録などの高度なプロダクションを実装できる
21 時間
概要
マイクロソフト認知ツールキット 2.x (以前は CNTK) は、人間の脳のように学ぶために深い学習アルゴリズムを訓練するオープンソース、商用グレードのツールキットです。Microsoft によると、CNTK は、リカレントネットワークで TensorFlow よりも 5 ~ 10 倍速く、イメージ関連のタスクの場合は TensorFlow よりも 2 ~ 3 倍高速です。
このインストラクター主導の, ライブトレーニング, 参加者は、作成する Microsoft の認知ツールキットを使用する方法を学びます, トレーニングとデータなどのデータの複数の種類を含む商用グレードの AI アプリケーションで使用するための深い学習アルゴリズムを評価する, 音声,テキスト、および画像
このトレーニングの終わりまでに、参加者は次のことができるようになります:
Python、C#、または C++ プログラム内からライブラリとして CNTK アクセスを -
- は、独自のモデル記述言語 (BrainScript) を介してスタンドアロンの機械学習ツールとして CNTK を使用して
- Java プログラムから CNTK モデル評価機能を使用する
- は、フィードフォワード DNNs、畳み込みネット (CNNs)、およびリカレントネットワーク (RNNs/LSTMs) を組み合わせた
cpu、gpu、複数のマシンでの - スケールの計算能力
- 既存のプログラミング言語とアルゴリズムを使用して大規模なデータセットにアクセスする
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
ノート
- あなたが選択のプログラミング言語を含む、このトレーニングの任意の部分をカスタマイズしたい場合は、手配するために私達に連絡してください。
このインストラクター主導の, ライブトレーニング, 参加者は、作成する Microsoft の認知ツールキットを使用する方法を学びます, トレーニングとデータなどのデータの複数の種類を含む商用グレードの AI アプリケーションで使用するための深い学習アルゴリズムを評価する, 音声,テキスト、および画像
このトレーニングの終わりまでに、参加者は次のことができるようになります:
Python、C#、または C++ プログラム内からライブラリとして CNTK アクセスを -
- は、独自のモデル記述言語 (BrainScript) を介してスタンドアロンの機械学習ツールとして CNTK を使用して
- Java プログラムから CNTK モデル評価機能を使用する
- は、フィードフォワード DNNs、畳み込みネット (CNNs)、およびリカレントネットワーク (RNNs/LSTMs) を組み合わせた
cpu、gpu、複数のマシンでの - スケールの計算能力
- 既存のプログラミング言語とアルゴリズムを使用して大規模なデータセットにアクセスする
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
ノート
- あなたが選択のプログラミング言語を含む、このトレーニングの任意の部分をカスタマイズしたい場合は、手配するために私達に連絡してください。
7 時間
概要
Tensor2Tensor (T2T) は、さまざまな種類のトレーニングデータ (画像認識、翻訳、解析、画像キャプション、音声認識など) を使用して、異なるタスクで AI モデルをトレーニングするためのモジュール式の拡張可能なライブラリです。これは、Google の脳チームによって維持されます。
このインストラクター主導のライブトレーニングでは、複数のタスクを解決するためのディープラーニングモデルを準備する方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- tensor2tensor のインストール、データセットの選択、AI モデルのトレーニングと評価
- Tensor2Tensor
に含まれるツールとコンポーネントを使用して開発環境をカスタマイズする - は、単一のモデルを作成して使用し、複数のドメインから多数のタスクを同時に学習します
- は、モデルを使用して、大量のトレーニングデータを持つタスクから学習し、データが制限されているタスクにそのナレッジを適用します
- は、単一の GPU
を使用して満足のいく処理結果を得る
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このインストラクター主導のライブトレーニングでは、複数のタスクを解決するためのディープラーニングモデルを準備する方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- tensor2tensor のインストール、データセットの選択、AI モデルのトレーニングと評価
- Tensor2Tensor
に含まれるツールとコンポーネントを使用して開発環境をカスタマイズする - は、単一のモデルを作成して使用し、複数のドメインから多数のタスクを同時に学習します
- は、モデルを使用して、大量のトレーニングデータを持つタスクから学習し、データが制限されているタスクにそのナレッジを適用します
- は、単一の GPU
を使用して満足のいく処理結果を得る
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
21 時間
概要
TensorFlowは、ディープラーニング、数値計算、大規模機械学習のためにGo ogleが開発した人気の機械学習ライブラリです。 TensorFlow 2019年1月にリリース2.0は、の最新バージョンですTensorFlowと熱心実行、互換性とAPIの一貫性の改善が含まれています。
このインストラクター主導のライブトレーニング（オンサイトまたはリモート）は、Tensorflow 2.0を使用して予測子、分類子、生成モデル、ニューラルネットワークなどを構築したい開発者およびデータサイエンティストを対象としています。
このトレーニングの終わりまでに、参加者は次のことができるようになります。
- TensorFlow 2.0をインストールして構成します。
- TensorFlow 2.0の以前のバージョンに対する利点を理解します。
- 深層学習モデルを構築します。
- 高度な画像分類器を実装します。
- ディープラーニングモデルをクラウド、モバイル、IoTデバイスに展開します。
コースの形式
- インタラクティブな講義とディスカッション。
- たくさんの練習と練習。
- ライブラボ環境での実践的な実装。
コースのカスタマイズオプション
- このコースのカスタマイズされたトレーニングをリクエストするには、お問い合わせください。
- TensorFlow詳細については、https： TensorFlowをご覧ください。
このインストラクター主導のライブトレーニング（オンサイトまたはリモート）は、Tensorflow 2.0を使用して予測子、分類子、生成モデル、ニューラルネットワークなどを構築したい開発者およびデータサイエンティストを対象としています。
このトレーニングの終わりまでに、参加者は次のことができるようになります。
- TensorFlow 2.0をインストールして構成します。
- TensorFlow 2.0の以前のバージョンに対する利点を理解します。
- 深層学習モデルを構築します。
- 高度な画像分類器を実装します。
- ディープラーニングモデルをクラウド、モバイル、IoTデバイスに展開します。
コースの形式
- インタラクティブな講義とディスカッション。
- たくさんの練習と練習。
- ライブラボ環境での実践的な実装。
コースのカスタマイズオプション
- このコースのカスタマイズされたトレーニングをリクエストするには、お問い合わせください。
- TensorFlow詳細については、https： TensorFlowをご覧ください。
14 時間
概要
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 時間
概要
TensorFlow サービングは機械学習 (ML) モデルを生産に提供するためのシステムです。
このインストラクター主導のライブトレーニングでは、TensorFlow サービスを構成して使用して、ML モデルを運用環境で展開および管理する方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- 列車、輸出、様々な TensorFlow モデルを提供
- は、単一のアーキテクチャと一連の api を使用して、テストおよび配備アルゴリズムを
- は TensorFlow モデルを越えて他のタイプのモデルを提供するためにサービング TensorFlow を拡張する
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このインストラクター主導のライブトレーニングでは、TensorFlow サービスを構成して使用して、ML モデルを運用環境で展開および管理する方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- 列車、輸出、様々な TensorFlow モデルを提供
- は、単一のアーキテクチャと一連の api を使用して、テストおよび配備アルゴリズムを
- は TensorFlow モデルを越えて他のタイプのモデルを提供するためにサービング TensorFlow を拡張する
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
21 時間
概要
TensorFlowは、 Go ogleのDeep Learning用オープンソースソフトウェアライブラリの第2世代APIです。このシステムは、機械学習における研究を容易にし、研究プロトタイプから生産システムへの移行を迅速かつ容易にするように設計されています。
観客
このコースは、 Deep LearningプロジェクトにTensorFlowを使用しようとしているエンジニアを対象としています。
このコースを修了すると、参加者は以下のことを行います。
- TensorFlowの構造と展開メカニズムを理解する
- インストール/実稼働環境/アーキテクチャーのタスクおよび構成を実行できる
- コード品質の評価、デバッグの実行、監視が可能
- モデルのトレーニング、グラフの作成、伐採などの高度な生産を実装できる
観客
このコースは、 Deep LearningプロジェクトにTensorFlowを使用しようとしているエンジニアを対象としています。
このコースを修了すると、参加者は以下のことを行います。
- TensorFlowの構造と展開メカニズムを理解する
- インストール/実稼働環境/アーキテクチャーのタスクおよび構成を実行できる
- コード品質の評価、デバッグの実行、監視が可能
- モデルのトレーニング、グラフの作成、伐採などの高度な生産を実装できる
28 時間
概要
このコースでは、具体的な例を用いて、画像認識を目的としたTensor Flowの適用について説明します。
観客
このコースは、画像認識の目的でTensorFlowを利用しようとしているエンジニアを対象としています。
このコースを修了すると、参加者は次のことができるようになります。
- TensorFlowの構造と展開メカニズムを理解する
- インストール/本番環境/アーキテクチャのタスクと設定を実行する
- コード品質の評価、デバッグの実行、監視
- モデルのトレーニング、グラフの作成、伐採などの高度な生産を実装する
観客
このコースは、画像認識の目的でTensorFlowを利用しようとしているエンジニアを対象としています。
このコースを修了すると、参加者は次のことができるようになります。
- TensorFlowの構造と展開メカニズムを理解する
- インストール/本番環境/アーキテクチャのタスクと設定を実行する
- コード品質の評価、デバッグの実行、監視
- モデルのトレーニング、グラフの作成、伐採などの高度な生産を実装する
21 時間
概要
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (onsite or remote) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 時間
概要
Torchは、オープンソースの機械学習ライブラリであり、 Luaプログラミング言語に基づいた科学計算フレームワークです。ディープラーニングと畳み込みネットに特に重点を置いて、数値、機械学習、コンピュータービジョンの開発環境を提供します。これは、Machine and Deep Learning向けの最速かつ最も柔軟なフレームワークの1つであり、 Facebook 、 Go ogle、Twitter、NVIDIA、AMD、Intelなどの企業で使用されています。
このインストラクター主導のライブトレーニングでは、 Torchの原理、その独自の機能、および実際のアプリケーションでの適用方法について説明します。数多くの実践的な演習をすべて実行し、学習した概念を示して実践します。
コースの終わりまでに、参加者は他のフレームワークやライブラリと比較して、 Torchの基礎となる機能と機能、およびAIスペース内での役割と貢献について徹底的に理解します。参加者は、 Torchを自分のプロジェクトに実装するために必要な実践も受けています。
コースの形式
- 機械Deep LearningとDeep Learning概要
- クラス内のコーディングおよび統合演習
- 理解度を確認する方法に沿って散らばったテスト質問
このインストラクター主導のライブトレーニングでは、 Torchの原理、その独自の機能、および実際のアプリケーションでの適用方法について説明します。数多くの実践的な演習をすべて実行し、学習した概念を示して実践します。
コースの終わりまでに、参加者は他のフレームワークやライブラリと比較して、 Torchの基礎となる機能と機能、およびAIスペース内での役割と貢献について徹底的に理解します。参加者は、 Torchを自分のプロジェクトに実装するために必要な実践も受けています。
コースの形式
- 機械Deep LearningとDeep Learning概要
- クラス内のコーディングおよび統合演習
- 理解度を確認する方法に沿って散らばったテスト質問
7 時間
概要
は、テンソル処理ユニット (TPU) は、Google が数年間内部的に使用しているアーキテクチャであり、ちょうど今、一般大衆が使用できるようになっている。これには、適切なレベルの精度を返すために、合理化された行列乗算、16ビットではなく8ビット整数など、ニューラルネットワークで使用するための最適化がいくつか含まれています。
このインストラクター主導の, ライブトレーニング, 参加者は、独自の AI アプリケーションのパフォーマンスを最大化するために TPU のプロセッサの技術革新を活用する方法を学びます.
は、トレーニングの終了により、参加者ができるようになります:
- は大量のデータを
に様々な種類のニューラルネットワークを訓練する - は TPUs を使用して、最大2桁の次数で推論プロセスを高速化し
- は、画像検索、クラウドビジョンや写真などの集中的なアプリケーションを処理するために TPUs を利用して
観客
- 開発者
- 研究者
- エンジニア
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このインストラクター主導の, ライブトレーニング, 参加者は、独自の AI アプリケーションのパフォーマンスを最大化するために TPU のプロセッサの技術革新を活用する方法を学びます.
は、トレーニングの終了により、参加者ができるようになります:
- は大量のデータを
に様々な種類のニューラルネットワークを訓練する - は TPUs を使用して、最大2桁の次数で推論プロセスを高速化し
- は、画像検索、クラウドビジョンや写真などの集中的なアプリケーションを処理するために TPUs を利用して
観客
- 開発者
- 研究者
- エンジニア
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
35 時間
概要
TensorFlow™ is an open source software library for numerical computation using data flow graphs.
SyntaxNet is a neural-network Natural Language Processing framework for TensorFlow.
Word2Vec is used for learning vector representations of words, called "word embeddings". Word2vec is a particularly computationally-efficient predictive model for learning word embeddings from raw text. It comes in two flavors, the Continuous Bag-of-Words model (CBOW) and the Skip-Gram model (Chapter 3.1 and 3.2 in Mikolov et al.).
Used in tandem, SyntaxNet and Word2Vec allows users to generate Learned Embedding models from Natural Language input.
Audience
This course is targeted at Developers and engineers who intend to work with SyntaxNet and Word2Vec models in their TensorFlow graphs.
After completing this course, delegates will:
- understand TensorFlow’s structure and deployment mechanisms
- be able to carry out installation / production environment / architecture tasks and configuration
- be able to assess code quality, perform debugging, monitoring
- be able to implement advanced production like training models, embedding terms, building graphs and logging
SyntaxNet is a neural-network Natural Language Processing framework for TensorFlow.
Word2Vec is used for learning vector representations of words, called "word embeddings". Word2vec is a particularly computationally-efficient predictive model for learning word embeddings from raw text. It comes in two flavors, the Continuous Bag-of-Words model (CBOW) and the Skip-Gram model (Chapter 3.1 and 3.2 in Mikolov et al.).
Used in tandem, SyntaxNet and Word2Vec allows users to generate Learned Embedding models from Natural Language input.
Audience
This course is targeted at Developers and engineers who intend to work with SyntaxNet and Word2Vec models in their TensorFlow graphs.
After completing this course, delegates will:
- understand TensorFlow’s structure and deployment mechanisms
- be able to carry out installation / production environment / architecture tasks and configuration
- be able to assess code quality, perform debugging, monitoring
- be able to implement advanced production like training models, embedding terms, building graphs and logging
35 時間
概要
このコースは、ニューラルネットワーク、および一般的に機械学習アルゴリズム、ディープラーニング（アルゴリズムとアプリケーション）の概念的な知識を提供することから始まります。
パート1（40％）このトレーニングのは基本に、より焦点となっていますが、適切な技術を選択するのに役立ちます： TensorFlow 、 Caffe 、Theano、DeepDrive、 Kerasなど
このトレーニングのパート2（20％）では、ディープラーニングモデルを簡単に作成できるPythonライブラリであるTheanoを紹介しています。
トレーニングのパート3（40％）は、Tensorflow- Go ogleのDeep Learning用オープンソースソフトウェアライブラリの第2世代APIに広く基づいています。例とハンドソンはすべてTensorFlowで作成されTensorFlow 。
聴衆
このコースは、 Deep LearningプロジェクトにTensorFlowを使用しTensorFlowエンジニアを対象としています。
このコースを修了すると、参加者は次のことを行います。
-
ディープニューラルネットワーク（DNN）、CNN、RNNについて十分に理解している
-
TensorFlowの構造と展開メカニズムを理解する
-
インストール/実稼働環境/アーキテクチャのタスクと構成を実行できる
-
コード品質の評価、デバッグの実行、監視ができる
-
トレーニングモデル、グラフ作成、ロギングなどの高度なプロダクションを実装できる
パート1（40％）このトレーニングのは基本に、より焦点となっていますが、適切な技術を選択するのに役立ちます： TensorFlow 、 Caffe 、Theano、DeepDrive、 Kerasなど
このトレーニングのパート2（20％）では、ディープラーニングモデルを簡単に作成できるPythonライブラリであるTheanoを紹介しています。
トレーニングのパート3（40％）は、Tensorflow- Go ogleのDeep Learning用オープンソースソフトウェアライブラリの第2世代APIに広く基づいています。例とハンドソンはすべてTensorFlowで作成されTensorFlow 。
聴衆
このコースは、 Deep LearningプロジェクトにTensorFlowを使用しTensorFlowエンジニアを対象としています。
このコースを修了すると、参加者は次のことを行います。
-
ディープニューラルネットワーク（DNN）、CNN、RNNについて十分に理解している
-
TensorFlowの構造と展開メカニズムを理解する
-
インストール/実稼働環境/アーキテクチャのタスクと構成を実行できる
-
コード品質の評価、デバッグの実行、監視ができる
-
トレーニングモデル、グラフ作成、ロギングなどの高度なプロダクションを実装できる
14 時間
概要
このインストラクター主導のライブトレーニングでは、参加者はMatlabを使用して画像認識用の畳み込みニューラルネットワークを設計、構築、視覚化する方法を学びます。
このトレーニングの終わりまでに、参加者は次のことができるようになります。
- 深層学習モデルを構築する
- データのラベル付けを自動化する
- モデルと協力CaffeとTensorFlow - Keras
- 複数のGPU 、クラウド、またはクラスターを使用してデータをトレーニングする
聴衆
- 開発者
- エンジニア
- ドメインエキスパート
コースの形式
- 一部の講義、一部のディスカッション、演習、および実践的な実践
このトレーニングの終わりまでに、参加者は次のことができるようになります。
- 深層学習モデルを構築する
- データのラベル付けを自動化する
- モデルと協力CaffeとTensorFlow - Keras
- 複数のGPU 、クラウド、またはクラスターを使用してデータをトレーニングする
聴衆
- 開発者
- エンジニア
- ドメインエキスパート
コースの形式
- 一部の講義、一部のディスカッション、演習、および実践的な実践
21 時間
概要
人工ニューラルネットワークは、「インテリジェント」タスクを実行できるArtificial Intelligence (AI)システムの開発に使用される計算データモデルです。 Neural Networksは、それ自体がAIの実装の1つであるMachine Learning （ML）アプリケーションで一般的に使用されています。 Deep LearningはMLのサブセットです。
28 時間
概要
機械学習は、コンピュータが明示的にプログラムされることなく学習する能力を持っている人工知能のブランチです。ディープラーニングは、ニューラルネットワークのようなデータ表現や構造の学習に基づいたメソッドを使用する機械学習のサブフィールドです。Python は、明確な構文とコードの可読性で有名な高レベルのプログラミング言語です。
このインストラクター主導のライブトレーニングでは、深い学習株価予測モデルの作成をステップとして、Python を使用して財務の深い学習モデルを実装する方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- 深い学習の基本概念を理解する
- は、アプリケーションと金融の深い学習の使用を学ぶ
- は、Python、Keras、TensorFlow を使用して、ファイナンスのための深い学習モデルを作成し
- は、Python
を使用して独自の深い学習株価予測モデルを構築する
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
このインストラクター主導のライブトレーニングでは、深い学習株価予測モデルの作成をステップとして、Python を使用して財務の深い学習モデルを実装する方法について説明します。
このトレーニングの終わりまでに、参加者は次のことができるようになります:
- 深い学習の基本概念を理解する
- は、アプリケーションと金融の深い学習の使用を学ぶ
- は、Python、Keras、TensorFlow を使用して、ファイナンスのための深い学習モデルを作成し
- は、Python
を使用して独自の深い学習株価予測モデルを構築する
観客
- 開発者
- データサイエンティスト
コース の
形式
- 部講義、パート討論、演習と重い実地練習
28 時間
概要
は、AI と it & #39 のアプリケーションを紹介する4日間のコースです。このコースの完了時に AI プロジェクトを引き受けるための追加の日を持つオプションがあります。
週末深層学習コース, 夜のDL (Deep Learning)トレーニング, 深層学習ブートキャンプ, 深層学習 インストラクターよる, 週末Deep Learning (DL)トレーニング, 夜の深層学習コース, DL (Deep Learning)指導, DL (Deep Learning)インストラクター, 深層学習レーナー, DL (Deep Learning)レーナーコース, 深層学習クラス, 深層学習オンサイト, DL (Deep Learning)プライベートコース, 深層学習1対1のトレーニング
.jpg "procter & gamble (p&g)")
_ireland.gif "environmental protection agency (epa) ireland")
.png "european space agency (esa)")
