地元のインストラクター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、ディープラーニングの基礎と応用を実践的に実践し、深い機械学習、深く構造化された学習、階層的学習などの科目をカバーしています。ディープラーニングトレーニングは、オンサイトライブトレーニングまたはリモートライブトレーニングとして利用できます。現場での現場でのトレーニングは、日本 NobleProgの企業研修センターで日本。リモートライブトレーニングは、インタラクティブなリモートデスクトップを介して実行されます。 NobleProg - あなたの地域のトレーニングプロバイダー

Machine Translated

お客様の声

★★★★★

非常にインタラクティブで、期待以上にリラックスできるトレーニングでした。講師は多くのトピックを扱ってくれ、トピックの関連性についても詳細に話してくれました。トピックの規模と複雑さを考慮すると、トレーニング後も学習を続けていくために、このようなトレーニング方式は非常に重要であると思います。

Jonathan Blease

コース: Artificial Neural Networks, Machine Learning, Deep Thinking

Machine Translated

トピックは非常に興味深いです。

Wojciech Baranowski

コース: Introduction to Deep Learning

Machine Translated

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

件名。興味深いようでしたが、私は以前より多くのことを知っていました。

Radoslaw Labedzki

コース: Introduction to Deep Learning

Machine Translated

このコースにはとても興味深いテーマがあったのが好きでした。

Wojciech Wilk

コース: Introduction to Deep 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

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

私は教えて、事を賢明にすることに集中するという情熱の恩恵を受けました。

Zaher Sharifi - GOSI

コース: Advanced Deep Learning

Machine Translated

フェイスエリアについて。

中移物联网

コース: Deep Learning for NLP (Natural Language Processing)

Machine Translated

講義の間の非公式なやりとりは、私がこの問題についての理解を深めるのに役立った。

Explore

コース: Deep Reinforcement Learning with Python

Machine Translated

実用的なヒントがたくさん

Pawel Dawidowski - ABB Sp. z o.o.

コース: Deep Learning with TensorFlow

Machine Translated

ソリューションの実装に関する多くの情報

Michał Smolana - ABB Sp. z o.o.

コース: Deep Learning with TensorFlow

Machine Translated

幅広いAI / IT / SQL / IoT問題からの講師の実用的なヒントと知識の数々。

ABB Sp. z o.o.

コース: Deep Learning with TensorFlow

Machine Translated

たくさんの情報、すべての質問に答え、興味深い例

A1 Telekom Austria AG

コース: Deep Learning for Telecom (with Python)

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

Artificial Intelligence in Automotive

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。

Deep Learning for Self Driving Cars

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.

Machine Learning and Deep Learning

21　時間

概要

このコースはAIをカバーします（ Machine LearningとDeep Learning重視）

Neural Networks Fundamentals using TensorFlow as Example

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 。

Neural computing – Data science

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。

OpenFace: Creating Facial Recognition Systems

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

OpenNMT: Setting Up a Neural Machine Translation System

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

OpenNN: Implementing Neural Networks

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.

PaddlePaddle

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

Python for Advanced Machine Learning

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

Advanced Machine Learning with R

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

Mastering Apache SINGA

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

Matlab for Deep Learning

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

T2T: Creating Sequence to Sequence Models for Generalized Learning

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

Deep Learning with TensorFlow 2.0

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。

TensorFlow Serving

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

Deep Learning with TensorFlow

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

TensorFlow for Image Recognition

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

Torch for Machine and Deep Learning

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

TPU Programming: Building Neural Network Applications on Tensor Processing Units

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

Natural Language Processing with TensorFlow

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

Understanding Deep Neural Networks

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

Microsoft Cognitive Toolkit 2.x

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。

Deep Learning with Keras

21　時間

概要

Keras は、迅速な開発と実験のための高レベルのニューラルネットワーク API です。これは、TensorFlow、CNTK、またはテアーノーの上で実行されます。

このインストラクター主導のライブトレーニング (オンサイトまたはリモート) は、画像認識アプリケーションにディープラーニングモデルを適用したい技術者を対象としています。

このトレーニングが終了すると、参加者は次のことができるようになります。

- をインストールし、Keras を設定します。
- はディープラーニングモデルを迅速にプロトタイプ化します。
- 畳み込みネットワークを実装します。
- は、再帰的なネットワークを実装します。
- は CPU と GPU の両方でディープラーニングモデルを実行します。

コースの形式

- インタラクティブなレクチャーとディスカッション
- はたくさんの練習と練習をします。
- は、ライブラボ環境で実践的な実装を行います。

コースカスタマイズオプション

- このコースのためにカスタマイズされたトレーニングを要求するには、手配するために私達に連絡してください。
- の詳細については、次のサイトを参照してください。 https://keras.io/

Artificial Neural Networks, Machine Learning, Deep Thinking

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。

Deep Learning for Banking (with Python)

28　時間

概要

機械学習は、コンピューターが明示的にプログラムされなくても学習できる人工知能の分野です。ディープラーニングは、ニューラルネットワークなどの学習データ表現と構造に基づく方法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読みやすさ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、参加者は、ディープラーニングの信用リスクモデルの作成を段階的に進めながら、 Pythonを使用して銀行のディープラーニングモデルを実装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。

- ディープラーニングの基本概念を理解する
- 銀行業務におけるディープラーニングのアプリケーションと使用方法を学ぶ
- 使用Python 、 Keras 、およびTensorFlow銀行のための深い学習モデルを作成するために、
- Pythonを使用して独自のディープラーニングクレジットリスクモデルを構築する

聴衆

- 開発者
- データサイエンティスト

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

Applied AI from Scratch

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。

Artificial Neural Networks, Machine Learning and Deep Thinking

21　時間

概要

Deep Learning for Vision with Caffe

21　時間

概要

Caffeは表現力、スピード、そしてモジュール性を念頭に置いて作られた深い学習の枠組みです。

このコースでは、例としてMNISTを使用して、画像認識のためのディープラーニングフレームワークとしてのCaffeの適用を探ります。

観客

このコースは、 Caffeをフレームワークとして利用することに興味のあるDeep Learning研究者やエンジニアに適しています。

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。

- Caffe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
- トレーニングモデル、レイヤの実装、ロギングなどの高度なプロダクションの実装

Introduction to Deep Learning

21　時間

概要

このコースは、特定の方法に深く入りすぎることなく、 Deep Learning一般的な概要です。それは彼らの予測の正確さを高めるためにディープラーニングを使い始めたい人々に適しています。

他の地域

;東京大阪横浜名古屋

他の国

これらのコースは他の国でもあります>> ››

コンサルティング

深層学習のコンサルティング

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