Los cursos de capacitación locales, dirigidos por un instructor en vivo (ML), demuestran a través de la práctica cómo aplicar técnicas de aprendizaje de máquinas y herramientas para resolver problemas del mundo real en diversas industrias. Los cursos de NobleProg ML cubren diferentes lenguajes y frameworks de programación, incluyendo Python, R Language y MATLAB. Se ofrecen cursos de aprendizaje de máquinas para varias aplicaciones de la industria, incluyendo finanzas, banca y seguros y cubren los fundamentos del aprendizaje de máquinas, así como enfoques más avanzados como el aprendizaje profundo.
El entrenamiento de aprendizaje en máquina está disponible como "entrenamiento en vivo en el sitio" o "entrenamiento en vivo remoto". El entrenamiento en vivo se puede realizar localmente en las instalaciones del cliente en Colombia o en los centros de entrenamiento corporativos de NobleProg en Colombia. El entrenamiento remoto en vivo se lleva a cabo por medio de un escritorio remoto interactivo.
NobleProg--su proveedor de capacitación local
Machine Translated
Testimonios
Fue muy interactivo y más relajado e informal de lo esperado. Cubrimos muchos temas en el tiempo y el capacitador siempre estuvo receptivo a hablar más en detalle o, más en general, sobre los temas y cómo se relacionaban. Siento que la capacitación me ha dado las herramientas para seguir aprendiendo en lugar de que sea una sola sesión donde el aprendizaje se detiene una vez que has terminado, lo cual es muy importante dada la escala y la complejidad del tema.
Jonathan Blease
Curso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
El capacitador estaba tan bien informado e incluyó áreas en las que estaba interesado.
Mohamed Salama
Curso: Data Mining & Machine Learning with R
Machine Translated
El tema es muy interesante.
Wojciech Baranowski
Curso: Introduction to Deep Learning
Machine Translated
Los formadores teóricos del conocimiento y la voluntad de resolver los problemas con los participantes después de la capacitación.
Grzegorz Mianowski
Curso: Introduction to Deep Learning
Machine Translated
Tema. ¡Muy interesante!.
Piotr
Curso: Introduction to Deep Learning
Machine Translated
Los ejercicios después de cada tema fueron realmente útiles, a pesar de que al final eran demasiado complicados. ¡En general, el material presentado fue muy interesante y envolvente! Los ejercicios con reconocimiento de imágenes fueron geniales.
Dolby Poland Sp. z o.o.
Curso: Introduction to Deep Learning
Machine Translated
Creo que si el entrenamiento se hiciera en polaco, le permitiría al formador compartir su conocimiento de manera más eficiente.
Radek
Curso: Introduction to Deep Learning
Machine Translated
La visión global del aprendizaje profundo.
Bruno Charbonnier
Curso: Advanced Deep Learning
Machine Translated
Los ejercicios son suficientemente prácticos y no necesitan un alto conocimiento en Python para hacerse.
Alexandre GIRARD
Curso: Advanced Deep Learning
Machine Translated
Haciendo ejercicios sobre ejemplos reales usando Eras. Italia entendió totalmente nuestras expectativas sobre esta capacitación.
Paul Kassis
Curso: Advanced Deep Learning
Machine Translated
Realmente aprecié las respuestas claras y claras de Chris a nuestras preguntas.
Léo Dubus
Curso: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
En general, disfruté el entrenador experto.
Sridhar Voorakkara
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Me sorprendió el estándar de esta clase, diría que era el estándar de la universidad.
David Relihan
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Muy buena visión general. Go fondo desde Tensorflow por qué funciona como lo hace.
Kieran Conboy
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Me gustaron las oportunidades de hacer preguntas y obtener explicaciones más profundas de la teoría.
Sharon Ruane
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Hemos obtenido mucha más información sobre el tema. Se hicieron algunas buenas discusiones con algunos temas reales dentro de nuestra compañía.
Sebastiaan Holman
Curso: Machine Learning and Deep Learning
Machine Translated
La capacitación proporcionó la base correcta que nos permite ampliar aún más, al mostrar cómo la teoría y la práctica van de la mano. De hecho, me interesó más en el tema que antes.
Jean-Paul van Tillo
Curso: Machine Learning and Deep Learning
Machine Translated
Realmente disfruté de la cobertura y la profundidad de los temas.
Anirban Basu
Curso: Machine Learning and Deep Learning
Machine Translated
El capacitador explicó muy fácilmente temas difíciles y avanzados.
Leszek K
Curso: Artificial Intelligence Overview
Machine Translated
El profundo conocimiento del entrenador sobre el tema.
Sebastian Görg
Curso: Introduction to Deep Learning
Machine Translated
Enfoque muy actualizado o CPI (tensor flow, era, learn) para hacer aprendizaje automático.
Paul Lee
Curso: TensorFlow for Image Recognition
Machine Translated
Muy flexible.
Frank Ueltzhöffer
Curso: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
En general, disfruté de la flexibilidad.
Werner Philipp
Curso: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Dada la perspectiva de la tecnología: qué tecnología / proceso podría ser más importante en el futuro; mira, para qué se puede usar la tecnología.
Commerzbank AG
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Me beneficié de la selección del tema. Estilo de entrenamiento Practica la orientación.
Commerzbank AG
Curso: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Todos me gusta
蒙 李
Curso: Machine Learning Fundamentals with Python
Machine Translated
forma de conducir y ejemplo dado por el entrenador
ORANGE POLSKA S.A.
Curso: Machine Learning and Deep Learning
Machine Translated
Posibilidad de discutir los temas propuestos usted mismo
ORANGE POLSKA S.A.
Curso: Machine Learning and Deep Learning
Machine Translated
Comunicación con los conferenciantes
文欣 张
Curso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Me gusta
lisa xie
Curso: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Cobertura en profundidad de temas de aprendizaje automático, particularmente redes neuronales. Desmitificaron mucho el tema.
Sacha Nandlall
Curso: Python for Advanced Machine Learning
Machine Translated
Realmente me gustaron los ejercicios
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
los ejercicios de laboratorio
Marcell Lorant - L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
El cuaderno de Jupyter, en el que está disponible el material de entrenamiento
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
Hubo muchos ejercicios y temas interesantes.
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
algunos grandes ejercicios de laboratorio analizados y explicados por el capacitador en profundidad (p. ej., covariantes en regresión lineal, que coinciden con la función real)
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
Es genial que todo el material, incluidos los ejercicios, esté en la misma página y luego se actualice al vuelo. La solución se revela al final. ¡Guay! Además, aprecio que Krzysztof se esforzó más por comprender nuestros problemas y nos sugirió posibles técnicas.
Attila Nagy - L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
Amplio y actualizado conocimiento de ejemplos de aplicaciones líderes y prácticas.
ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
Muchos ejercicios, muy buena cooperación con el grupo.
Janusz Chrobot - ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
trabajar en colaboradores,
ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
Era obvio que los entusiastas de los temas presentados eran líderes. Usé ejemplos interesantes durante el ejercicio.
ING Bank Śląski S.A.
Curso: Introduction to Deep Learning
Machine Translated
Una amplia gama de temas cubiertos y un conocimiento sustancial de los líderes.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
falta
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Grandes conocimientos teóricos y prácticos de los profesores. La comunicatividad de los formadores. Durante el curso, podrías hacer preguntas y obtener respuestas satisfactorias.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Parte práctica, donde implementamos algoritmos. Esto permitió una mejor comprensión del tema.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Ejercicios y ejemplos implementados en ellos.
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Ejemplos y temas discutidos.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Conocimiento sustantivo, compromiso, una forma apasionada de transferir conocimiento. Ejemplos prácticos después de una conferencia teórica.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Ejercicios prácticos preparados por el Sr. Maciej.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Understanding Deep Neural Networks
Machine Translated
Me beneficié de la pasión por enseñar y centrarme en hacer que las cosas sean sensatas.
Zaher Sharifi - GOSI
Curso: Advanced Deep Learning
Machine Translated
Algunos de nuestros clientes
Aprendizaje Automático Subcategorías
Programas de los cursos Machine Learning (ML)
Nombre del Curso
Duración
Descripción General
Nombre del Curso
Duración
Descripción General
7 horas
This instructor-led, live training in Colombia (online or onsite) is aimed at software engineers or anyone who wish to learn how to use Vertex AI to perform and complete machine learning activities.
By the end of this training, participants will be able to:
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
By the end of this training, participants will be able to:
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
7 horas
AlphaFold es un sistema Artificial Intelligence (AI) que realiza la predicción de las estructuras proteicas. Está desarrollado por Alphabet’s/Google’s DeepMind como un sistema de aprendizaje profundo que puede predecir con precisión los modelos 3D de estructuras de proteínas.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a biólogos que desean entender cómo AlphaFold funciona y utiliza AlphaFold modelos como guías en sus estudios experimentales.
Al final de este curso, los participantes podrán:
Comprender los principios básicos de AlphaFold. Aprende cómo AlphaFold funciona. Aprende a interpretar AlphaFold predicciones y resultados.
Formato del curso
Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a biólogos que desean entender cómo AlphaFold funciona y utiliza AlphaFold modelos como guías en sus estudios experimentales.
Al final de este curso, los participantes podrán:
Comprender los principios básicos de AlphaFold. Aprende cómo AlphaFold funciona. Aprende a interpretar AlphaFold predicciones y resultados.
Formato del curso
Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
14 horas
Waikato Environment for Knowledge Analysis (Weka) es un software de visualización de minería de datos de código abierto. Ofrece una colección de algoritmos de aprendizaje de máquina para la preparación de datos, clasificación, clustering y otras actividades de minería de datos.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a analistas de datos y científicos de datos que desean utilizar Weka para realizar tareas de minería de datos.
Al final de este curso, los participantes podrán:
Instalar y configurar Weka Comprender el entorno y el banco de trabajo. Realizar tareas de minería de datos utilizando Weka.
Formato del curso
Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a analistas de datos y científicos de datos que desean utilizar Weka para realizar tareas de minería de datos.
Al final de este curso, los participantes podrán:
Instalar y configurar Weka Comprender el entorno y el banco de trabajo. Realizar tareas de minería de datos utilizando Weka.
Formato del curso
Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
14 horas
El objetivo de este curso es proporcionar una competencia básica en la aplicación de los métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Python y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y Validar los resultados.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
21 horas
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y de vanguardia en Python a medida que crean una serie de aplicaciones de demostración que incluyen imágenes, música, texto y datos financieros.
Al final de esta capacitación, los participantes podrán:
- Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos
- Aplicar el aprendizaje profundo y el aprendizaje semi-supervisado a aplicaciones que involucren imagen, música, texto e información financiera
- Empujar los algoritmos de Python a su máximo potencial
- Usa bibliotecas y paquetes como NumPy y Theano
Audiencia
- Desarrolladores
- Analistas
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Al final de esta capacitación, los participantes podrán:
- Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos
- Aplicar el aprendizaje profundo y el aprendizaje semi-supervisado a aplicaciones que involucren imagen, música, texto e información financiera
- Empujar los algoritmos de Python a su máximo potencial
- Usa bibliotecas y paquetes como NumPy y Theano
Audiencia
- Desarrolladores
- Analistas
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
28 horas
el objetivo de este curso es proporcionar una competencia general en la aplicación de métodos de aprendizaje automático en la práctica. Mediante el uso del lenguaje de programación Python y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo utilizar los bloques de construcción más importantes del aprendizaje automático, cómo tomar decisiones de modelado de datos, interpretar el las salidas de los algoritmos y validar los resultados.
nuestro objetivo es darle las habilidades para entender y utilizar las herramientas más fundamentales de la caja de herramientas machine learning con confianza y evitar las trampas comunes de las aplicaciones de Ciencias de la información.
nuestro objetivo es darle las habilidades para entender y utilizar las herramientas más fundamentales de la caja de herramientas machine learning con confianza y evitar las trampas comunes de las aplicaciones de Ciencias de la información.
28 horas
Este es un curso de 4 días que introduce la AI y la aplicación que utiliza el lenguaje de programación Python. Hay una opción para tener un día adicional para emprender un proyecto de inteligencia artificial al completar este curso.
21 horas
Deep Reinforcement Learning refers to the ability of an "artificial agent" to learn by trial-and-error and rewards-and-punishments. An artificial agent aims to emulate a human's ability to obtain and construct knowledge on its own, directly from raw inputs such as vision. To realize reinforcement learning, deep learning and neural networks are used. Reinforcement learning is different from machine learning and does not rely on supervised and unsupervised learning approaches.
In this instructor-led, live training, participants will learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent.
By the end of this training, participants will be able to:
- Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning
- Apply advanced Reinforcement Learning algorithms to solve real-world problems
- Build a Deep Learning Agent
Audience
- Developers
- Data Scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
In this instructor-led, live training, participants will learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent.
By the end of this training, participants will be able to:
- Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning
- Apply advanced Reinforcement Learning algorithms to solve real-world problems
- Build a Deep Learning Agent
Audience
- Developers
- Data Scientists
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
28 horas
El aprendizaje de máquina es una rama de inteligencia artificial en la que los ordenadores tienen la capacidad de aprender sin ser explícitamente programados.
El aprendizaje profundo es un subcampo de aprendizaje automático que utiliza métodos basados en las representaciones de datos de aprendizaje y estructuras como las redes neurales.
Python es un lenguaje de programación de alto nivel conocido por su sintaxe clara y la lectura de código.
En este entrenamiento guiado por instructores, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecom utilizando Python a medida que pasan por la creación de un modelo de riesgo de crédito de aprendizaje profundo.
Al final de este curso, los participantes podrán:
Comprender los conceptos fundamentales del aprendizaje profundo. Aprende las aplicaciones y los usos de la aprendizaje profunda en telecom. Utilice Python, Keras, y TensorFlow para crear modelos de aprendizaje profundo para telecom. Construye su propio modelo de predicción del cliente de aprendizaje profundo utilizando Python.
Formato del curso
Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
El aprendizaje profundo es un subcampo de aprendizaje automático que utiliza métodos basados en las representaciones de datos de aprendizaje y estructuras como las redes neurales.
Python es un lenguaje de programación de alto nivel conocido por su sintaxe clara y la lectura de código.
En este entrenamiento guiado por instructores, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecom utilizando Python a medida que pasan por la creación de un modelo de riesgo de crédito de aprendizaje profundo.
Al final de este curso, los participantes podrán:
Comprender los conceptos fundamentales del aprendizaje profundo. Aprende las aplicaciones y los usos de la aprendizaje profunda en telecom. Utilice Python, Keras, y TensorFlow para crear modelos de aprendizaje profundo para telecom. Construye su propio modelo de predicción del cliente de aprendizaje profundo utilizando Python.
Formato del curso
Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
14 horas
Embedding Projector es una aplicación web de código abierto para visualizar los datos utilizados para entrenar sistemas de aprendizaje automático. Creado por Google, es parte de TensorFlow.
Esta capacitación en vivo dirigida por un instructor presenta los conceptos detrás de Embedding Projector y guía a los participantes a través de la configuración de un proyecto de demostración.
Al final de esta capacitación, los participantes podrán:
- Explore cómo los datos se interpretan mediante modelos de aprendizaje automático
- Navegue a través de vistas 3D y 2D de datos para comprender cómo lo interpreta un algoritmo de aprendizaje automático
- Comprenda los conceptos detrás de Embeddings y su papel en la representación de vectores matemáticos para imágenes, palabras y números.
- Explore las propiedades de una incrustación específica para comprender el comportamiento de un modelo
- Aplicar Embedding Project a casos de uso del mundo real, como crear un sistema de recomendación de canciones para amantes de la música
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Esta capacitación en vivo dirigida por un instructor presenta los conceptos detrás de Embedding Projector y guía a los participantes a través de la configuración de un proyecto de demostración.
Al final de esta capacitación, los participantes podrán:
- Explore cómo los datos se interpretan mediante modelos de aprendizaje automático
- Navegue a través de vistas 3D y 2D de datos para comprender cómo lo interpreta un algoritmo de aprendizaje automático
- Comprenda los conceptos detrás de Embeddings y su papel en la representación de vectores matemáticos para imágenes, palabras y números.
- Explore las propiedades de una incrustación específica para comprender el comportamiento de un modelo
- Aplicar Embedding Project a casos de uso del mundo real, como crear un sistema de recomendación de canciones para amantes de la música
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
7 horas
Este curso ha sido creado para gerentes, arquitectos de soluciones, oficiales de innovación, CTO, arquitectos de software y todos los interesados en la visión general de la inteligencia artificial aplicada y el pronóstico más cercano para su desarrollo.
7 horas
Este curso de capacitación es para personas que deseen aplicar técnicas básicas de Aprendizaje de Máquinas en aplicaciones prácticas.
Científicos de datos y estadísticos que tienen cierta familiaridad con el aprendizaje de máquinas y saben cómo programar R. El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización. El propósito es dar una introducción práctica al aprendizaje automático a los participantes interesados en aplicar los métodos en el trabajo
Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público.
Científicos de datos y estadísticos que tienen cierta familiaridad con el aprendizaje de máquinas y saben cómo programar R. El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización. El propósito es dar una introducción práctica al aprendizaje automático a los participantes interesados en aplicar los métodos en el trabajo
Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público.
14 horas
Este curso de capacitación es para personas que deseen aplicar Aprendizaje de la Máquina en aplicaciones prácticas.
Audiencia
Este curso es para científicos de datos y estadísticos que tienen cierta familiaridad con las estadísticas y saben cómo programar R (o Python u otro idioma elegido). El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización.
El propósito es dar aplicaciones prácticas al Aprendizaje Automático a los participantes interesados en aplicar los métodos en el trabajo.
Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público.
Audiencia
Este curso es para científicos de datos y estadísticos que tienen cierta familiaridad con las estadísticas y saben cómo programar R (o Python u otro idioma elegido). El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización.
El propósito es dar aplicaciones prácticas al Aprendizaje Automático a los participantes interesados en aplicar los métodos en el trabajo.
Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público.
14 horas
El objetivo de este curso es proporcionar una competencia básica en la aplicación de los métodos de aprendizaje automático en la práctica. A través del uso de la plataforma de programación R y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar los resultados de los algoritmos y Validar los resultados.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
21 horas
Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.
21 horas
This course will be a combination of theory and practical work with specific examples used throughout the event.
21 horas
Este curso introduce métodos de aprendizaje automático en aplicaciones de robótica.
Es un amplio panorama de los métodos existentes, motivaciones e ideas principales en el contexto del reconocimiento de patrones.
Después de un breve trasfondo teórico, los participantes realizarán ejercicios sencillos usando código abierto (normalmente R) o cualquier otro software popular.
Es un amplio panorama de los métodos existentes, motivaciones e ideas principales en el contexto del reconocimiento de patrones.
Después de un breve trasfondo teórico, los participantes realizarán ejercicios sencillos usando código abierto (normalmente R) o cualquier otro software popular.
21 horas
MATLAB is a numerical computing environment and programming language developed by MathWorks.
14 horas
El objetivo de este curso es proporcionar una competencia básica en la aplicación de métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Scala y de sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y validar los resultados.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
14 horas
R es un lenguaje de programación libre de código abierto para la computación estadística, análisis de datos y gráficos. La investigación se utiliza por un número creciente de gerentes y analistas de datos dentro de las corporaciones y la academia. R tiene una amplia variedad de paquetes para la minería de datos.
21 horas
PredictionIO es un servidor de Aprendizaje de Máquina de código abierto construido sobre la pila de código abierto de última generación.
Audiencia
Este curso está dirigido a desarrolladores y científicos de datos que quieren crear motores predictivos para cualquier tarea de aprendizaje automático.
Audiencia
Este curso está dirigido a desarrolladores y científicos de datos que quieren crear motores predictivos para cualquier tarea de aprendizaje automático.
35 horas
Este curso se crea para personas que no tienen experiencia previa en probabilidades y estadísticas.
7 horas
El entorno integrado del Sistema Wolfram lo convierte en una herramienta eficiente para analizar y presentar datos. Este curso cubre aspectos del lenguaje de Wolfram relevantes para el análisis, incluido el cálculo estadístico, la visualización, la importación y exportación de datos y la generación automática de informes.
21 horas
El curso está dedicado a aquellos que deseen conocer un programa alternativo al paquete comercial de MATLAB. La capacitación de tres días proporciona información completa sobre cómo moverse por el entorno y cómo realizar el paquete OCTAVE para el análisis de datos y cálculos de ingeniería. Los destinatarios de la capacitación son principiantes, pero también aquellos que conocen el programa y desean sistematizar su conocimiento y mejorar sus habilidades. No se requiere conocimiento de otros lenguajes de programación, pero facilitará en gran medida la adquisición de conocimiento por parte de los estudiantes. El curso le mostrará cómo usar el programa en muchos ejemplos prácticos.
21 horas
Este curso de capacitación es para personas que desean aplicar Machine Learning en aplicaciones prácticas para su equipo. La capacitación no se sumergirá en tecnicismos y girará en torno a conceptos básicos y aplicaciones comerciales / operativas de la misma.
Público objetivo
- Inversores y empresarios de IA
- Gerentes e ingenieros cuya compañía se está aventurando en el espacio de IA
- Analistas e inversores Business
Público objetivo
- Inversores y empresarios de IA
- Gerentes e ingenieros cuya compañía se está aventurando en el espacio de IA
- Analistas e inversores Business
7 horas
Snorkel es un sistema para crear, modelar y gestionar rápidamente datos de entrenamiento. Se enfoca en acelerar el desarrollo de aplicaciones de extracción de datos estructuradas u "oscuras" para dominios en los que grandes conjuntos de entrenamiento etiquetados no están disponibles o son fáciles de obtener.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas para extraer valor de datos no estructurados como texto, tablas, figuras e imágenes mediante el modelado de datos de entrenamiento con Snorkel.
Al final de esta capacitación, los participantes podrán:
- Crear programáticamente conjuntos de entrenamiento para permitir el etiquetado de conjuntos de entrenamiento masivos
- Entrene modelos finales de alta calidad modelando primero conjuntos de entrenamiento ruidosos
- Use Snorkel para implementar técnicas de supervisión débiles y aplicar programación de datos a sistemas de aprendizaje automático débilmente supervisados
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas para extraer valor de datos no estructurados como texto, tablas, figuras e imágenes mediante el modelado de datos de entrenamiento con Snorkel.
Al final de esta capacitación, los participantes podrán:
- Crear programáticamente conjuntos de entrenamiento para permitir el etiquetado de conjuntos de entrenamiento masivos
- Entrene modelos finales de alta calidad modelando primero conjuntos de entrenamiento ruidosos
- Use Snorkel para implementar técnicas de supervisión débiles y aplicar programación de datos a sistemas de aprendizaje automático débilmente supervisados
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
14 horas
Encog es un marco de aprendizaje de máquina de código abierto para Java y .Net.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas de aprendizaje automático para construir modelos predictivos precisos de redes neuronales.
Al final de esta capacitación, los participantes podrán:
- Implementar diferentes técnicas de optimización de redes neuronales para resolver el ajuste insuficiente y el sobreajuste
- Comprender y elegir entre varias arquitecturas de redes neuronales
- Implementar redes supervisadas de retroalimentación y retroalimentación
Audiencia
- Desarrolladores
- Analistas
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas de aprendizaje automático para construir modelos predictivos precisos de redes neuronales.
Al final de esta capacitación, los participantes podrán:
- Implementar diferentes técnicas de optimización de redes neuronales para resolver el ajuste insuficiente y el sobreajuste
- Comprender y elegir entre varias arquitecturas de redes neuronales
- Implementar redes supervisadas de retroalimentación y retroalimentación
Audiencia
- Desarrolladores
- Analistas
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
14 horas
Encog es un marco de aprendizaje de máquina de código abierto para Java y .Net.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo crear varios componentes de redes neuronales usando ENCOG. Se discutirán estudios de casos del mundo real y se explorarán soluciones basadas en el lenguaje de máquina para estos problemas.
Al final de esta capacitación, los participantes podrán:
- Preparar datos para redes neuronales usando el proceso de normalización
- Implementar redes de feed feed y metodologías de capacitación en propagación
- Implementar tareas de clasificación y regresión
- Modelar y entrenar redes neuronales usando el banco de trabajo basado en GUI de Encog
- Integrar el soporte de redes neuronales en aplicaciones del mundo real
Audiencia
- Desarrolladores
- Analistas
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo crear varios componentes de redes neuronales usando ENCOG. Se discutirán estudios de casos del mundo real y se explorarán soluciones basadas en el lenguaje de máquina para estos problemas.
Al final de esta capacitación, los participantes podrán:
- Preparar datos para redes neuronales usando el proceso de normalización
- Implementar redes de feed feed y metodologías de capacitación en propagación
- Implementar tareas de clasificación y regresión
- Modelar y entrenar redes neuronales usando el banco de trabajo basado en GUI de Encog
- Integrar el soporte de redes neuronales en aplicaciones del mundo real
Audiencia
- Desarrolladores
- Analistas
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
21 horas
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a utilizar las técnicas correctas de aprendizaje automático y procesamiento de lenguaje natural (NLP, por sus siglas en inglés) para extraer valor de los datos basados en texto.
Al final de esta capacitación, los participantes podrán:
- Resuelva problemas de ciencias de datos basados en texto con código reutilizable de alta calidad
- Aplicar diferentes aspectos de scikit-learn (clasificación, clustering, regresión, reducción de dimensionalidad) para resolver problemas
- Cree modelos efectivos de aprendizaje automático utilizando datos basados en texto
- Crear un conjunto de datos y extraer características del texto no estructurado
- Visualice los datos con Matplotlib
- Construya y evalúe modelos para obtener información
- Solucionar problemas de errores de codificación de texto
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Al final de esta capacitación, los participantes podrán:
- Resuelva problemas de ciencias de datos basados en texto con código reutilizable de alta calidad
- Aplicar diferentes aspectos de scikit-learn (clasificación, clustering, regresión, reducción de dimensionalidad) para resolver problemas
- Cree modelos efectivos de aprendizaje automático utilizando datos basados en texto
- Crear un conjunto de datos y extraer características del texto no estructurado
- Visualice los datos con Matplotlib
- Construya y evalúe modelos para obtener información
- Solucionar problemas de errores de codificación de texto
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
14 horas
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar la pila de tecnología de iOS Machine Learning (ML) mientras avanzan en la creación e implementación de una aplicación móvil iOS.
Al final de esta capacitación, los participantes podrán:
- Cree una aplicación móvil capaz de procesar imágenes, análisis de texto y reconocimiento de voz
- Acceda a modelos de ML pre-entrenados para la integración en aplicaciones de iOS
- Crea un modelo ML personalizado
- Agregue soporte de Siri Voice a las aplicaciones de iOS
- Comprender y usar frameworks como coreML, Vision, CoreGraphics y GamePlayKit
- Utilice idiomas y herramientas como Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda y Spyder
Audiencia
- Desarrolladores
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Al final de esta capacitación, los participantes podrán:
- Cree una aplicación móvil capaz de procesar imágenes, análisis de texto y reconocimiento de voz
- Acceda a modelos de ML pre-entrenados para la integración en aplicaciones de iOS
- Crea un modelo ML personalizado
- Agregue soporte de Siri Voice a las aplicaciones de iOS
- Comprender y usar frameworks como coreML, Vision, CoreGraphics y GamePlayKit
- Utilice idiomas y herramientas como Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda y Spyder
Audiencia
- Desarrolladores
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Last Updated:
Próximos Cursos Machine Learning (ML)
Deep Learning for Telecom (with Python)
2022-07-25 09:30
28 horas
Aprendizaje profundo para la medicina
2022-07-28 09:30
14 horas
Python and Deep Learning with OpenCV 4
2022-08-18 09:30
14 horas
Deep Learning for Healthcare
2022-08-25 09:30
14 horas
Hardware-Accelerated Video Analytics
2022-08-30 09:30
14 horas
Otras regiones
Consultoría
Cursos de Fin de Semana de Machine Learning (ML), Capacitación por la Tarde de Aprendizaje Automático, Aprendizaje Automático boot camp, Clases de Machine Learning (ML), Capacitación de Fin de Semana de Machine Learning (ML), Cursos por la Tarde de Aprendizaje Automático, Machine Learning (ML) coaching, Instructor de Aprendizaje Automático, Capacitador de Machine Learning (ML), Aprendizaje Automático con instructor, Cursos de Formación de Machine Learning (ML), Machine Learning (ML) en sitio, Cursos Privados de Aprendizaje Automático, Clases Particulares de ML (Machine Learning), Capacitación empresarial de ML (Machine Learning), Talleres para empresas de Aprendizaje Automático, Cursos en linea de Machine Learning (ML), Programas de capacitación de Aprendizaje Automático, Clases de Aprendizaje Automático