Capacitación en Red Neuronal Artificial -un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Los cursos locales de capacitación en redes neuronales demuestran a través de debates interactivos y practican cómo construir redes neuronales utilizando una serie de kits de herramientas y bibliotecas, principalmente de código abierto, y cómo utilizar la potencia del hardware avanzado (GPU) y las técnicas de optimización que involucran computación distribuida y Big Data Nuestros cursos de la red neuronal se basan en lenguajes de programación populares como Python, Java, lenguaje R y potentes bibliotecas, que incluyen TensorFlow, Torch, Caffe, Theano y más Nuestros cursos sobre redes neuronales cubren tanto la teoría como la implementación mediante varias implementaciones de redes neuronales, como redes neuronales profundas (DNN), redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN). La capacitación en Red Neuronal está disponible en dos modalidades: "presencial en vivo" y "remota en vivo"; la primera se puede llevar a cabo localmente en las instalaciones del cliente en Colombia o en los centros de capacitación corporativa de NobleProg en Colombia, la segunda se lleva a cabo a través de un escritorio remoto interactivo.
NobleProg -- Su Proveedor Local de Capacitación
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
Ann creó un excelente entorno para hacer preguntas y aprender. Nos divertimos mucho y también aprendimos mucho al mismo tiempo.
Gudrun Bickelq
Curso: Introduction to the use of neural networks
Machine Translated
La parte interactiva, adaptada a nuestras necesidades específicas.
Thomas Stocker
Curso: Introduction to the use of neural networks
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
El capacitador explicó muy fácilmente temas difíciles y avanzados.
Leszek K
Curso: Artificial Intelligence Overview
Machine Translated
Me gustaron las nuevas ideas en el aprendizaje automático profundo.
Josip Arneric
Curso: Neural Network in R
Machine Translated
Obtuvimos algunos conocimientos sobre NN en general, y lo que fue más interesante para mí fueron los nuevos tipos de NN que son populares hoy en día.
Tea Poklepovic
Curso: Neural Network in R
Machine Translated
Disfruté sobre todo los gráficos en R :))).
Faculty of Economics and Business Zagreb
Curso: Neural Network in R
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
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
una gran cantidad de ejercicios que puedo usar directamente en mi trabajo.
Alior Bank S.A.
Curso: Sieci Neuronowe w R
Machine Translated
Ejemplos de datos reales.
Alior Bank S.A.
Curso: Sieci Neuronowe w R
Machine Translated
neuralnet, pROC en un bucle.
Alior Bank S.A.
Curso: Sieci Neuronowe w R
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
Los intercambios informales que tuvimos durante las conferencias realmente me ayudaron a profundizar mi comprensión del tema
Explore
Curso: Deep Reinforcement Learning with Python
Machine Translated
El capacitador era un profesional en el campo temático y teoría relacionada con una aplicación excelente.
Fahad Malalla - Tatweer Petroleum
Curso: Applied AI from Scratch in Python
Machine Translated
temas, actitud amistosa del presentador
Fujitsu Technology Solutions Sp. z o.o.
Curso: Artificial Intelligence Overview
Machine Translated
Algunos de nuestros clientes
Red Neuronal Artificial Subcategorías
Programas de los cursos Red Neuronal Artificial
Nombre del Curso
Duración
Descripción General
Nombre del Curso
Duración
Descripción General
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
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
El curso está dirigido para las personas que quieren aprender lo básico de neural networks y sus aplicaciones.
14 horas
Este curso es una introducción a la aplicación de redes neuronales en problemas del mundo real utilizando el software R-project.
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.
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
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.
35 horas
Este curso se crea para personas que no tienen experiencia previa en probabilidades y estadísticas.
14 horas
This course covers AI (emphasizing Machine Learning and Deep Learning) in Automotive Industry. It helps to determine which technology can be (potentially) used in multiple situation in a car: from simple automation, image recognition to autonomous decision making.
28 horas
Este curso le proporcionará conocimientos en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).
Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow.
Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow.
21 horas
Este curso proporciona una introducción en el campo del reconocimiento de patrones y el aprendizaje automático. Se trata de aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática.
El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos.
Audiencia
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales
El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos.
Audiencia
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales
21 horas
La inteligencia artificial, después de haber molestó a muchos campos científicos, comenzó a revolucionar una amplia gama de sectores económicos (industria, la medicina, comunicaciones, etc.). Sin embargo, su presentación en los principales medios de comunicación a menudo es una fantasía, muy lejos de lo que realmente son las áreas de aprendizaje automático y Deep aprendizaje. El objetivo de esta formación es proporcionar a los ingenieros con conocimientos de computación (incluyendo la programación de software basado en) una introducción al aprendizaje profundo y sus diferentes áreas de especialización y por lo tanto las principales arquitecturas de red existentes Hoy. Si los fundamentos matemáticos se recuerdan durante el curso, se recomienda un tipo de nivel de alcoholemia matemática + 2 para una mayor comodidad. Es posible en absoluto ignorar el eje matemático para mantener sólo una visión "sistema", pero este enfoque limita en gran medida su comprensión del tema.
7 horas
La Unidad de Procesamiento de Tensor (TPU) es la arquitectura que Google ha utilizado internamente durante varios años y ahora está disponible para el público en general. Incluye varias optimizaciones específicamente para su uso en redes neuronales, incluida la multiplicación simplificada de matrices, y enteros de 8 bits en lugar de 16 bits para devolver niveles adecuados de precisión.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de inteligencia artificial.
Al final de la capacitación, los participantes podrán:
- Entrenar varios tipos de redes neuronales en grandes cantidades de datos
- Use TPU para acelerar el proceso de inferencia hasta en dos órdenes de magnitud
- Utilice TPU para procesar aplicaciones intensivas, como búsqueda de imágenes, visión en la nube y fotos
Audiencia
- Desarrolladores
- Investigadores
- Ingenieros
- 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 aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de inteligencia artificial.
Al final de la capacitación, los participantes podrán:
- Entrenar varios tipos de redes neuronales en grandes cantidades de datos
- Use TPU para acelerar el proceso de inferencia hasta en dos órdenes de magnitud
- Utilice TPU para procesar aplicaciones intensivas, como búsqueda de imágenes, visión en la nube y fotos
Audiencia
- Desarrolladores
- Investigadores
- Ingenieros
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
21 horas
Microsoft Cognitive Toolkit 2.x (anteriormente CNTK) es un juego de herramientas de código abierto de grado comercial que entrena algoritmos de aprendizaje profundo para aprender como el cerebro humano. Según Microsoft, CNTK puede ser 5-10 veces más rápido que TensorFlow en redes recurrentes, y de 2 a 3 veces más rápido que TensorFlow para tareas relacionadas con imágenes.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Microsoft Cognitive Toolkit para crear, entrenar y evaluar algoritmos de aprendizaje profundo para su uso en aplicaciones de AI comerciales que involucren múltiples tipos de datos tales como datos, voz, texto e imágenes.
Al final de esta capacitación, los participantes podrán:
- Acceda a CNTK como una biblioteca desde un programa de Python, C # o C ++
- Use CNTK como una herramienta independiente de aprendizaje automático a través de su propio lenguaje de descripción de modelo (BrainScript)
- Utilice la funcionalidad de evaluación del modelo CNTK de un programa Java
- Combinar DNN de feed-forward, redes convolucionales (CNN) y redes recurrentes (RNNs / LSTM)
- Escala de capacidad de cálculo en CPU, GPU y múltiples máquinas
- Acceda a conjuntos de datos masivos utilizando los lenguajes de programación y algoritmos existentes
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Nota
- Si desea personalizar cualquier parte de esta capacitación, incluido el lenguaje de programación que prefiera, contáctenos para organizarlo.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Microsoft Cognitive Toolkit para crear, entrenar y evaluar algoritmos de aprendizaje profundo para su uso en aplicaciones de AI comerciales que involucren múltiples tipos de datos tales como datos, voz, texto e imágenes.
Al final de esta capacitación, los participantes podrán:
- Acceda a CNTK como una biblioteca desde un programa de Python, C # o C ++
- Use CNTK como una herramienta independiente de aprendizaje automático a través de su propio lenguaje de descripción de modelo (BrainScript)
- Utilice la funcionalidad de evaluación del modelo CNTK de un programa Java
- Combinar DNN de feed-forward, redes convolucionales (CNN) y redes recurrentes (RNNs / LSTM)
- Escala de capacidad de cálculo en CPU, GPU y múltiples máquinas
- Acceda a conjuntos de datos masivos utilizando los lenguajes de programación y algoritmos existentes
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Nota
- Si desea personalizar cualquier parte de esta capacitación, incluido el lenguaje de programación que prefiera, contáctenos para organizarlo.
21 horas
PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios.
Al final de esta capacitación, los participantes podrán:
- Configurar y configurar PaddlePaddle
- Configure una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos
- Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos
- Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas
- Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones.
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 a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios.
Al final de esta capacitación, los participantes podrán:
- Configurar y configurar PaddlePaddle
- Configure una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos
- Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos
- Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas
- Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones.
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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
14 horas
In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
35 horas
Este curso comienza con la entrega de conocimientos conceptuales en redes neuronales y, en general, en el algoritmo de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).
Parte-1 (40%) de esta capacitación se centra más en los fundamentos, pero te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.
La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil.
Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow.
Audiencia
Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.
Después de completar este curso, los delegados:
- tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
- comprender la estructura y los mecanismos de despliegue de TensorFlow
- ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura
- ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo
- ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro
No todos los temas se cubrirán en un salón de clases público con 35 horas de duración debido a la inmensidad del tema.
La duración del curso completo será de alrededor de 70 horas y no de 35 horas.
Parte-1 (40%) de esta capacitación se centra más en los fundamentos, pero te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.
La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil.
Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow.
Audiencia
Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.
Después de completar este curso, los delegados:
- tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
- comprender la estructura y los mecanismos de despliegue de TensorFlow
- ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura
- ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo
- ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro
No todos los temas se cubrirán en un salón de clases público con 35 horas de duración debido a la inmensidad del tema.
La duración del curso completo será de alrededor de 70 horas y no de 35 horas.
14 horas
Esta sesión de capacitación basada en el aula contendrá presentaciones y ejemplos basados en computadora y ejercicios de estudio de caso para emprender con bibliotecas de redes neurales y profundas relevantes
28 horas
This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course.
21 horas
La mecatrónica (también conocida como ingeniería mecatrónica) es una combinación de mecánica, electrónica y ciencias de la computación.
Este entrenamiento en vivo (en el sitio o remoto) dirigido por un instructor está dirigido a ingenieros que desean aprender sobre la aplicabilidad de la inteligencia artificial a los sistemas mecatrónicos.
Al final de esta capacitación, los participantes podrán:
- Obtenga una visión general de la inteligencia artificial, el aprendizaje automático y la inteligencia computacional.
- Comprender los conceptos de redes neuronales y diferentes métodos de aprendizaje.
- Elegir enfoques de inteligencia artificial de manera efectiva para problemas de la vida real.
- Implementar aplicaciones de inteligencia artificial en ingeniería mecatrónica.
Formato del Curso
- Conferencia interactiva y discusión.
- Muchos ejercicios y practicas.
- Implementación práctica en un entorno de laboratorio en vivo.
Opciones de personalización del curso
- Para solicitar una capacitación personalizada para este curso, contáctenos para concertar una cita.
Este entrenamiento en vivo (en el sitio o remoto) dirigido por un instructor está dirigido a ingenieros que desean aprender sobre la aplicabilidad de la inteligencia artificial a los sistemas mecatrónicos.
Al final de esta capacitación, los participantes podrán:
- Obtenga una visión general de la inteligencia artificial, el aprendizaje automático y la inteligencia computacional.
- Comprender los conceptos de redes neuronales y diferentes métodos de aprendizaje.
- Elegir enfoques de inteligencia artificial de manera efectiva para problemas de la vida real.
- Implementar aplicaciones de inteligencia artificial en ingeniería mecatrónica.
Formato del Curso
- Conferencia interactiva y discusión.
- Muchos ejercicios y practicas.
- Implementación práctica en un entorno de laboratorio en vivo.
Opciones de personalización del curso
- Para solicitar una capacitación personalizada para este curso, contáctenos para concertar una cita.
14 horas
Un sistema de recomendación es un proceso de filtración de información que predice las preferencias del usuario. Python se puede utilizar para programar sistemas de aprendizaje profundo, aprendizaje mecánico y redes neurales para ayudar a los usuarios a descubrir nuevos productos y contenidos.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a científicos de datos que desean utilizar Python para construir sistemas de recomendación.
Al final de este curso, los participantes podrán:
Crear sistemas de recomendación a escala. Aplique filtros colaborativos para construir sistemas de recomendación. Utilice Apache Spark para calcular los sistemas de recomendación en los clusters. Crea un marco para probar los algoritmos de recomendación con 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.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a científicos de datos que desean utilizar Python para construir sistemas de recomendación.
Al final de este curso, los participantes podrán:
Crear sistemas de recomendación a escala. Aplique filtros colaborativos para construir sistemas de recomendación. Utilice Apache Spark para calcular los sistemas de recomendación en los clusters. Crea un marco para probar los algoritmos de recomendación con 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
This instructor-led, live training in Colombia (online or onsite) is aimed at researchers and developers who wish to use Chainer to build and train neural networks in Python while making the code easy to debug.
By the end of this training, participants will be able to:
- Set up the necessary development environment to start developing neural network models.
- Define and implement neural network models using a comprehensible source code.
- Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
By the end of this training, participants will be able to:
- Set up the necessary development environment to start developing neural network models.
- Define and implement neural network models using a comprehensible source code.
- Execute examples and modify existing algorithms to optimize deep learning training models while leveraging GPUs for high performance.
14 horas
OpenNN es una biblioteca de clases de código abierto escrita en C ++ que implementa redes neuronales para su uso en aprendizaje automático.
En este curso repasaremos los principios de las redes neuronales y utilizaremos OpenNN para implementar una aplicación de muestra.
Audiencia
Desarrolladores de software y programadores que deseen crear aplicaciones de Deep Learning.
Formato del curso
Conferencia y discusión junto con ejercicios prácticos.
En este curso repasaremos los principios de las redes neuronales y utilizaremos OpenNN para implementar una aplicación de muestra.
Audiencia
Desarrolladores de software y programadores que deseen crear aplicaciones de Deep Learning.
Formato del curso
Conferencia y discusión junto con ejercicios prácticos.
Last Updated:
Próximos Cursos Red Neuronal Artificial
Applied AI from Scratch
2022-07-18 09:30
28 horas
Applied AI from Scratch in Python
2022-07-18 09:30
28 horas
Computación Neuronal - Ciencia de Datos
2022-07-20 09:30
14 horas
Comprender las Redes Neuronales Profundas
2022-08-01 09:30
35 horas
Aprendizaje de refuerzo profundo con Python
2022-08-15 09:30
21 horas
Otras regiones
Consultoría
Cursos de Fin de Semana de Red Neuronal Artificial, Capacitación por la Tarde de Red Neuronal Artificial, Red Neuronal Artificial boot camp, Clases de Red Neuronal Artificial, Capacitación de Fin de Semana de Red Neuronal Artificial, Cursos por la Tarde de Red Neuronal Artificial, Red Neuronal Artificial coaching, Instructor de Red Neuronal Artificial, Capacitador de Red Neuronal Artificial, Red Neuronal Artificial con instructor, Cursos de Formación de Red Neuronal Artificial, Red Neuronal Artificial en sitio, Cursos Privados de Red Neuronal Artificial, Clases Particulares de Red Neuronal Artificial, Capacitación empresarial de Red Neuronal Artificial, Talleres para empresas de Red Neuronal Artificial, Cursos en linea de Red Neuronal Artificial, Programas de capacitación de Red Neuronal Artificial, Clases de Red Neuronal ArtificialCursos de Fin de Semana de Neural Networks, Capacitación por la Tarde de Neural Networks, Neural Networks boot camp, Clases de Neural Networks, Capacitación de Fin de Semana de Neural Networks, Cursos por la Tarde de Neural Networks, Neural Networks coaching, Instructor de Neural Networks, Capacitador de Neural Networks, Neural Networks con instructor, Cursos de Formación de Neural Networks, Neural Networks en sitio, Cursos Privados de Neural Networks, Clases Particulares de Neural Networks, Capacitación empresarial de Neural Networks, Talleres para empresas de Neural Networks, Cursos en linea de Neural Networks, Programas de capacitación de Neural Networks, Clases de Neural Networks