Des cours de formation Deep Learning (DL) en direct, organisés à l'échelle locale, illustrent les principes fondamentaux et les applications de Deep Learning et traitent de sujets tels que l'apprentissage machine profond, l'apprentissage structuré profond et l'apprentissage hiérarchique La formation Deep Learning est disponible en tant que «formation en direct sur site» ou «formation en direct à distance» La formation en direct sur site peut être effectuée localement dans les locaux du client Belgique ou dans les centres de formation d'entreprise NobleProg à Belgique La formation en ligne à distance est réalisée au moyen d'un ordinateur de bureau interactif et distant NobleProg Votre fournisseur de formation local.
Machine Translated
Nos Clients témoignent
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Deep Learning, Niveau Avancé
Machine Translated
Les exercices sont suffisamment pratiques et ne nécessitent pas de connaissances approfondies en Python .
Alexandre GIRARD
Formation: Deep Learning, Niveau Avancé
Machine Translated
Faire des exercices sur des exemples réels en utilisant Eras. L'Italie a parfaitement compris nos attentes concernant cette formation.
Paul Kassis
Formation: Deep Learning, Niveau Avancé
Machine Translated
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
J'ai été stupéfait par la qualité de ce cours - je dirais que c'était la norme universitaire.
David Relihan
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Très bon aperçu général. Go historique des raisons pour lesquelles Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
J'ai aimé les possibilités de poser des questions et d'obtenir des explications plus approfondies de la théorie.
Sharon Ruane
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
Nous avons eu beaucoup plus d'informations sur le sujet. Une belle discussion a été faite avec certains sujets réels au sein de notre société.
Sebastiaan Holman
Formation: Machine Learning et Deep Learning
Machine Translated
La formation a fourni la bonne base qui nous permet de continuer à nous développer, en montrant comment la théorie et la pratique vont de pair. En fait, cela m'intéressait plus que par le passé.
Jean-Paul van Tillo
Formation: Machine Learning et Deep Learning
Machine Translated
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning et Deep Learning
Machine Translated
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction au Deep Learning
Machine Translated
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow pour la Reconnaissance d'Image
Machine Translated
Très souple.
Frank Ueltzhöffer
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Sous-catégories Deep Learning (DL)
Plans de cours Deep Learning (DL)
Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu
14 hours
Aperçu
Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning ) dans l'industrie Automotive . Cela aide à déterminer quelle technologie peut (potentiellement) être utilisée dans plusieurs situations de la voiture: de l'automatisation simple à la prise de décision autonome en passant par la reconnaissance d'images.
14 hours
Aperçu
TensorFlow.js is a JavaScript framework for machine learning. TensorFlow.js enables users to build and train machine learning models directly in JavaScript.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use TensorFlow.js to identify patterns and generate predictions through machine learning models.
By the end of this training, participants will be able to:
- Build and train machine learning models with TensorFlow.js.
- Run machine learning models in the browser or under Node.js.
- Retrain pre-existing machine learning models using custom data.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Aperçu
Cette session de formation en classe contiendra des présentations, des exemples informatiques et des exercices d’études de cas à entreprendre avec les bibliothèques de réseaux neuronales et profondes pertinentes.
14 hours
Aperçu
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
14 hours
Aperçu
OpenFace est un logiciel de reconnaissance faciale opensource basé sur Python et Torch basé sur la recherche FaceNet de Google Dans cette formation en ligne, les participants apprendront à utiliser les composants OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale À la fin de cette formation, les participants seront en mesure de: Travaillez avec les composants OpenFace, notamment dlib, OpenVC, Torch et nn4 pour implémenter la détection, l'alignement et la transformation des visages Appliquer OpenFace aux applications realworld telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification des clients réguliers, etc Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
7 hours
Aperçu
Au cours de cette formation en direct animée par un instructeur, les participants apprendront à configurer et à utiliser OpenNMT pour la traduction de divers ensembles de données. Le cours commence par un aperçu des réseaux de neurones appliqués à la traduction automatique. Les participants effectueront des exercices en direct tout au long du cours pour démontrer leur compréhension des concepts appris et obtenir les commentaires de l'instructeur.
À la fin de cette formation, les participants disposeront des connaissances et de la pratique nécessaires pour mettre en œuvre une solution OpenNMT direct.
Des échantillons de langue source et cible seront pré-arrangés selon les exigences du public.
Format du cours
- Partie de conférence, partie de discussion, pratique intense
À la fin de cette formation, les participants disposeront des connaissances et de la pratique nécessaires pour mettre en œuvre une solution OpenNMT direct.
Des échantillons de langue source et cible seront pré-arrangés selon les exigences du public.
Format du cours
- Partie de conférence, partie de discussion, pratique intense
14 hours
Aperçu
OpenNN est une bibliothèque de classes open-source écrite en C ++ qui implémente des réseaux de neurones, pour une utilisation en apprentissage automatique.
Dans ce cours, nous allons passer en revue les principes des réseaux de neurones et utiliser OpenNN pour implémenter un exemple d'application.
Public
Les développeurs de logiciels et les programmeurs souhaitant créer des applications d'apprentissage approfondi.
Format du cours
Lecture et discussion associées à des exercices pratiques.
Dans ce cours, nous allons passer en revue les principes des réseaux de neurones et utiliser OpenNN pour implémenter un exemple d'application.
Public
Les développeurs de logiciels et les programmeurs souhaitant créer des applications d'apprentissage approfondi.
Format du cours
Lecture et discussion associées à des exercices pratiques.
21 hours
Aperçu
PaddlePaddle (PArallel Distributed Deep LEarning) est une plateforme d'apprentissage en profondeur évolutive développée par Baidu Dans cette formation en ligne, les participants apprendront comment utiliser PaddlePaddle pour permettre un apprentissage approfondi dans leurs applications de produits et de services À la fin de cette formation, les participants seront en mesure de: Configurer et configurer PaddlePaddle Configurer un réseau neuronal convolutif (CNN) pour la reconnaissance d'image et la détection d'objets Mettre en place un réseau neuronal récurrent (RNN) pour l'analyse des sentiments Mettre en place un apprentissage en profondeur sur les systèmes de recommandation pour aider les utilisateurs à trouver des réponses Prédisez les taux de clics (CTR), classifiez les ensembles d'images à grande échelle, effectuez la reconnaissance optique des caractères (OCR), effectuez des recherches de classement, détectez les virus informatiques et implémentez un système de recommandation Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Aperçu
Dans cette formation en ligne, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus avancées de Python, tout en construisant une série d'applications de démonstration impliquant des images, de la musique, du texte et des données financières À la fin de cette formation, les participants seront en mesure de: Implémenter des algorithmes d'apprentissage automatique et des techniques pour résoudre des problèmes complexes Appliquer l'apprentissage en profondeur et l'apprentissage semi-supervisé aux applications impliquant des données d'image, de musique, de texte et financières Pousser les algorithmes Python à leur potentiel maximal Utiliser des bibliothèques et des paquets tels que NumPy et Theano Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Aperçu
Dans cette formation en direct, les participants apprendront des techniques avancées d'apprentissage automatique avec R tout en progressant dans la création d'une application Realworld À la fin de cette formation, les participants seront en mesure de: Utiliser des techniques comme l'accord hyperparamétrique et l'apprentissage profond Comprendre et mettre en œuvre des techniques d'apprentissage non supervisées Mettez un modèle en production pour l'utiliser dans une application plus grande Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Aperçu
L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique. Il utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones.
Keras est une API de réseaux de neurones de haut niveau permettant un développement et une expérimentation rapides. Il fonctionne sur TensorFlow , CNTK ou CNTK .
Cette formation en direct animée par un instructeur (sur site ou à distance) est destinée aux développeurs qui souhaitent construire une voiture autonome en utilisant des techniques d'apprentissage en profondeur.
À la fin de cette formation, les participants seront en mesure de:
- Utiliser des techniques de vision par ordinateur pour identifier les voies.
- Utilisez Keras pour construire et former des réseaux de neurones convolutionnels.
- Former un modèle d'apprentissage en profondeur pour différencier les panneaux de signalisation.
- Simulez une voiture entièrement autonome.
Format du cours
- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.
Options de personnalisation du cours
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
Keras est une API de réseaux de neurones de haut niveau permettant un développement et une expérimentation rapides. Il fonctionne sur TensorFlow , CNTK ou CNTK .
Cette formation en direct animée par un instructeur (sur site ou à distance) est destinée aux développeurs qui souhaitent construire une voiture autonome en utilisant des techniques d'apprentissage en profondeur.
À la fin de cette formation, les participants seront en mesure de:
- Utiliser des techniques de vision par ordinateur pour identifier les voies.
- Utilisez Keras pour construire et former des réseaux de neurones convolutionnels.
- Former un modèle d'apprentissage en profondeur pour différencier les panneaux de signalisation.
- Simulez une voiture entièrement autonome.
Format du cours
- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.
Options de personnalisation du cours
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
21 hours
Aperçu
SINGA est une plate-forme d'apprentissage en profondeur distribuée destinée à la formation de grands modèles d'apprentissage en profondeur sur de grands ensembles de données. Il est conçu avec un modèle de programmation intuitif basé sur l'abstraction de la couche. Une variété de modèles d'apprentissage en profondeur populaires sont pris en charge, notamment les modèles à rétroaction, y compris les réseaux de neurones convolutionnels (CNN), les modèles d'énergie tels que la machine de Boltzmann restreinte (RBM) et les réseaux de neurones récurrents (RNN). De nombreuses couches intégrées sont fournies aux utilisateurs. L'architecture SINGA est suffisamment flexible pour exécuter des cadres de formation synchrones, asynchrones et hybrides. SINGA prend également en charge différents schémas de partitionnement de réseau neuronal pour paralléliser la formation de grands modèles, à savoir le partitionnement en dimension de lot, en dimension de fonctionnalité ou en partitionnement hybride.
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Apache SINGA tant que cadre d'apprentissage approfondi.
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de SINGA
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation
Public
Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Apache SINGA tant que cadre d'apprentissage approfondi.
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de SINGA
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation
7 hours
Aperçu
Tensor2Tensor (T2T) est une bibliothèque modulaire et extensible pour la formation de modèles IA dans différentes tâches, en utilisant différents types de données d'apprentissage, par exemple: reconnaissance d'image, traduction, analyse, sous-titrage d'image et reconnaissance vocale Il est géré par l'équipe Google Brain Dans cette formation en ligne, les participants apprendront comment préparer un modèle de deepplearning pour résoudre plusieurs tâches À la fin de cette formation, les participants seront en mesure de: Installez tensor2tensor, sélectionnez un ensemble de données, entraînez et évaluez un modèle AI Personnaliser un environnement de développement en utilisant les outils et composants inclus dans Tensor2Tensor Créer et utiliser un modèle unique pour apprendre simultanément un certain nombre de tâches à partir de plusieurs domaines Utiliser le modèle pour apprendre des tâches comportant un grand nombre de données d'apprentissage et appliquer ces connaissances aux tâches pour lesquelles les données sont limitées Obtenir des résultats de traitement satisfaisants en utilisant un seul GPU Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Aperçu
TensorFlow est une bibliothèque populaire et l' apprentissage automatique mis au point par Go Ogle pour l' apprentissage en profondeur, le calcul numérique, et l' apprentissage de la machine à grande échelle. TensorFlow 2.0, publié en janvier 2019, est la dernière version de TensorFlow et inclut des améliorations en termes d'exécution, de compatibilité et de cohérence des API.
Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux experts en informatique qui souhaitent utiliser Tensorflow 2.0 pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.
À la fin de cette formation, les participants seront en mesure de:
- Installez et configurez TensorFlow 2.0.
- Comprenez les avantages de TensorFlow 2.0 par rapport aux versions précédentes.
- Construire des modèles d'apprentissage en profondeur.
- Implémenter un classificateur d'image avancé.
- Déployez un modèle d'apprentissage approfondi sur le cloud, les appareils mobiles et l'IoT.
Format du cours
- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.
Options de personnalisation du cours
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
- Pour en savoir plus sur TensorFlow , visitez le site: https://www.tensorflow.org/
Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux experts en informatique qui souhaitent utiliser Tensorflow 2.0 pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.
À la fin de cette formation, les participants seront en mesure de:
- Installez et configurez TensorFlow 2.0.
- Comprenez les avantages de TensorFlow 2.0 par rapport aux versions précédentes.
- Construire des modèles d'apprentissage en profondeur.
- Implémenter un classificateur d'image avancé.
- Déployez un modèle d'apprentissage approfondi sur le cloud, les appareils mobiles et l'IoT.
Format du cours
- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.
Options de personnalisation du cours
- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.
- Pour en savoir plus sur TensorFlow , visitez le site: https://www.tensorflow.org/
21 hours
Aperçu
TensorFlow Lite is an open source deep learning framework for executing models on mobile and embedded devices with limited compute and memory resources.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to deploy deep learning models on embedded devices.
By the end of this training, participants will be able to:
- Install and configure Tensorflow Lite on an embedded device.
- Understand the concepts and components underlying TensorFlow Lite.
- Convert existing machine learning models to TensorFlow Lite format for execution on embedded devices.
- Work within the limitations of small devices and TensorFlow Lite, while learning how to expand their default capabilities.
- Deploy deep learning models on embedded devices running Linux to solve physical world problems such as recognizing images and voice, predicting patterns, and initiating movements and responses from robots and other embedded systems in the field.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Aperçu
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.
By the end of this training, participants will be able to:
- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Aperçu
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow, machine learning and deep learning.
- Load TensorFlow Models onto an Android device.
- Enable deep learning and machine learning functionality such as computer vision and natural language recognition in a mobile application.
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.
- To learn more about TensorFlow, please visit: https://www.tensorflow.org/lite/
21 hours
Aperçu
TensorFlow Lite is an open source deep learning framework for mobile devices and embedded systems.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to use TensorFlow Lite to develop iOS mobile applications with deep learning capabilities.
By the end of this training, participants will be able to:
- Install and configure TensorFlow Lite.
- Understand the principles behind TensorFlow and machine learning on mobile devices.
- Load TensorFlow Models onto an iOS device.
- Run an iOS application capable of detecting and classifying an object captured through the device's camera.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Aperçu
TensorFlow Lite for Microcontrollers is a port of TensorFlow Lite designed to run machine learning models on microcontrollers and other devices with limited memory.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at engineers who wish to write, load and run machine learning models on very small embedded devices.
By the end of this training, participants will be able to:
- Install TensorFlow Lite.
- Load machine learning models onto an embedded device to enable it to detect speech, classify images, etc.
- Add AI to hardware devices without relying on network connectivity.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
7 hours
Aperçu
TensorFlow Serving est un système destiné à servir les modèles d'apprentissage automatique (ML) à la production Dans cette formation en ligne, les participants apprendront comment configurer et utiliser TensorFlow Serving pour déployer et gérer des modèles ML dans un environnement de production À la fin de cette formation, les participants seront en mesure de: Former, exporter et servir divers modèles TensorFlow Tester et déployer des algorithmes à l'aide d'une architecture unique et d'un ensemble d'API Étendre TensorFlow Serving pour servir d'autres types de modèles au-delà des modèles TensorFlow Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Aperçu
TensorFlow est une API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Le système est conçu pour faciliter la recherche en apprentissage automatique et faciliter la transition rapide d'un prototype de recherche à un système de production.
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation
28 hours
Aperçu
Ce cours explore, avec des exemples spécifiques, l’application de Tensor Flow aux objectifs de la reconnaissance d’image.
Public
Ce cours est destiné aux ingénieurs qui souhaitent utiliser TensorFlow aux fins de la reconnaissance d'image.
Une fois ce cours terminé, les délégués seront en mesure de:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- effectuer des tâches d'installation / environnement de production / architecture et configuration
- évaluer la qualité du code, effectuer le débogage, la surveillance
- implémenter une production avancée telle que des modèles de formation, la création de graphiques et l'enregistrement
Public
Ce cours est destiné aux ingénieurs qui souhaitent utiliser TensorFlow aux fins de la reconnaissance d'image.
Une fois ce cours terminé, les délégués seront en mesure de:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- effectuer des tâches d'installation / environnement de production / architecture et configuration
- évaluer la qualité du code, effectuer le débogage, la surveillance
- implémenter une production avancée telle que des modèles de formation, la création de graphiques et l'enregistrement
21 hours
Aperçu
TensorFlow Extended (TFX) is an end-to-end platform for deploying production ML pipelines.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go from training a single ML model to deploying many ML models to production.
By the end of this training, participants will be able to:
- Install and configure TFX and supporting third-party tools.
- Use TFX to create and manage a complete ML production pipeline.
- Work with TFX components to carry out modeling, training, serving inference, and managing deployments.
- Deploy machine learning features to web applications, mobile applications, IoT devices and more.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
21 hours
Aperçu
Torch est une bibliothèque d'apprentissage automatique à code source ouvert et un framework informatique scientifique basé sur le Lua programmation Lua . Il fournit un environnement de développement pour la numérique, l'apprentissage automatique et la vision par ordinateur, avec un accent particulier sur l'apprentissage en profondeur et les réseaux de convolution. Il est l' un des plus rapides et des cadres les plus flexibles pour la machine et l' Deep Learning en Facebook Go Deep Learning et est utilisé par des entreprises telles que Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel, et beaucoup d' autres.
Dans cette formation en direct dirigée par un instructeur, nous couvrons les principes de la Torch , ses caractéristiques uniques et son application possible dans des applications réelles. Nous effectuons de nombreux exercices pratiques tout au long de la démonstration et de la mise en pratique des concepts appris.
À la fin du cours, les participants auront une compréhension approfondie des fonctionnalités et des capacités sous-jacentes de Torch , ainsi que de son rôle et de sa contribution au sein de l'espace d'intelligence artificielle, par rapport à d'autres frameworks et bibliothèques. Les participants auront également reçu la pratique nécessaire pour mettre en œuvre Torch dans leurs propres projets.
Format du cours
- Vue d'ensemble de l' Deep Learning machine et en Deep Learning
- Exercices de codage et d'intégration en classe
- Questions de test semées le long du chemin pour vérifier la compréhension
Dans cette formation en direct dirigée par un instructeur, nous couvrons les principes de la Torch , ses caractéristiques uniques et son application possible dans des applications réelles. Nous effectuons de nombreux exercices pratiques tout au long de la démonstration et de la mise en pratique des concepts appris.
À la fin du cours, les participants auront une compréhension approfondie des fonctionnalités et des capacités sous-jacentes de Torch , ainsi que de son rôle et de sa contribution au sein de l'espace d'intelligence artificielle, par rapport à d'autres frameworks et bibliothèques. Les participants auront également reçu la pratique nécessaire pour mettre en œuvre Torch dans leurs propres projets.
Format du cours
- Vue d'ensemble de l' Deep Learning machine et en Deep Learning
- Exercices de codage et d'intégration en classe
- Questions de test semées le long du chemin pour vérifier la compréhension
7 hours
Aperçu
L'unité de traitement Tensor (TPU) est l'architecture que Google a utilisée en interne depuis plusieurs années, et est maintenant en train de devenir disponible pour une utilisation par le grand public Il inclut plusieurs optimisations spécifiquement destinées à être utilisées dans les réseaux neuronaux, y compris la multiplication simplifiée de matrices, et des entiers à 8 bits au lieu de 16 bits afin de renvoyer des niveaux de précision appropriés Dans cette formation en direct, les participants apprendront à tirer parti des innovations des processeurs TPU pour optimiser les performances de leurs propres applications IA À la fin de la formation, les participants seront en mesure de: Former différents types de réseaux de neurones sur de grandes quantités de données Utilisez des TPU pour accélérer le processus d'inférence jusqu'à deux ordres de grandeur Utiliser des TPU pour traiter des applications intensives telles que la recherche d'images, la vision nuageuse et les photos Public Développeurs Des chercheurs Ingénieurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
35 hours
Aperçu
TensorFlow ™ est une bibliothèque de logiciels open source pour le calcul numérique utilisant des graphiques de flux de données.
SyntaxNet est une structure de traitement de langage naturel par réseau de neurones pour TensorFlow .
Word 2Vec est utilisé pour l'apprentissage des représentations vectorielles de mots, appelées "imbrications de mots". Word 2vec est un modèle prédictif particulièrement efficace en calcul pour l’intégration de mots à partir de texte brut. Il se décline en deux saveurs, le sac-of-continu Word modèle s (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.).
Utilisés en tandem, SyntaxNet et Word 2Vec permettent aux utilisateurs de générer des modèles d’apprentissage intégré à partir de l’entrée en langage naturel.
Public
Ce cours est destiné aux développeurs et aux ingénieurs souhaitant travailler avec les modèles SyntaxNet et Word 2Vec dans leurs graphiques TensorFlow .
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation
SyntaxNet est une structure de traitement de langage naturel par réseau de neurones pour TensorFlow .
Word 2Vec est utilisé pour l'apprentissage des représentations vectorielles de mots, appelées "imbrications de mots". Word 2vec est un modèle prédictif particulièrement efficace en calcul pour l’intégration de mots à partir de texte brut. Il se décline en deux saveurs, le sac-of-continu Word modèle s (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.).
Utilisés en tandem, SyntaxNet et Word 2Vec permettent aux utilisateurs de générer des modèles d’apprentissage intégré à partir de l’entrée en langage naturel.
Public
Ce cours est destiné aux développeurs et aux ingénieurs souhaitant travailler avec les modèles SyntaxNet et Word 2Vec dans leurs graphiques TensorFlow .
Une fois ce cours terminé, les délégués:
- comprendre la structure et les mécanismes de déploiement de TensorFlow
- être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
- être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
- être capable de mettre en œuvre une production avancée telle que des modèles de formation, des conditions d'intégration, la création de graphiques et la journalisation
35 hours
Aperçu
Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et plus généralement sur les algorithmes d'apprentissage automatique, d'apprentissage approfondi (algorithmes et applications).
La partie 1 (40%) de cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
La partie 2 (20%) de cette formation présente Theano, une bibliothèque python qui facilite l’écriture de modèles d’apprentissage approfondi.
La partie 3 (40%) de la formation serait largement basée sur Tensorflow - API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Les exemples et handson seraient tous fabriqués dans TensorFlow .
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
Une fois ce cours terminé, les délégués:
-
avoir une bonne compréhension des réseaux de neurones profonds (DNN), CNN et RNN
-
comprendre la structure et les mécanismes de déploiement de TensorFlow
-
être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
-
être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
-
être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation
La partie 1 (40%) de cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.
La partie 2 (20%) de cette formation présente Theano, une bibliothèque python qui facilite l’écriture de modèles d’apprentissage approfondi.
La partie 3 (40%) de la formation serait largement basée sur Tensorflow - API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Les exemples et handson seraient tous fabriqués dans TensorFlow .
Public
Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .
Une fois ce cours terminé, les délégués:
-
avoir une bonne compréhension des réseaux de neurones profonds (DNN), CNN et RNN
-
comprendre la structure et les mécanismes de déploiement de TensorFlow
-
être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
-
être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
-
être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation
14 hours
Aperçu
Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
28 hours
Aperçu
Ce cours vous donnera des connaissances sur les réseaux de neurones et plus généralement sur les algorithmes d’apprentissage automatique, d’apprentissage approfondi (algorithmes et applications).
Cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la technologie TensorFlow : TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Les exemples sont réalisés dans TensorFlow .
Cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la technologie TensorFlow : TensorFlow , Caffe , Teano, DeepDrive, Keras , etc. Les exemples sont réalisés dans TensorFlow .
21 hours
Aperçu
Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )
Prochains cours DL (Deep Learning)
2020-10-08 09:30:00
14 heures
2020-10-27 09:30:00
14 heures
2020-12-22 09:30:00
14 heures
2021-02-11 09:30:00
14 heures
2021-04-06 09:30:00
14 heures
Other countries
Conseil
Weekend DL (Deep Learning) cours, Soir DL (Deep Learning) formation, DL (Deep Learning) stage d’entraînement, DL (Deep Learning) formateur à distance, DL (Deep Learning) formateur en ligne, Deep Learning (DL) formateur Online, Deep Learning cours en ligne, DL (Deep Learning) cours à distance, DL (Deep Learning) professeur à distance, DL (Deep Learning) visioconférence, Deep Learning (DL) stage d’entraînement intensif, Deep Learning (DL) formation accélérée, Deep Learning (DL) formation intensive, Formation inter Deep Learning (DL), Formation intra Deep Learning (DL), Formation intra Enteprise DL (Deep Learning), Formation inter Entreprise Deep Learning, Weekend Deep Learning (DL) formation, Soir Deep Learning (DL) cours, Deep Learning (DL) coaching, DL (Deep Learning) entraînement, Deep Learning préparation, Deep Learning instructeur, Deep Learning professeur, DL (Deep Learning) formateur, DL (Deep Learning) stage de formation, Deep Learning cours, DL (Deep Learning) sur place, DL (Deep Learning) formations privées, Deep Learning (DL) formation privée, Deep Learning (DL) cours particulier, DL (Deep Learning) cours particuliers
.png "european central bank (ecb)")
.png "new york stock exchange (nyse)")
_ireland.gif "environmental protection agency (epa) ireland")
.jpg "european southern observatory (eso)")
