Formation Deep Learning en Belgique

Cette formation en direct avec instructeur en Belgique (en ligne ou sur site) est destinée aux professionnels de la finance de niveau intermédiaire, aux développeurs fintech et aux spécialistes de l'IA qui souhaitent mettre en œuvre des solutions Edge AI dans les services financiers.À l'issue de cette formation, les participants seront en mesure de :

• Comprendre le rôle de l'Edge AI dans les services financiers.
• Mettre en œuvre des systèmes de détection de la fraude à l'aide de l'Edge AI.
• Améliorer le service à la clientèle grâce à des solutions basées sur l'IA.
• Appliquer l'Edge AI pour la gestion des risques et la prise de décision.
• Déployer et gérer des solutions Edge AI dans des environnements financiers.

Cette formation en direct avec instructeur en Belgique (en ligne ou sur site) est destinée aux ingénieurs industriels de niveau intermédiaire, aux professionnels de la fabrication et aux développeurs d'IA qui souhaitent mettre en œuvre des solutions Edge AI dans le domaine de l'automatisation industrielle.À l'issue de cette formation, les participants seront en mesure de :

• Comprendre le rôle de l'Edge AI dans l'automatisation industrielle.
• Mettre en œuvre des solutions de maintenance prédictive à l'aide de l'Edge AI.
• Appliquer des techniques d'IA pour le contrôle de la qualité dans les processus de fabrication.
• Optimiser les processus industriels à l'aide de l'Edge AI.
• Déployer et gérer des solutions Edge AI dans des environnements industriels.

Cette formation en direct, animée par un instructeur, à Belgique (en ligne ou sur site), s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et compétences en apprentissage profond. pour la génération de texte en image.A la fin de cette formation, les participants seront capables de :

Comprendre les architectures et techniques avancées d'apprentissage en profondeur pour la génération de texte en image. Implémentez des modèles et des optimisations complexes pour une synthèse d’images de haute qualité. Optimisez les performances et l’évolutivité pour les grands ensembles de données et les modèles complexes. Ajustez les hyperparamètres pour améliorer les performances et la généralisation du modèle. Intégrer Stable Diffusion à d'autres cadres et outils d'apprentissage en profondeur

Cette formation en direct avec instructeur à Belgique (en ligne ou sur site) est destinée aux développeurs d'IA de niveau intermédiaire, aux ingénieurs en apprentissage automatique et aux architectes de système qui souhaitent optimiser les modèles d'IA pour le déploiement en périphérie.À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les défis et les exigences liés au déploiement de modèles d'IA sur des appareils périphériques.
• Appliquer des techniques de compression de modèles pour réduire la taille et la complexité des modèles d'IA.
• Utiliser des méthodes de quantification pour améliorer l'efficacité des modèles sur le matériel périphérique.
• Mettre en œuvre des techniques d'élagage et d'autres techniques d'optimisation pour améliorer les performances des modèles.
• Déployer des modèles d'IA optimisés sur divers appareils périphériques.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) s'adresse aux data scientists et ingénieurs en apprentissage automatique de niveau débutant à intermédiaire qui souhaitent améliorer les performances de leurs modèles d'apprentissage profond. A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de l'apprentissage profond distribué.
• Installer et configurer DeepSpeed.
• Mettre à l'échelle des modèles d'apprentissage profond sur du matériel distribué à l'aide de DeepSpeed.
• Mettre en œuvre et expérimenter les fonctionnalités de DeepSpeed pour l'optimisation et l'efficacité de la mémoire.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser des modèles de langage à grande échelle pour diverses tâches de langage naturel. A l'issue de cette formation, les participants seront capables de :

Mettre en place un environnement de développement qui inclut un LLM populaire. Créer un LLM de base et l'affiner sur un ensemble de données personnalisé. Utiliser les LLM pour différentes tâches de langage naturel telles que le résumé de texte, la réponse aux questions, la génération de texte, etc. Déboguer et évaluer les LLM à l'aide d'outils tels que TensorBoard, PyTorch Lightning et Hugging Face Datasets.

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation. A l'issue de cette formation, les participants seront capables de :

Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images. Construire et entraîner des modèles Stable Diffusion pour les tâches de génération d'images. Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image. Optimiser les performances et la stabilité des modèles Stable Diffusion.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur place) s'adresse aux biologistes qui souhaitent comprendre le fonctionnement de AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales. A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de base de AlphaFold.
• Apprendre comment AlphaFold fonctionne.
• Apprendre à interpréter les prédictions et les résultats de AlphaFold.

Cette formation en direct dans Belgique (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire, aux scientifiques des données et aux praticiens de l'IA qui souhaitent tirer parti de TensorFlow Lite pour les applications d'IA de pointe.À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes fondamentaux de TensorFlow Lite et son rôle dans l'Edge AI.
• Développer et optimiser des modèles d'IA à l'aide de TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils périphériques.
• Utiliser des outils et des techniques pour la conversion et l'optimisation des modèles.
• Mettre en œuvre des applications pratiques d'Edge AI à l'aide de TensorFlow Lite.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus récentes en Python en construisant une série d'applications de démonstration impliquant des images, de la musique, du texte et des données financières. A l'issue de cette formation, les participants seront capables de :

• Mettre en œuvre des algorithmes et des techniques d'apprentissage automatique pour résoudre des problèmes complexes.
• Appliquer l'apprentissage profond et l'apprentissage semi-supervisé à des applications impliquant des images, de la musique, du texte et des données financières.
• Pousser les algorithmes Python au maximum de leur potentiel.
• Utiliser des bibliothèques et des packages tels que NumPy et Theano.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux data scientists qui souhaitent apprendre les fondamentaux du Deep Reinforcement Learning en créant un agent d'apprentissage profond (Deep Learning Agent). A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts clés de l'apprentissage profond Reinforcement Learning et être capable de le distinguer de l'apprentissage automatique.
• Appliquer des algorithmes Reinforcement Learning avancés pour résoudre des problèmes réels.
• Construire un agent d'apprentissage profond.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour les télécommunications à l'aide de Python, en procédant à la création d'un modèle de risque de crédit d'apprentissage profond. A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de l'apprentissage profond.
• Apprendre les applications et les utilisations de l'apprentissage profond dans les télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour les télécommunications.
• Construire leur propre modèle d'apprentissage profond de prédiction du désabonnement des clients à l'aide de Python.

Ce cours est un aperçu général de l’ Deep Learning sans approfondir les méthodes spécifiques. Il convient aux personnes qui souhaitent commencer à utiliser l'apprentissage en profondeur pour améliorer la précision de leurs prédictions.

Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones.

Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité. Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST. Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre. Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• 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 d'entraînement, implémenter des couches et se connecter

Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques. Ce cours fournit des exemples de travail.

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )

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

Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique Méthode pédagogique : présentation, échanges et études de cas L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.

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 .

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 .

Dans cette formation en direct dirigée par un instructeur, les participants apprendront des techniques avancées pour Machine Learning avec R tout en créant une application réelle. A l'issue de cette formation, les participants seront capables de :

• Comprendre et mettre en œuvre des techniques d'apprentissage non supervisé
.
• Appliquer le regroupement et la classification pour faire des prédictions basées sur des données réelles.
• Visualiser les données pour obtenir rapidement des informations, prendre des décisions et affiner l'analyse.
• Améliorer les performances d'un modèle d'apprentissage automatique à l'aide de l'optimisation des hyperparamètres.
• Mettre un modèle en production pour l'utiliser dans une application plus vaste.
• Appliquer des techniques avancées d'apprentissage automatique pour répondre à des questions impliquant des données de réseaux sociaux, des données volumineuses, et plus encore.

Au cours de cette formation en direct animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones à convolution permettant la reconnaissance d'images. À la fin de cette formation, les participants seront en mesure de:

• Construire un modèle d'apprentissage en profondeur
• Automatiser l'étiquetage des données
• Travailler avec des modèles de Caffe et TensorFlow - Keras
• Former les données en utilisant plusieurs GPU , le cloud ou des clusters

Public

• Les développeurs
• Ingénieurs
• Experts du domaine

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage approfondi pour la finance en utilisant R lorsqu'ils créeront un modèle de prévision du prix des actions d'apprentissage approfondi. À la fin de cette formation, les participants seront en mesure de:

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur
• Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance
• Utilisez R pour créer des modèles d'apprentissage en profondeur pour la finance
• Construire leur propre modèle de prévision du prix des actions d'apprentissage en profondeur en utilisant R

Public

• Développeurs
• Scientifiques de données

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. Python est un langage de programmation de haut niveau réputé pour sa syntaxe claire et sa lisibilité du code. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les opérations bancaires en utilisant Python au cours de la création d'un modèle de risque de crédit d'apprentissage en profondeur. À la fin de cette formation, les participants seront en mesure de:

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur
• Apprenez les applications et les utilisations de l'apprentissage en profondeur dans le secteur bancaire
• Utilisez Python , Keras et TensorFlow pour créer des modèles d’apprentissage approfondi du secteur bancaire.
• Construire leur propre modèle de risque de crédit pour l'apprentissage en profondeur en utilisant Python

Public

• Les développeurs
• Scientifiques de données

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les opérations bancaires en utilisant R au fur et à mesure de la création d'un modèle de risque de crédit d'apprentissage en profondeur. À la fin de cette formation, les participants seront en mesure de:

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur
• Apprenez les applications et les utilisations de l'apprentissage en profondeur dans le secteur bancaire
• Utilisez R pour créer des modèles d'apprentissage en profondeur pour le secteur bancaire
• Construire leur propre modèle de risque de crédit d'apprentissage profond en utilisant R

Public

• Développeurs
• Scientifiques de données

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en direct, les participants apprendront comment implémenter des modèles d'apprentissage en profondeur pour la finance en utilisant Python à mesure qu'ils franchissent la phase de création d'un modèle de prédiction du prix des actions d'apprentissage en profondeur À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage en profondeur Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance Utilisez Python, Keras et TensorFlow pour créer des modèles d'apprentissage en profondeur pour la finance Construire son propre modèle de prédiction du prix des actions en profondeur en utilisant Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Introduction : L'apprentissage profond devient un élément essentiel de la conception des futurs produits qui souhaitent intégrer l'intelligence artificielle au cœur de leurs modèles. D'ici 5 à 10 ans, les outils, les bibliothèques et les langages de développement de l'apprentissage profond deviendront des composants standard de chaque boîte à outils de développement de logiciels. Jusqu'à présent Google, Sales Force, Facebook et Amazon ont utilisé avec succès l'apprentissage profond de l'IA pour stimuler leur activité. Les applications vont de la traduction automatique à l'analyse d'images, de vidéos et de mouvements, en passant par la génération de publicités ciblées et bien d'autres encore. Ce cours s'adresse aux organisations qui souhaitent intégrer Deep Learning comme un élément très important de leur stratégie de produit ou de service. Vous trouverez ci-dessous les grandes lignes du cours d'apprentissage en profondeur que nous pouvons adapter à différents niveaux d'employés ou de parties prenantes au sein d'une organisation. Public cible : (En fonction du public cible, les supports de cours seront personnalisés) Cadres Une vue d'ensemble de l'IA et de sa place dans la stratégie de l'entreprise, avec des sessions en petits groupes sur la planification stratégique, les feuilles de route technologiques et l'allocation des ressources pour garantir une valeur maximale. Chefs de projet Comment planifier un projet d'IA, y compris la collecte et l'évaluation des données, le nettoyage et la vérification des données, l'élaboration d'un modèle de validation du concept, l'intégration dans les processus d'entreprise et la diffusion dans l'ensemble de l'organisation. Développeurs Des formations techniques approfondies, axées sur les réseaux neuronaux et l'apprentissage profond, l'analyse d'images et de vidéos (CNN), l'analyse du son et du texte (NLP), et l'intégration de l'IA dans les applications existantes. Vendeurs Un aperçu général de l'IA et de la manière dont elle peut satisfaire les besoins des clients, des propositions de valeur pour divers produits et services, et de la manière de dissiper les craintes et de promouvoir les avantages de l'IA.

Cette session de formation en classe contiendra des présentations, des exemples informatiques et des exercices d'études de cas à entreprendre avec des bibliothèques de réseaux neuronaux et profonds pertinentes.

Machine Learning est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. Deep Learning est un sous-marin de Machine Learning qui cherche à imiter les activités du cerveau humain dans la prise de décisions. Il est formé avec des données afin de fournir automatiquement des solutions aux problèmes. Deep Learning offre de vastes opportunités pour l’industrie médicale qui est assis sur une mine d’or de données. Dans cette formation guidée par l'instructeur, les participants participeront à une série de discussions, d'exercices et d'analyse de cas pour comprendre les fondements Deep Learning. Les outils et techniques les plus importants Deep Learning seront évalués et des exercices seront effectués pour préparer les participants à mener leur propre évaluation et à mettre en œuvre Deep Learning des solutions dans leurs organisations. À la fin de cette formation, les participants seront en mesure de :

• Comprendre les principes fondamentaux Deep Learning
• Apprendre Deep Learning les techniques et leurs applications dans l'industrie
• Examiner les problèmes en médecine qui peuvent être résolus par Deep Learning technologies
• Découvrez Deep Learning études de cas dans la médecine
• Formuler une stratégie pour adopter les dernières technologies dans Deep Learning pour résoudre les problèmes en médecine

Audience

• gestionnaires
• Professionnels médicaux dans les rôles de leadership

Format du cours

• Lecture partielle, discussion partielle, exercices et pratiques lourdes

Notes

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs logiciels qui souhaitent programmer en Python avec OpenCV 4 pour l'apprentissage profond. A l'issue de cette formation, les participants seront capables de :

• Voir, charger et classer des images et des vidéos en utilisant OpenCV 4.
• Implémenter l'apprentissage profond dans OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent créer des modèles de détection et de suivi d'objets accélérés par le matériel pour analyser les données vidéo en continu. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer l'environnement de développement, les logiciels et les bibliothèques nécessaires pour commencer à développer.
• Construire, entraîner et déployer des modèles d'apprentissage profond pour analyser les flux vidéo en direct.
• Identifier, suivre, segmenter et prédire différents objets dans les images vidéo.
• Optimiser les modèles de détection et de suivi des objets.
• Déployer une application d'analyse vidéo intelligente (IVA).

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent appliquer les réseaux neuronaux convolutifs (CNN) à l'analyse des examens IRM. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer l'environnement de développement, les logiciels et les bibliothèques nécessaires pour commencer à développer.
• Analyser les images d'IRM à l'aide de techniques d'apprentissage profond telles que les CNN.
• Détecter les conditions de santé potentielles telles que les maladies cardiaques grâce à l'analyse des images IRM.
• Appliquer des techniques telles que la segmentation d'images et l'entraînement CNN pour identifier les maladies potentielles.
• Identifier la génomique d'une maladie à l'aide de la radiomique.
• Construire et déployer une application d'apprentissage profond visant à l'analyse d'images de soins de santé.

Cette formation en Belgique (en ligne ou sur site) est destinée aux chercheurs et aux développeurs qui souhaitent installer, configurer, personnaliser et utiliser la plateforme DeepMind Lab pour développer des systèmes généraux d'intelligence artificielle et d'apprentissage automatique.A l'issue de cette formation, les participants seront capables de :

• Personnaliser DeepMind Lab pour construire et faire fonctionner un environnement adapté aux besoins d'apprentissage et de formation.
• Utiliser l'environnement de simulation 3D de DeepMind Lab pour former des agents d'apprentissage dans un point de vue à la première personne.
• Faciliter l'évaluation des agents pour développer l'intelligence dans un monde de jeu en 3D.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux analystes commerciaux, aux scientifiques des données et aux développeurs qui souhaitent construire et mettre en œuvre des modèles d'apprentissage profond pour accélérer la croissance du chiffre d'affaires et résoudre les problèmes dans le monde de l'entreprise. A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de l'apprentissage automatique et de l'apprentissage profond.
• Appréhender l'avenir des entreprises et de l'industrie grâce à l'apprentissage automatique et à l'apprentissage profond.
• Définir des stratégies commerciales et des solutions avec l'apprentissage profond.
• Apprenez à appliquer la science des données et l'apprentissage profond à la résolution de problèmes commerciaux.
• Construire des modèles d'apprentissage profond en utilisant Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser TensorFlow Lite pour déployer des modèles d'apprentissage profond sur des appareils embarqués. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Tensorflow Lite sur un appareil embarqué.
• Comprendre les concepts et les composants sous-jacents à TensorFlow Lite.
• Convertir les modèles existants au format TensorFlow Lite pour une exécution sur des appareils embarqués.
• Travailler dans les limites des petits appareils et de TensorFlow Lite, tout en apprenant à étendre la portée des opérations qui peuvent être exécutées.
• Déployer un modèle d'apprentissage profond sur un appareil embarqué fonctionnant sous Linux.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser TensorFlow Lite pour développer des applications mobiles dotées de capacités d'apprentissage en profondeur. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow Lite.
• Comprendre les principes derrière TensorFlow, l'apprentissage automatique et l'apprentissage profond.
• Charger des modèles TensorFlow sur un appareil Android.
• Activer les fonctionnalités d'apprentissage profond et d'apprentissage automatique telles que la vision par ordinateur et la reconnaissance du langage naturel dans une application mobile.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent écrire, charger et exécuter des modèles d'apprentissage automatique sur de très petits appareils embarqués. A l'issue de cette formation, les participants seront capables de :

• Installer TensorFlow Lite.
• Charger des modèles d'apprentissage automatique sur un appareil embarqué pour lui permettre de détecter la parole, de classer des images, etc.
• Ajouter l'IA aux appareils matériels sans dépendre de la connectivité réseau.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser TensorFlow Lite pour développer des applications mobiles iOS dotées de capacités d'apprentissage en profondeur. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow Lite.
• Comprendre les principes derrière TensorFlow et l'apprentissage automatique sur les appareils mobiles.
• Charger des modèles TensorFlow sur un appareil iOS.
• Exécuter une application iOS capable de détecter et de classer un objet capturé par la caméra de l'appareil.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux chercheurs et développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python tout en rendant le code facile à déboguer. A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et mettre en œuvre des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier les algorithmes existants pour optimiser les modèles d'apprentissage profond tout en tirant parti des GPUs pour obtenir de hautes performances.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des formations distribuées d'apprentissage profond et les mettre à l'échelle pour les exécuter sur plusieurs GPU en parallèle. A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à exécuter des formations d'apprentissage profond.
• Installer et configurer Horovod pour former des modèles avec TensorFlow, Keras, PyTorch, et Apache MXNet.
• Mettre à l'échelle les formations d'apprentissage profond avec Horovod pour les exécuter sur plusieurs GPU.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent accélérer les applications d'apprentissage automatique en temps réel et les déployer à grande échelle. A l'issue de cette formation, les participants seront capables de :

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision par ordinateur à l'aide d'un FPGA.
• Exécuter différentes couches CNN sur le FPGA.
• Mettre à l'échelle l'application sur plusieurs nœuds dans un cluster Kubernetes.

Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux scientifiques des données qui souhaitent utiliser Apache MXNet's pour construire et déployer un modèle d'apprentissage profond pour la reconnaissance d'images. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Apache MXNet et ses composants.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux personnes techniques qui souhaitent appliquer un modèle d'apprentissage profond à des applications de reconnaissance d'images. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Keras.
• Prototyper rapidement des modèles d'apprentissage profond.
• Implémenter un réseau convolutif.
• Implémenter un réseau récurrent.
• Exécuter un modèle d'apprentissage profond à la fois sur un CPU et un GPU.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent construire une voiture autonome à l'aide de techniques d'apprentissage en profondeur. A l'issue de cette formation, les participants seront capables de :

• Utiliser Keras pour construire et entraîner un réseau neuronal convolutif.
• Utiliser des techniques de vision par ordinateur pour identifier les voies dans un projet de conduite autonome.
• Entraîner un modèle d'apprentissage profond pour différencier les panneaux de signalisation.
• Simuler une voiture entièrement autonome.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs logiciels qui souhaitent développer des réseaux neuronaux d'apprentissage profond avancés et des modèles à l'aide de Keras et Python. A l'issue de cette formation, les participants seront capables de :

• Appliquer l'apprentissage profond avec des méthodes d'apprentissage supervisées ou non supervisées.
• Développer, former et mettre en œuvre des réseaux neuronaux concurrents et des réseaux neuronaux récurrents.
• Utiliser Keras et Python pour construire des modèles d'apprentissage profond afin de résoudre des problèmes impliquant des images, du texte, du son, et plus encore.

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

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

Deeplearning4j est une bibliothèque d'apprentissage en profondeur distribuée, à code source ouvert, écrite pour Java et Scala . Intégré à Hadoop et Spark, DL4J est conçu pour être utilisé dans les environnements professionnels utilisant des processeurs GPU et des processeurs distribués. Word 2Vec est une méthode de calcul des représentations vectorielles des mots introduits par une équipe de chercheurs de Go Ogle dirigée par Tomas Mikolov. Public Ce cours est destiné aux chercheurs, ingénieurs et développeurs cherchant à utiliser Deeplearning4J pour construire des modèles Word 2Vec.