Des formations locales en intelligence artificielle (IA) en direct, animées par un instructeur, expliquent par des exercices pratiques comment mettre en œuvre des solutions d'IA pour résoudre des problèmes concrets. La formation en intelligence artificielle est disponible en tant que "formation sur site en direct" ou "formation en direct à distance". La formation en direct sur site peut être effectuée localement chez le client à Belgique ou dans des centres de formation d'entreprise NobleProg dans Belgique . La formation en direct à distance est réalisée au moyen d'un poste de travail distant et interactif. NobleProg - Votre prestataire de formation local.
C'était très interactif et plus détendu et informel que prévu. Nous avons couvert de nombreux sujets dans le temps et le formateur a toujours été réceptif à parler plus en détail ou plus généralement des sujets et de leurs relations. Je pense que la formation m'a donné les outils pour continuer à apprendre, par opposition à une session unique où l'apprentissage s'arrête une fois que vous avez terminé, ce qui est très important compte tenu de l'ampleur et de la complexité du sujet.
Jonathan Blease
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Ann a créé un environnement idéal pour poser des questions et apprendre. Nous nous sommes beaucoup amusés et avons aussi beaucoup appris en même temps.
Gudrun Bickelq
Formation: Introduction à l'utilisation de Réseau Neuronal
Translated by
La partie interactive, adaptée à nos besoins spécifiques.
Thomas Stocker
Formation: Introduction à l'utilisation de Réseau Neuronal
Translated by
J'ai aimé les exercices.
Office for National Statistics
Formation: Traitement Automatique du Langage Naturel avec Python
Translated by
J'ai vraiment apprécié l'approche pratique.
Kevin De Cuyper
Formation: Vision par ordinateur avec OpenCV
Translated by
Le formateur était très compétent et comprenait des domaines qui m'intéressaient.
Mohamed Salama
Formation: Data Mining & Machine Learning avec R
Translated by
Le sujet est très intéressant.
Wojciech Baranowski
Formation: Introduction au Deep Learning
Translated by
Connaissances théoriques des formateurs et volonté de résoudre les problèmes avec les participants après la formation.
Grzegorz Mianowski
Formation: Introduction au Deep Learning
Translated by
Sujet. Très intéressant!.
Piotr
Formation: Introduction au Deep Learning
Translated by
Les exercices après chaque sujet ont été très utiles, même s’ils étaient trop compliqués à la fin. En général, le matériel présenté était très intéressant et intéressant! Les exercices avec reconnaissance d'image étaient excellents.
Dolby Poland Sp. z o.o.
Formation: Introduction au Deep Learning
Translated by
Je pense que si la formation se faisait en polonais, cela permettrait au formateur de partager ses connaissances plus efficacement.
Radek
Formation: Introduction au Deep Learning
Translated by
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Deep Learning, Niveau Avancé
Translated by
Les exercices sont suffisamment pratiques et ne nécessitent pas de grandes connaissances en Python.
Alexandre GIRARD
Formation: Deep Learning, Niveau Avancé
Translated by
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
Translated by
L'objet. Cela semblait intéressant, mais je suis parti en sachant pas beaucoup plus qu'avant.
Radoslaw Labedzki
Formation: Introduction au Deep Learning
Translated by
J'ai aimé que ce cours ait un sujet très intéressant.
Wojciech Wilk
Formation: Introduction au Deep Learning
Translated by
J'ai vraiment apprécié les réponses claires de Chris à nos questions.
Léo Dubus
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
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
Translated by
Très bon aperçu général. Un bon contexte pour savoir pourquoi Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
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
Translated by
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
Translated by
La formation a fourni les bases qui nous permettent de continuer à nous développer en montrant comment la théorie et la pratique vont de pair. Cela m'a en fait plus intéressé par le sujet que par le passé.
Jean-Paul van Tillo
Formation: Machine Learning et Deep Learning
Translated by
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning et Deep Learning
Translated by
J'ai aimé les nouvelles connaissances sur l'apprentissage en machine profonde.
Josip Arneric
Formation: Neural Network avec R
Translated by
Nous avons acquis des connaissances sur NN en général et ce qui était le plus intéressant pour moi, c’était les nouveaux types de NN qui sont populaires de nos jours.
Tea Poklepovic
Formation: Neural Network avec R
Translated by
J'ai surtout apprécié les graphiques en R :))).
Faculty of Economics and Business Zagreb
Formation: Neural Network avec R
Translated by
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction au Deep Learning
Translated by
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow pour la Reconnaissance d'Image
Translated by
Très souple.
Frank Ueltzhöffer
Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking
Translated by
J'ai généralement apprécié la flexibilité.
Werner Philipp
Formation: Réseau de Neurones Artificiels, Machine Learning et Deep Thinking
Translated by
Compte tenu des perspectives de la technologie: quelle technologie / processus pourrait devenir plus important dans le futur; voir à quoi la technologie peut être utilisée
Commerzbank AG
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
J'ai bénéficié de la sélection de sujets. Style de formation. Orientation pratique
Commerzbank AG
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
Couverture approfondie des sujets d'apprentissage automatique, en particulier des réseaux de neurones. Démystifié beaucoup de sujet.
Sacha Nandlall
Formation: Python for Advanced Machine Learning
Translated by
C'est l'un des meilleurs cours pratiques de programmation d'exercices que j'ai jamais suivi.
Laura Kahn
Formation: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
C’est l’une des meilleures formations en ligne de qualité que j’ai jamais eues au cours de ma carrière de 13 ans. Continuez ce bon travail!.
Formation: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
Le style de formation de Richard a gardé son intérêt, les exemples concrets utilisés ont aidé à conduire les concepts à la maison.
Jamie Martin-Royle - NBrown Group
Formation: From Data to Decision with Big Data and Predictive Analytics
Translated by
Le contenu, comme je l'ai trouvé très intéressant et pense que cela m'aiderait dans ma dernière année à l'université.
Krishan Mistry - NBrown Group
Formation: From Data to Decision with Big Data and Predictive Analytics
Translated by
Exercices
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
les exercices de laboratoire
Marcell Lorant - L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
Le cahier Jupyter, dans lequel le matériel de formation est disponible
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
Il y avait beaucoup d'exercices et de sujets intéressants.
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
des exercices de laboratoire géniaux analysés et expliqués en profondeur par le formateur (par exemple, covariants en régression linéaire, correspondant à la fonction réelle)
L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
C'est tout simplement génial que tout le matériel, y compris les exercices, soit sur la même page et qu'il soit mis à jour à la volée. La solution est révélée à la fin. Cool! De plus, j'apprécie que Krzysztof ait fait un effort supplémentaire pour comprendre nos problèmes et nous a suggéré des techniques possibles.
Attila Nagy - L M ERICSSON LIMITED
Formation: Machine Learning
Translated by
L’utilisation facile de la fonctionnalité VideoCapture pour acquérir des images vidéo à partir d’un appareil photo pour ordinateur portable.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Formation: Vision par ordinateur avec OpenCV
Translated by
J'ai apprécié les conseils du formateur sur l'utilisation des outils. C'est quelque chose qui ne peut pas être obtenu à partir d'Internet et qui est très utile.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Formation: Vision par ordinateur avec OpenCV
Translated by
J'ai apprécié les conseils du formateur sur l'utilisation des outils. C'est quelque chose qui ne peut pas être obtenu à partir d'Internet et qui est très utile.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Formation: Vision par ordinateur avec OpenCV
Translated by
C'était facile à suivre.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Formation: Vision par ordinateur avec OpenCV
Translated by
l'affaire était bien présentée et de manière ordonnée.
Marylin Houle - Ivanhoe Cambridge
Formation: Introduction to R with Time Series Analysis
Translated by
J'avais profité de la passion d'enseigner et de me concentrer pour rendre les choses sensées.
Zaher Sharifi - GOSI
Formation: Deep Learning, Niveau Avancé
Translated by
C’est l’une des meilleures formations en ligne de qualité que j’ai jamais eues au cours de ma carrière de 13 ans. Continuez ce bon travail!.
Formation: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
| Code | Nom | Durée | Aperçu |
|---|---|---|---|
| aiint | Artificial Intelligence Overview | 7 heures | Ce cours a été créé pour les responsables, les architectes de solutions, les responsables de l’innovation, les directeurs techniques, les architectes de logiciels et toute personne intéressée par un aperçu de l’intelligence artificielle appliquée et les prévisions les plus proches pour son développement. |
| matlabpredanalytics | Matlab for Predictive Analytics | 21 heures | L'analyse prédictive est le processus d'utilisation de l'analyse de données pour faire des prédictions sur le futur Ce processus utilise des données ainsi que des techniques d'exploration de données, de statistiques et d'apprentissage automatique pour créer un modèle prédictif de prévision d'événements futurs Dans cette formation en ligne, les participants apprendront à utiliser Matlab pour créer des modèles prédictifs et les appliquer à de grands ensembles de données pour prédire les événements futurs en fonction des données À la fin de cette formation, les participants seront en mesure de: Créer des modèles prédictifs pour analyser les modèles dans les données historiques et transactionnelles Utiliser la modélisation prédictive pour identifier les risques et les opportunités Construire des modèles mathématiques qui capturent les tendances importantes Utiliser les données des appareils et des systèmes d'entreprise pour réduire le gaspillage, gagner du temps ou réduire les coûts Public Développeurs Ingénieurs Les experts du domaine Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| mlfinancer | Machine Learning for Finance (with R) | 28 heures | L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés R est un langage de programmation populaire dans l'industrie financière Il est utilisé dans des applications financières allant des principaux programmes d'échange aux systèmes de gestion des risques Dans cette formation en direct, les participants apprendront à appliquer des techniques d'apprentissage automatique et des outils pour résoudre les problèmes du monde réel dans l'industrie de la finance R sera utilisé comme langage de programmation Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage automatique Apprenez les applications et les utilisations de l'apprentissage automatique en finance Développer sa propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec R Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| pythoncomputervision | Computer Vision with Python | 14 heures | Computer Vision est un domaine qui consiste à extraire, analyser et comprendre automatiquement des informations utiles à partir des médias numériques Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en ligne, les participants apprendront les bases de la vision par ordinateur au fur et à mesure de la création d'un ensemble d'applications simples de Computer Vision utilisant Python À la fin de cette formation, les participants seront en mesure de: Comprendre les bases de la vision par ordinateur Utiliser Python pour implémenter des tâches Computer Vision Construire son propre système de détection de visage, d'objet et de mouvement Public Programmeurs Python intéressés par Computer Vision Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| mlfinancepython | Machine Learning for Finance (with Python) | 21 heures | L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés Python est un langage de programmation connu pour sa syntaxe et sa lisibilité Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique Dans cette formation en direct, les participants apprendront à appliquer des techniques d'apprentissage automatique et des outils pour résoudre les problèmes du monde réel dans l'industrie de la finance Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage automatique Apprenez les applications et les utilisations de l'apprentissage automatique en finance Développer sa propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| bigdatabicriminal | Big Data Business Intelligence for Criminal Intelligence Analysis | 35 heures | Les progrès technologiques et la quantité croissante d'informations transforment la façon dont les organismes d'application de la loi sont menés Les défis que pose le Big Data sont presque aussi décourageants que la promesse de Big Data Stocker des données efficacement est l'un de ces défis; l'analyser efficacement en est une autre Dans cette formation en ligne, les participants apprendront la manière d'aborder les technologies Big Data, évalueront leur impact sur les processus et politiques existants et mettront en œuvre ces technologies dans le but d'identifier les activités criminelles et de prévenir le crime Des études de cas provenant d'organismes d'application de la loi du monde entier seront examinées afin de mieux comprendre leurs approches, défis et résultats en matière d'adoption À la fin de cette formation, les participants seront en mesure de: Combinez la technologie Big Data avec des processus de collecte de données traditionnels pour reconstituer une histoire au cours d'une enquête Mettre en œuvre des solutions industrielles de stockage et de traitement de Big Data pour l'analyse de données Préparer une proposition pour l'adoption des outils et des processus les plus adéquats pour permettre une approche de l'enquête criminelle axée sur les données Public Spécialistes de l'application de la loi avec un bagage technique Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 heures | Deep Learning for NLP permet à une machine d'apprendre un traitement de langage simple à complexe Parmi les tâches actuellement possibles figurent la traduction de la langue et la génération de légendes pour les photos DL (Deep Learning) est un sous-ensemble de ML (Machine Learning) Python est un langage de programmation populaire qui contient des bibliothèques pour Deep Learning for NLP Dans cette formation en ligne, les participants apprendront à utiliser les bibliothèques Python pour le traitement automatique du langage naturel (NLP) en créant une application qui traite un ensemble d'images et génère des légendes À la fin de cette formation, les participants seront en mesure de: Concevoir et coder DL pour NLP en utilisant des bibliothèques Python Créer un code Python qui lit une collection substantielle d'images et génère des mots-clés Créer un code Python qui génère des légendes à partir des mots clés détectés Public Programmeurs ayant un intérêt pour la linguistique Les programmeurs qui cherchent une compréhension de la PNL (traitement du langage naturel) Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| textsum | Text Summarization with Python | 14 heures | Dans Python Machine Learning, la fonction de synthèse de texte est capable de lire le texte d'entrée et de produire un résumé de texte Cette fonctionnalité est disponible depuis la ligne de commande ou sous la forme d'une API / bibliothèque Python Une application passionnante est la création rapide de résumés exécutifs; ceci est particulièrement utile pour les organisations qui ont besoin d'examiner de grandes quantités de données textuelles avant de générer des rapports et des présentations Dans cette formation en ligne, les participants apprendront à utiliser Python pour créer une application simple qui génère automatiquement un résumé du texte saisi À la fin de cette formation, les participants seront en mesure de: Utilisez un outil de ligne de commande qui résume le texte Concevoir et créer du code de synthèse de texte en utilisant des bibliothèques Python Évaluer trois bibliothèques de résumés Python: sumy 070, pysummarization 104, readless 1017 Public Développeurs Data Scientists Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| undnn | Understanding Deep Neural Networks | 35 heures | Ce cours commence par vous donner des connaissances conceptuelles dans les réseaux de neurones et généralement dans l'algorithme d'apprentissage automatique, l'apprentissage en profondeur (algorithmes et applications) Partie 1 (40%) de cette formation est plus axée sur les 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 de pythons qui facilite l'écriture de modèles d'apprentissage en profondeur La partie 3 (40%) de la formation serait largement basée sur l'API Tensorflow 2nd Generation de la bibliothèque logicielle open source de Google pour Deep Learning Les exemples et handson seraient tous faits dans TensorFlow Public Ce cours est destiné aux ingénieurs cherchant à utiliser TensorFlow pour leurs projets Deep Learning Après avoir terminé ce cours, les délégués: avoir une bonne compréhension des réseaux neuronaux profonds (DNN), CNN et RNN comprendre la structure et les mécanismes de déploiement de TensorFlow être capable d'effectuer les tâches et la configuration de l'environnement / de l'installation / de l'environnement de production être capable d'évaluer la qualité du code, effectuer le débogage, surveiller être en mesure de mettre en œuvre une production avancée comme des modèles de formation, la construction de graphiques et l'exploitation forestière Tous les sujets ne seraient pas couverts dans une classe publique avec une durée de 35 heures en raison de l'immensité du sujet La durée du cours complet sera d'environ 70 heures et non de 35 heures . |
| opennlp | OpenNLP for Text Based Machine Learning | 14 heures | La bibliothèque Apache OpenNLP est une boîte à outils basée sur l'apprentissage automatique pour le traitement du texte en langage naturel Il prend en charge les tâches PNL les plus courantes, telles que la détection de langue, la segmentation de phrases, la segmentation de phrases, l'extraction d'entités nommées, le découpage, l'analyse et la résolution de coréférences Dans cette formation en ligne, les participants apprendront comment créer des modèles pour le traitement de données textuelles à l'aide d'OpenNLP Des exemples de données de formation ainsi que des ensembles de données personnalisés seront utilisés comme base pour les exercices en laboratoire À la fin de cette formation, les participants seront en mesure de: Installez et configurez OpenNLP Télécharger des modèles existants et créer leur propre Former les modèles sur différents ensembles de données d'échantillons Intégrez OpenNLP aux applications Java existantes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| mlbankingpython_ | Machine Learning for Banking (with Python) | 21 heures | L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés Python est un langage de programmation connu pour sa syntaxe et sa lisibilité Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique Dans cette formation en direct, les participants apprendront à appliquer des techniques d'apprentissage automatique et des outils pour résoudre les problèmes du monde réel dans le secteur bancaire Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| mlbankingr | Machine Learning for Banking (with R) | 28 heures | Dans cette formation en direct, les participants apprendront à appliquer des techniques d'apprentissage automatique et des outils pour résoudre les problèmes du monde réel dans le secteur bancaire R sera utilisé comme langage de programmation Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets en direct Public Développeurs Les scientifiques de données Professionnels de la banque avec un bagage technique Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| python_nlp | Natural Language Processing with Deep Dive in Python and NLTK | 35 heures | À la fin de la formation, les délégués devraient être suffisamment équipés des concepts python essentiels et devraient pouvoir utiliser suffisamment le NLTK pour mettre en œuvre la plupart des opérations basées sur le PNL et le ML La formation vise à donner non seulement une connaissance d'exécution mais aussi la connaissance logique et opérationnelle de la technologie qui s'y trouve . |
| matlabdl | Matlab for Deep Learning | 14 heures | Dans cette formation en ligne, les participants apprendront comment utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutionnels pour 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 TensorFlowKeras Formation des données à l'aide de plusieurs GPU, du cloud ou des clusters Public Développeurs Ingénieurs Les experts du domaine Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| tensorflowserving | TensorFlow Serving | 7 heures | 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 . |
| dlforbankingwithpython | Deep Learning for Banking (with Python) | 28 heures | 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 ligne, les participants apprendront comment implémenter des modèles d'apprentissage en profondeur pour les banques en utilisant Python alors qu'ils franchissent la phase de 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 en profondeur pour les services bancaires Construire son propre modèle de risque de crédit d'apprentissage 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 . |
| mlios | Machine Learning on iOS | 14 heures | Dans cette formation en ligne, les participants apprendront à utiliser la pile de technologies iOS Machine Learning (ML) au fur et à mesure qu'ils franchissent la phase de création et de déploiement d'une application mobile iOS À la fin de cette formation, les participants seront en mesure de: Créer une application mobile capable de traitement d'image, d'analyse de texte et de reconnaissance vocale Accès aux modèles ML pré-intégrés pour l'intégration dans les applications iOS Créer un modèle ML personnalisé Ajouter la prise en charge de Siri Voice aux applications iOS Comprendre et utiliser des frameworks tels que coreML, Vision, CoreGraphics et GamePlayKit Utilisez des langages et des outils tels que Python, Keras, Caffee, Tensorflow, scikit learn, libsvm, Anaconda et Spyder Public Développeurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| nlg | Python for Natural Language Generation | 21 heures | La génération de langage naturel (NLG) se réfère à la production de textes ou de discours en langage naturel par un ordinateur Dans cette formation en ligne, les participants apprendront comment utiliser Python pour produire du texte en langage naturel de haute qualité en construisant leur propre système NLG à partir de zéro Des études de cas seront également examinées et les concepts pertinents seront appliqués à des projets de laboratoire en direct pour générer du contenu À la fin de cette formation, les participants seront en mesure de: Utilisez le format NLG pour générer automatiquement du contenu pour diverses industries, du journalisme à l'immobilier, en passant par les rapports météorologiques et sportifs Sélectionnez et organisez le contenu source, planifiez des phrases et préparez un système de génération automatique de contenu original Comprendre le pipeline NLG et appliquer les bonnes techniques à chaque étape Comprendre l'architecture d'un système de génération de langage naturel (NLG) Mettre en œuvre les algorithmes et les modèles les plus appropriés pour l'analyse et la commande Tirer les données des sources de données disponibles au public ainsi que des bases de données organisées pour les utiliser comme matériau pour le texte généré Remplacer les processus d'écriture manuels et laborieux avec la création de contenu automatisée générée par ordinateur Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| pythontextml | Python: Machine Learning with Text | 21 heures | Dans cette formation en ligne, les participants apprendront à utiliser les techniques d'apprentissage automatique et de traitement automatique du langage naturel (NLP) pour extraire de la valeur à partir de données textuelles À la fin de cette formation, les participants seront en mesure de: Résoudre des problèmes de science des données basés sur du texte avec un code réutilisable de haute qualité Appliquer différents aspects de scikitlearn (classification, clustering, régression, réduction de dimension) pour résoudre des problèmes Construire des modèles d'apprentissage automatique efficaces en utilisant des données textuelles Créer un ensemble de données et extraire des entités à partir d'un texte non structuré Visualiser les données avec Matplotlib Construire et évaluer des modèles pour mieux comprendre Résoudre les erreurs d'encodage de texte Public Développeurs Data Scientists Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| encogintro | Encog: Introduction to Machine Learning | 14 heures | Encog est un framework d'apprentissage machine opensource pour Java etNet Dans cette formation en ligne, les participants apprendront comment créer différents composants de réseau neuronal en utilisant ENCOG Les études de cas de Realworld seront discutées et des solutions basées sur le langage machine à ces problèmes seront explorées À la fin de cette formation, les participants seront en mesure de: Préparer les données pour les réseaux de neurones en utilisant le processus de normalisation Mettre en œuvre des réseaux d'anticipation et des méthodologies de formation à la propagation Implémenter des tâches de classification et de régression Modéliser et former des réseaux de neurones à l'aide de l'atelier basé sur l'interface graphique d'Encog Intégrez le support de réseau neuronal dans les applications realworld Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| encogadv | Encog: Advanced Machine Learning | 14 heures | Encog est un framework d'apprentissage machine opensource pour Java etNet Dans cette formation en direct, les participants apprendront des techniques avancées d'apprentissage automatique pour construire des modèles prédictifs précis de réseaux neuronaux À la fin de cette formation, les participants seront en mesure de: Mettre en œuvre différentes techniques d'optimisation des réseaux neuronaux pour résoudre les problèmes de sous-équipement et de surapprentissage Comprendre et choisir parmi un certain nombre d'architectures de réseaux neuronaux Mettre en place des réseaux de feed-back et de feedback supervisés Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| radvml | Advanced Machine Learning with R | 21 heures | 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 . |
| pythonadvml | Python for Advanced Machine Learning | 21 heures | 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 . |
| fiji | Fiji: Introduction to Scientific Image Processing | 21 heures | Fidji est un logiciel de traitement d'image opensource qui regroupe ImageJ (un programme de traitement d'images pour des images scientifiques multidimensionnelles) et un certain nombre de plugins pour l'analyse d'images scientifiques Dans cette formation en ligne, les participants apprendront comment utiliser la distribution fidjienne et son programme ImageJ sous-jacent pour créer une application d'analyse d'image À la fin de cette formation, les participants seront en mesure de: Utilisez les fonctions de programmation avancées et les composants logiciels des Fidji pour étendre ImageJ Assembler de grandes images 3D à partir de mosaïques superposées Mettre à jour automatiquement une installation Fidji au démarrage en utilisant le système de mise à jour intégré Choisissez parmi une large sélection de langages de script pour créer des solutions d'analyse d'image personnalisées Utilisez les bibliothèques puissantes des Fidji, comme ImgLib sur de grands ensembles de données de bio-images Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires Public Scientifiques Des chercheurs Développeurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| rasberrypiopencv | Raspberry Pi + OpenCV: Build a Facial Recognition System | 21 heures | Cette formation en ligne, introduite, présente le logiciel, le matériel et le processus stepbystep nécessaires pour construire un système de reconnaissance faciale à partir de zéro La reconnaissance faciale est également connue sous le nom de reconnaissance faciale Le matériel utilisé dans ce laboratoire comprend Rasberry Pi, un module de caméra, des servos (en option), etc Les participants sont responsables de l'achat de ces composants eux-mêmes Le logiciel utilisé comprend OpenCV, Linux, Python, etc À la fin de cette formation, les participants seront en mesure de: Installez Linux, OpenCV et d'autres utilitaires et bibliothèques de logiciels sur un Rasberry Pi Configurez OpenCV pour capturer et détecter les images faciales Comprendre les différentes options pour l'emballage d'un système Rasberry Pi pour une utilisation dans des environnements réels Adapter le système pour une variété de cas d'utilisation, y compris la surveillance, la vérification d'identité, etc Public Développeurs Techniciens en matériel / logiciel Des personnes techniques dans toutes les industries Amateurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Les autres options matérielles et logicielles incluent: Arduino, OpenFace, Windows, etc Si vous souhaitez utiliser l'un d'entre eux, veuillez nous contacter pour organiser . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 heures | 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 . |
| embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 heures | Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| t2t | T2T: Creating Sequence to Sequence Models for Generalized Learning | 7 heures | 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 . |
| dlfinancewithr | Deep Learning for Finance (with R) | 28 heures | 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 R est un langage de programmation populaire dans l'industrie financière Il est utilisé dans des applications financières allant des principaux programmes d'échange aux systèmes de gestion des risques Dans cette formation en direct, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour la finance en utilisant le R au fur et à mesure de la création d'un modèle de prédiction du prix des actions 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 son propre modèle de prédiction du prix des actions d'apprentissage en profondeur en utilisant R Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| dlforbankingwithr | Deep Learning for Banking (with R) | 28 heures | 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 R est un langage de programmation populaire dans l'industrie financière Il est utilisé dans des applications financières allant des principaux programmes d'échange aux systèmes de gestion des risques Dans le cadre de cette formation en direct, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les banques en utilisant le 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 les opérations bancaires Construire son propre modèle de risque de crédit d'apprentissage en profondeur en utilisant R Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson . |
| Formation | Date Formation | Prix [A distance / Classe] |
|---|---|---|
| Intelligence Artificielle pour l'Automobile - Ghent | mer, 2019-04-03 09:30 | 3500EUR / 4100EUR |
| Intelligence Artificielle pour l'Automobile - Brugge, Koning Albert I park | mer, 2019-04-10 09:30 | 3500EUR / 4100EUR |
| Intelligence Artificielle pour l'Automobile - Antwerpen | jeu, 2019-04-11 09:30 | 3500EUR / 4100EUR |
| Intelligence Artificielle pour l'Automobile - Liège, Place des Guillemins | jeu, 2019-04-11 09:30 | 3500EUR / 4100EUR |
| Intelligence Artificielle pour l'Automobile - Brussels, Koningstuinsquare | mar, 2019-05-07 09:30 | 3500EUR / 4100EUR |
| Formation | Lieu | Date Formation | Prix [A distance / Classe] |
|---|---|---|---|
| Python for Natural Language Generation | Brussels, Koningstuinsquare | mer, 2019-03-27 09:30 | 4725EUR / 5525EUR |
| Progressive Web Apps (PWA) | Ghent | jeu, 2019-04-04 09:30 | 3000EUR / 3600EUR |
| Natural Language Processing with Deep Dive in Python and NLTK | Brussels, Koningstuinsquare | lun, 2019-04-22 09:30 | 7875EUR / 9075EUR |
| Matlab for Prescriptive Analytics | Leuven, Near Train Station | mar, 2019-05-21 09:30 | 3150EUR / 3750EUR |
| Blockchain: Hyperledger Indy for Identity Management | Namur, Hotel de Ville | jeu, 2019-06-06 09:30 | 3150EUR / 3750EUR |
| Insurtech: A Practical Introduction for Managers | Namur, Hotel de Ville | lun, 2019-06-17 09:30 | 2700EUR / 3300EUR |
.jpg "food and drug administration (fda)")
.png "european central bank (ecb)")
.png "new york stock exchange (nyse)")
.jpg "european space agency (esa)")
_ireland.gif "environmental protection agency (epa) ireland")
.jpg "european southern observatory (eso)")
.png "procter & gamble (p&g)")
We are looking to expand our presence in Belgium!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
