L'apprentissage automatique ou apprentissage statistique, champ d'étude de l'intelligence artificielle, concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à une machine (au sens large) d'évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou problématiques à remplir par des moyens algorithmiques plus classiques.
Le matériel de référence à utiliser plus tard était très bon.
PAUL BEALES- Seagate Technology.
Formation: Applied Machine Learning
Translated by
Qu'est-ce qui vous a le plus plu dans la formation?: M'a donné une bonne pratique en utilisant R pour créer des systèmes d'apprentissage automatique pour des situations réelles. Je peux l'utiliser immédiatement dans mon travail. C'était un excellent cours. L'un des meilleurs que j'ai eu.
Matthew Thomas - British Telecom
Formation: Applied Machine Learning
Translated by
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
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
Le formateur a très facilement expliqué des sujets difficiles et avancés.
Leszek K
Formation: Artificial Intelligence Overview
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
Tout comme ça
蒙 李
Formation: Machine Learning avec Python, les Fondamentaux
Translated by
manière de conduire et exemple donné par le formateur
ORANGE POLSKA S.A.
Formation: Machine Learning et Deep Learning
Translated by
Possibilité de discuter vous-même des problèmes proposés
ORANGE POLSKA S.A.
Formation: Machine Learning et Deep Learning
Translated by
Communication avec des conférenciers
文欣 张
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Translated by
Comme ça
lisa xie
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
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
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
Connaissances approfondies et actualisées d’exemples d’applications de premier plan et pratiques.
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Beaucoup d'exercices, très bonne coopération avec le groupe.
Janusz Chrobot - ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
travailler sur des collaborateurs,
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Il était évident que les passionnés des sujets présentés étaient en tête. Utilisé des exemples intéressants pendant l'exercice.
ING Bank Śląski S.A.
Formation: Introduction au Deep Learning
Translated by
Un large éventail de sujets couverts et une connaissance approfondie des dirigeants.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
manque
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Grandes connaissances théoriques et pratiques des conférenciers. Communicativeness des formateurs. Pendant le cours, vous pouvez poser des questions et obtenir des réponses satisfaisantes.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Partie pratique, où nous avons implémenté des algorithmes. Cela a permis une meilleure compréhension du sujet.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
exercices et exemples mis en oeuvre
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Exemples et problèmes discutés.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Connaissances substantielles, engagement, une manière passionnée de transférer des connaissances. Exemples pratiques après un cours théorique.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Translated by
Exercices pratiques préparés par M. Maciej
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
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
| 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. |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| 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 . |
| dlforfinancewithpython | Deep Learning for Finance (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 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 . |
| 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 . |
| aicityplanning | Artificial Intelligence for City Planning | 14 heures | À quoi ressembleront les villes à l'avenir? Comment l'intelligence artificielle (IA) peut-elle être utilisée pour améliorer la planification urbaine? Comment l'IA peut-elle être utilisée pour rendre les villes plus efficaces, vivables, plus sûres et respectueuses de l'environnement? Dans cette formation en direct, sur place ou à distance, nous examinons les différentes technologies qui composent l'IA, ainsi que les compétences et le cadre mental requis pour les utiliser dans la planification urbaine Nous couvrons également les outils et les approches pour la collecte et l'organisation des données pertinentes à utiliser dans l'IA, y compris l'exploration de données Public Urbanistes Architectes Développeurs Les fonctionnaires du transport Format du cours Partie conférence, discussion partielle et une série d'exercices interactifs Remarque Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser . |
| h2oautoML | H2O AutoML | 14 heures | H2O AutoML est une plate-forme d'intelligence artificielle qui automatise le processus de construction, de sélection et d'optimisation d'un grand nombre de modèles de machine learning. ce formateur-dirigé, formation en direct (sur place ou à distance) est destiné aux scientifiques de données qui souhaitent utiliser H2O AutoML pour automoate le processus de construction et de sélection de la meilleure machine learning algorithme et paramètres. à la fin de cette formation, les participants pourront: - automatisez le workflow de machine learning. - automatiquement former et régler de nombreux modèles de machine learning dans un intervalle de temps spécifié. les ensembles empilés - train pour arriver à des modèles d'ensemble hautement prédictifs. format du cours - conférence interactive et discussion. - beaucoup d'exercices et de la pratique. implémentation de - Hands-on dans un environnement Live-Lab. cours options de personnalisation - pour demander une formation personnalisée pour ce cours, s'il vous plaît nous contacter pour organiser. |
| autosklearn | AutoML with Auto-sklearn | 14 heures | auto-sklearn est un package Python construit autour de la bibliothèque d'apprentissage de la machine scikit-Learn. Il recherche automatiquement l'algorithme d'apprentissage approprié pour un nouveau jeu de données machine learning et optimise ses paramètres. cette formation en direct (sur site ou à distance) dirigée par un instructeur est destinée aux praticiens de l'apprentissage automatique qui souhaitent utiliser auto-sklearn pour automatiser le processus de sélection et d'optimisation d'un modèle de machine learning. à la fin de cette formation, les participants pourront: - automatisez le processus de formation de modèles de machine learning très efficaces. - construire des modèles de machine learning très précis tout en contournant les tâches plus fastidieuses de sélection, de formation et de test de différents modèles. - utiliser la puissance de l'apprentissage automatique pour résoudre des problèmes d'affaires réels. format du cours - conférence interactive et discussion. - beaucoup d'exercices et de la pratique. implémentation de - Hands-on dans un environnement Live-Lab. cours options de personnalisation - pour demander une formation personnalisée pour ce cours, s'il vous plaît nous contacter pour organiser. |
| autokeras | AutoML with Auto-Keras | 14 heures | auto-keras (également appelé Autokeras ou auto keras) est une bibliothèque python Open source pour l'apprentissage automatique automatisé (AutoML). cette formation dirigée par un instructeur, en direct (sur site ou à distance) s'adresse aux scientifiques de données ainsi qu'aux personnes moins techniques qui souhaitent utiliser auto-keras pour automatiser le processus de sélection et d'optimisation d'un modèle de machine learning. à la fin de cette formation, les participants pourront: - automatisez le processus de formation de modèles de machine learning très efficaces. - recherche automatiquement les meilleurs paramètres pour les modèles d'apprentissage profond. - construire des modèles de machine learning très précis. - utiliser la puissance de l'apprentissage automatique pour résoudre des problèmes d'affaires réels. format du cours - conférence interactive et discussion. - beaucoup d'exercices et de la pratique. implémentation de - Hands-on dans un environnement Live-Lab. cours options de personnalisation - pour demander une formation personnalisée pour ce cours, s'il vous plaît nous contacter pour organiser. - pour en savoir plus sur auto-keras, s'il vous plaît visitez: https://autokeras.com/ |
| automl | AutoML | 14 heures | AutoML est un logiciel d'apprentissage automatique convivial qui automatise une grande partie du travail nécessaire pour sélectionner un algorithme d'apprentissage machine idéal, ses paramètres de paramètre et les méthodes de pré-traitement. cette formation dirigée par un instructeur, en direct (sur site ou à distance) s'adresse aux personnes techniques ayant un arrière-plan dans l'apprentissage automatique qui souhaitent optimiser les modèles de machine learning utilisés pour la détection de modèles complexes en Big Data. à la fin de cette formation, les participants pourront: - installer et évaluer divers outils AutoML Open source. - train de haute qualité machine learning modèles. - résoudre efficacement différents types de problèmes d'apprentissage machine supervisés. - écrivez simplement le code nécessaire pour initier le processus automatisé de machine learning. format du cours - conférence interactive et discussion. - beaucoup d'exercices et de la pratique. implémentation de - Hands-on dans un environnement Live-Lab. cours options de personnalisation - pour demander une formation personnalisée pour ce cours, s'il vous plaît nous contacter pour organiser. - pour en savoir plus sur AutoML, s'il vous plaît visitez: https://www.automl.org/ |
| appaipy | Applied AI from Scratch in Python | 28 heures | This is a 4 day course introducing AI and it's application using the Python programming language. There is an option to have an additional day to undertake an AI project on completion of this course. |
| appai | Applied AI from Scratch | 28 heures | This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. |
| Formation | Date Formation | Prix [A distance / Classe] |
|---|---|---|
| AI Awareness for Telecom - Ghent | jeu, 2019-04-04 09:30 | 3500EUR / 4100EUR |
| AI Awareness for Telecom - Antwerpen | lun, 2019-04-08 09:30 | 3500EUR / 4100EUR |
| AI Awareness for Telecom - Liège, Place des Guillemins | mer, 2019-04-17 09:30 | 3500EUR / 4100EUR |
| AI Awareness for Telecom - Brugge, Koning Albert I park | jeu, 2019-04-18 09:30 | 3500EUR / 4100EUR |
| AI Awareness for Telecom - Brussels, Koningstuinsquare | jeu, 2019-04-18 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!
