Cursos de Deep Learning

Deep Learning Training

Deep machine learning, deep structured learning, hierarchical learning, DL courses

Testi...Client Testimonials

Introduction to Deep Learning

The topic is very interesting

Wojciech Baranowski - Dolby Poland Sp. z o.o.

Introduction to Deep Learning

Trainers theoretical knowledge and willingness to solve the problems with the participants after the training

Grzegorz Mianowski - Dolby Poland Sp. z o.o.

Introduction to Deep Learning

Topic. Very interesting!

Piotr - Dolby Poland Sp. z o.o.

Introduction to Deep Learning

Exercises after each topic were really helpful, despite there were too complicated at the end. In general, the presented material was very interesting and involving! Exercises with image recognition were great.

- Dolby Poland Sp. z o.o.

Advanced Deep Learning

The global overview of deep learning

Bruno Charbonnier - OSONES

Advanced Deep Learning

The exercises are sufficiently practical and do not need a high knowledge in Python to be done.

Alexandre GIRARD - OSONES

Advanced Deep Learning

Doing exercises on real examples using Keras. Mihaly totally understood our expectations about this training.

Paul Kassis - OSONES

Introduction to Deep Learning

Interesting subject

Wojciech Wilk - Dolby Poland Sp. z o.o.

Neural Networks Fundamentals using TensorFlow as Example

Knowledgeable trainer

Sridhar Voorakkara - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

I was amazed at the standard of this class - I would say that it was university standard.

David Relihan - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

Very good all round overview.Good background into why Tensorflow operates as it does.

Kieran Conboy - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

I liked the opportunities to ask questions and get more in depth explanations of the theory.

Sharon Ruane - INTEL R&D IRELAND LIMITED

Machine Learning and Deep Learning

We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company

Sebastiaan Holman - Travix International

Machine Learning and Deep Learning

The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.

Jean-Paul van Tillo - Travix International

Machine Learning and Deep Learning

Coverage and depth of topics

Anirban Basu - Travix International

Introduction to Deep Learning

The deep knowledge of the trainer about the topic.

Sebastian Görg - FANUC Europe Corporation

TensorFlow for Image Recognition

Very updated approach or api (tensorflow, kera, tflearn) to do machine learning

Paul Lee - Hong Kong Productivity Council

Subcategorías

Programas de los Cursos de Deep Learning

Código Nombre Duración Información General
datamodeling Reconocimiento de Patrones 35 horas This course provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics. The course is interactive and includes plenty of hands-on exercises, instructor feedback, and testing of knowledge and skills acquired. Audience     Data analysts     PhD students, researchers and practitioners   Introduction Probability theory, model selection, decision and information theory Probability distributions Linear models for regression and classification Neural networks Kernel methods Sparse kernel machines Graphical models Mixture models and EM Approximate inference Sampling methods Continuous latent variables Sequential data Combining models  
embeddingprojector Embedding Projector: Visualizing your Training Data 14 horas Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to: Explore how data is being interpreted by machine learning models Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals. Explore the properties of a specific embedding to understand the behavior of a model Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
mldt Aprendizaje Automático y Aprendizaje Profundo 21 horas This course covers AI (emphasizing Machine Learning and Deep Learning) Machine learning Introduction to Machine Learning Applications of machine learning Supervised Versus Unsupervised Learning Machine Learning Algorithms Regression Classification Clustering Recommender System Anomaly Detection Reinforcement Learning Regression Simple & Multiple Regression Least Square Method Estimating the Coefficients Assessing the Accuracy of the Coefficient Estimates Assessing the Accuracy of the Model Post Estimation Analysis Other Considerations in the Regression Models Qualitative Predictors Extensions of the Linear Models Potential Problems Bias-variance trade off [under-fitting/over-fitting] for regression models Resampling Methods Cross-Validation The Validation Set Approach Leave-One-Out Cross-Validation k-Fold Cross-Validation Bias-Variance Trade-Off for k-Fold The Bootstrap Model Selection and Regularization Subset Selection [Best Subset Selection, Stepwise Selection, Choosing the Optimal Model] Shrinkage Methods/ Regularization [Ridge Regression, Lasso & Elastic Net] Selecting the Tuning Parameter Dimension Reduction Methods Principal Components Regression Partial Least Squares Classification Logistic Regression The Logistic Model cost function Estimating the Coefficients Making Predictions Odds Ratio Performance Evaluation Matrices [Sensitivity/Specificity/PPV/NPV, Precision, ROC curve etc.] Multiple Logistic Regression Logistic Regression for >2 Response Classes Regularized Logistic Regression Linear Discriminant Analysis Using Bayes’ Theorem for Classification Linear Discriminant Analysis for p=1 Linear Discriminant Analysis for p >1 Quadratic Discriminant Analysis K-Nearest Neighbors Classification with Non-linear Decision Boundaries Support Vector Machines Optimization Objective The Maximal Margin Classifier Kernels One-Versus-One Classification One-Versus-All Classification Comparison of Classification Methods Introduction to Deep Learning ANN Structure Biological neurons and artificial neurons Non-linear Hypothesis Model Representation Examples & Intuitions Transfer Function/ Activation Functions Typical classes of network architectures Feed forward ANN. Structures of Multi-layer feed forward networks Back propagation algorithm Back propagation - training and convergence Functional approximation with back propagation Practical and design issues of back propagation learning Deep Learning Artificial Intelligence & Deep Learning Softmax Regression Self-Taught Learning Deep Networks Demos and Applications Lab: Getting Started with R Introduction to R Basic Commands & Libraries Data Manipulation Importing & Exporting data Graphical and Numerical Summaries Writing functions Regression Simple & Multiple Linear Regression Interaction Terms Non-linear Transformations Dummy variable regression Cross-Validation and the Bootstrap Subset selection methods Penalization [Ridge, Lasso, Elastic Net] Classification Logistic Regression, LDA, QDA, and KNN, Resampling & Regularization Support Vector Machine Resampling & Regularization Note: For ML algorithms, case studies will be used to discuss their application, advantages & potential issues. Analysis of different data sets will be performed using R
openface OpenFace: Creating Facial Recognition Systems 14 horas OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google’s FaceNet research. In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application. By the end of this training, participants will be able to: Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation. Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc. Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
deeplearning1 Introducción al Aprendizaje Profundo 21 horas Este curso es una visión general de Deep Learning sin profundizar en ningún método específico. Es adecuado para las personas que quieren empezar a usar el aprendizaje profundo para mejorar su precisión de la predicción. Backprop, modelos modulares Módulo Logsum Red RBF MAP / Pérdida MLE Transformaciones espaciales de parámetros Módulo convolucional Aprendizaje basado en gradientes Energía para inferencia, Objetivo para el aprendizaje PCA; NLL: Modelos de variables latentes Probabilística LVM Función de pérdida Reconocimiento de escritura a mano
t2t T2T: Creating Sequence to Sequence models for generalized learning 7 horas Tensor2Tensor (T2T) is a modular, extensible library for training AI models in different tasks, using different types of training data, for example: image recognition, translation, parsing, image captioning, and speech recognition. It is maintained by the Google Brain team. In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks. By the end of this training, participants will be able to: Install tensor2tensor, select a data set, and train and evaluate an AI model Customize a development environment using the tools and components included in Tensor2Tensor Create and use a single model to concurrently learn a number of tasks from multiple domains Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited Obtain satisfactory processing results using a single GPU Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
Fairseq Fairseq: Setting up a CNN-based machine translation system 7 horas Fairseq is an open-source sequence-to-sequence learning toolkit created by Facebok for use in Neural Machine Translation (NMT). In this training participants will learn how to use Fairseq to carry out translation of sample content. By the end of this training, participants will have the knowledge and practice needed to implement a live Fairseq based machine translation solution. Source and target language content samples can be prepared according to audience's requirements. Audience Localization specialists with a technical background Global content managers Localization engineers Software developers in charge of implementing global content solutions Format of the course     Part lecture, part discussion, heavy hands-on practice Introduction     Why Neural Machine Translation? Overview of the Torch project Overview of a Convolutional Neural Machine Translation model     Convolutional Sequence to Sequence Learning     Convolutional Encoder Model for Neural Machine Translation     Standard LSTM-based model Overview of training approaches     About GPUs and CPUs     Fast beam search generation Installation and setup Evaluating pre-trained models Preprocessing your data Training the model Translating Converting a trained model to use CPU-only operations Joining to the community Closing remarks
radvml Advanced Machine Learning with R 21 horas In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application. By the end of this training, participants will be able to: Use techniques as hyper-parameter tuning and deep learning Understand and implement unsupervised learning techniques Put a model into production for use in a larger application Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
dladv Aprendizaje Profundo (Deep Learning) Avanzado 28 horas Este curso visa proporcionar todas as ferramentas e explicitar todos os apectos necessários para que os participantes possam adquirir conhecimetos únicos e funcionais acerca do Deep learning avançado, com o objetivo de que possam aplicar-lo em seu uso cotidiano. Limitaciones del aprendizaje de la máquina Aprendizaje de máquinas, asignaciones no lineales Redes neuronales Optimización no lineal, gradiente estocástico / MiniBatch Decente Propagación trasera Codificación Dispersa Profunda Autocodificadores escamosos (SAE) Redes Neuronales Convolucionales (CNNs) Éxitos: Descriptor Matching Obstáculo basado en estéreo Evitación para Robótica Agrupación e invariancia Visualización / Redes Deconvolucionarias Las Redes Neuronales Recurrentes (RNN) y su optimización Aplicaciones a la PNL Las RNN continuaron, Optimización de Hessian-Free Análisis del lenguaje: vectores de palabras / frases, análisis sintáctico, análisis de sentimientos, etc. Modelos gráficos probabilísticos Hopfield Nets, Máquinas Boltzmann, Máquinas Boltzmann Restringidas Hopfield Networks, (Restringido) Máquinas de Bolzmann Deep Belief Nets, RBMs apilados Aplicaciones a NLP, Pose y Reconocimiento de Actividad en Videos Avances recientes Aprendizaje a Gran Escala Máquinas de Turing Neural
pythonadvml Python for Advanced Machine Learning 21 horas In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data. By the end of this training, participants will be able to: Implement machine learning algorithms and techniques for solving complex problems Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data Push Python algorithms to their maximum potential Use libraries and packages such as NumPy and Theano Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
tf101 Aprendizaje Profundo con TensorFlow 21 horas TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para Deep Learning. El sistema está diseñado para facilitar la investigación en aprendizaje de máquina, y para hacer rápida y fácil la transición del prototipo de investigación al sistema de producción. Audiencia Este curso está dirigido a ingenieros que buscan usar TensorFlow para sus proyectos de Aprendizaje Profundo Después de completar este curso, los delegados: entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar producción avanzada como los modelos de entrenamiento, la construcción de gráficos y registro Aprendizaje Automático y Redes Neuronales Recursivas (RNN) NN y RNN Backprogation La memoria de largo plazo (LSTM) Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPU¹ Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio ¹ El tema Uso avanzado, "Uso de GPUs", no está disponible como parte de un curso remoto. Este módulo puede ser entregado durante los cursos en el aula, pero sólo con un acuerdo previo, y solo si el entrenador y todos los participantes tienen computadoras portátiles con GPU NVIDIA compatibles, con Linux de 64 bits instalado (no proporcionado por NobleProg). NobleProg no puede garantizar la disponibilidad de capacitadores con el hardware necesario.
facebooknmt Facebook NMT: Setting up a neural machine translation system 7 horas Fairseq is an open-source sequence-to-sequence learning toolkit created by Facebok for use in Neural Machine Translation (NMT). In this training participants will learn how to use Fairseq to carry out translation of sample content. By the end of this training, participants will have the knowledge and practice needed to implement a live Fairseq based machine translation solution. Audience Localization specialists with a technical background Global content managers Localization engineers Software developers in charge of implementing global content solutions Format of the course Part lecture, part discussion, heavy hands-on practice Note If you wish to use specific source and target language content, please contact us to arrange. Introduction     Why Neural Machine Translation?     Borrowing from image recognition techniques Overview of the Torch and Caffe2 projects Overview of a Convolutional Neural Machine Translation model     Convolutional Sequence to Sequence Learning     Convolutional Encoder Model for Neural Machine Translation     Standard LSTM-based model Overview of training approaches     About GPUs and CPUs     Fast beam search generation Installation and setup Evaluating pre-trained models Preprocessing your data Training the model Translating Converting a trained model to use CPU-only operations Joining to the community Closing remarks
tpuprogramming TPU Programming: Building Neural Network Applications on Tensor Processing Units 7 horas The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision. In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications. By the end of the training, participants will be able to: Train various types of neural networks on large amounts of data Use TPUs to speed up the inference process by up to two orders of magnitude Utilize TPUs to process intensive applications such as image search, cloud vision and photos Audience Developers Researchers Engineers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
tfir TensorFlow para Reconocimiento de Imágenes 28 horas Este curso explora, con ejemplos específicos, la aplicación de Flujo Tensor a los propósitos de reconocimiento de imagen Audiencia Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para los propósitos de reconocimiento de imágenes Después de completar este curso, los delegados podrán: entender la estructura y los mecanismos de despliegue de TensorFlow llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración evaluar la calidad del código, realizar depuración, monitoreo implementar la producción avanzada como modelos de formación, creación de gráficos y registro Aprendizaje Automático y Redes Neuronales Recursivas (RNN) NN y RNN Backprogation La memoria de largo plazo (LSTM) Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Archivos de Tutorial Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPU¹ Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio Redes Neuronales Convolucionales Visión de conjunto Metas Aspectos destacados del tutorial Arquitectura del Modelo Organización del código Modelo CIFAR-10 Entradas del modelo Predicción de modelo Formación Modelo Lanzamiento y formación del modelo Evaluación de un modelo Formación de un modelo con varias tarjetas GPU¹ Colocación de variables y operaciones en dispositivos Lanzamiento y entrenamiento del modelo en múltiples tarjetas GPU Aprendizaje profundo para MNIST Preparar Carga de datos MNIST Iniciar TensorFlow InteractiveSession Construir un modelo de regresión Softmax Marcadores de posición Variables Función de clase y costo pronosticada Entrenar el modelo Evaluar el modelo Construir una red convolucional multicapa Inicialización del peso Convolución y agrupación Primera capa convolucional Segunda capa convolucional Capa Densamente Conectada Capa de lectura Entrenar y evaluar el modelo Reconocimiento de imagen Inception-v3 C ++ Java ¹ Los temas relacionados con el uso de GPUs no están disponibles como parte de un curso remoto. Pueden ser entregados durante los cursos en el aula, pero sólo con un acuerdo previo, y solo si el entrenador y todos los participantes tienen computadoras portátiles con GPU NVIDIA compatibles, con Linux de 64 bits instalado (no proporcionado por NobleProg). NobleProg no puede garantizar la disponibilidad de capacitadores con el hardware necesario.
tsflw2v Procesamiento del Lenguaje Natural con TensorFlow 35 horas TensorFlow ™ es una biblioteca de software de código abierto para computación numérica utilizando gráficos de flujo de datos. SyntaxNet es una estructura de procesamiento de lenguaje natural de la red neuronal para TensorFlow. Word2Vec se utiliza para el aprendizaje de representaciones vectoriales de palabras, llamadas "embeddings palabra". Word2vec es un modelo predictivo particularmente computacionalmente eficiente para aprender las incorporaciones de palabras a partir de texto en bruto. Viene en dos sabores, el modelo continuo de la bolsa-de-palabras (CBOW) y el modelo de Skip-Gram (capítulo 3.1 y 3.2 en Mikolov y otros). Utilizado en tándem, SyntaxNet y Word2Vec permite a los usuarios generar modelos de incorporación aprendida de entrada de lenguaje natural. Audiencia Este curso está dirigido a desarrolladores e ingenieros que tienen la intención de trabajar con los modelos SyntaxNet y Word2Vec en sus gráficos TensorFlow. Después de completar este curso, los delegados: Entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro Empezando Instalación e instalación Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPUs Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio Introducción a SyntaxNet Análisis de entrada estándar Anotar un Corpus Configuración de los scripts de Python Construyendo un oleoducto de PNL con SyntaxNet Obtención de datos Etiquetado de parte del habla Entrenamiento del sintaxis POS Tagger Preprocesamiento con el Tagger Análisis de dependencia: Análisis basado en la transición Entrenamiento de un analizador Paso 1: Pretraining local Formación de un analizador Paso 2: Formación global Representaciones Vectoriales de Palabras Motivación: ¿Por qué aprender las incorporaciones de palabras? Aumentar la escala con el entrenamiento con interferencia de ruido El modelo Skip-gram Construyendo el Gráfico Formación del modelo Visualización de los Embeddings aprendidos Evaluación de Embeddings: Razonamiento analógico Optimización de la implementación
w2vdl4j NLP con Deeplearning4j 14 horas Deeplearning4j es una biblioteca de código abierto y de aprendizaje profundo escrita para Java y Scala. Integrado con Hadoop y Spark, DL4J está diseñado para ser utilizado en entornos empresariales en GPUs y CPU distribuidas. Word2Vec es un método de computación de representaciones vectoriales de palabras introducidas por un equipo de investigadores de Google liderado por Tomas Mikolov. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Deeplearning4J para construir modelos Word2Vec. Empezando Ejemplos de DL4J en unos pocos pasos sencillos Uso de DL4J en sus propios proyectos: Configuración del archivo POM.xml Word2Vec Introducción Embellecimientos de palabras neuronales Amusing Word2vec Resultados el código Anatomía de Word2Vec Configuración, carga y tren Un ejemplo de código Solución de problemas y ajuste Word2Vec Casos de uso de Word2vec Idiomas extranjeros GloVe (vectores globales) y Doc2Vec
dl4jir DeepLearning4J para el Reconocimiento de Imágenes 21 horas Deeplearning4j es un software Open-Source Deep-Learning para Java y Scala en Hadoop y Spark. Audiencia Este curso está dirigido a ingenieros y desarrolladores que buscan utilizar DeepLearning4J en sus proyectos de reconocimiento de imágenes. Empezando Inicio rápido: Ejecución de ejemplos y DL4J en sus proyectos Guía de configuración completa Redes Neuronales Convolucionales Introducción a la red convolucional Las imágenes son 4-D Tensors? Definición de ConvNet Cómo funcionan las redes convolucionales Maxpooling / Downsampling DL4J Ejemplo de código Otros recursos Conjuntos de datos Conjuntos de datos y aprendizaje de máquinas Conjuntos de datos personalizados Cargas de datos CSV Poner a escala Reducir Iterativo Definido Multiprocesador / Clustering Ejecución de los nodos de los trabajadores Advanced DL2J Construir localmente desde Master Utilizar la herramienta Maven Build Vectorizar datos con Canova Construir una tubería de datos Ejecutar puntos de referencia Configurar DL4J en Ivy, Gradle, SBT, etc Buscar una clase o método DL4J Guardar y cargar modelos Interpretar la salida neural de la red Visualice los datos con t-SNE Swap CPUs para GPUs Personalizar un pipeline de imagen Realizar la regresión con redes neuronales Solucionar problemas de formación y seleccionar hiperparámetros de red Visualice, monitoree y depure el aprendizaje en red Acelerar la chispa con binarios nativos Construir un motor de recomendación con DL4J Utilizar redes recurrentes en DL4J Construya arquitecturas complejas de la red con el gráfico de la computación Redes de trenes que usan detención temprana Descargar Snapshots With Maven Personalizar una función de pérdida
caffe Aprendizaje Profundo para la Visión con Caffe 21 horas Caffe es un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente. Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco. Después de completar este curso, los delegados podrán: entender la estructura de Caffe y los mecanismos de despliegue llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración evaluar la calidad del código, realizar depuración, monitoreo implementar la producción avanzada como modelos de entrenamiento, implementación de capas y registro Instalación Estibador Ubuntu Instalación de RHEL / CentOS / Fedora Ventanas Información acerca de Caffe Redes, Capas y Blobs: la anatomía de un modelo Caffe. Forward / Backward: los cálculos esenciales de los modelos de composición en capas. Pérdida: la tarea a ser aprendida es definida por la pérdida. Solver: el solver coordina la optimización del modelo. Catálogo de capa: la capa es la unidad fundamental de modelado y cálculo. El catálogo de Caffe incluye capas para modelos de última generación. Interfaces: línea de comandos, Python y MATLAB Caffe. Datos: cómo cafeína los datos para la entrada del modelo. Caffeinated Convolution: cómo Caffe calcula las circunvoluciones. Nuevos modelos y nuevo código Detección con Fast R-CNN Secuencias con LSTMs y Vision + Language con LRCN Predicción Pixelwise con FCNs Diseño del marco y futuro Ejemplos: MNIST
Neuralnettf Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo 28 horas This course will give you knowledge in neural networks and generally in machine learning algorithm,  deep learning (algorithms and applications). This training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow. TensorFlow Basics Creation, Initializing, Saving, and Restoring TensorFlow variables Feeding, Reading and Preloading TensorFlow Data How to use TensorFlow infrastructure to train models at scale Visualizing and Evaluating models with TensorBoard TensorFlow Mechanics Inputs and Placeholders Build the GraphS Inference Loss Training Train the Model The Graph The Session Train Loop Evaluate the Model Build the Eval Graph Eval Output The Perceptron Activation functions The perceptron learning algorithm Binary classification with the perceptron Document classification with the perceptron Limitations of the perceptron From the Perceptron to Support Vector Machines Kernels and the kernel trick Maximum margin classification and support vectors Artificial Neural Networks Nonlinear decision boundaries Feedforward and feedback artificial neural networks Multilayer perceptrons Minimizing the cost function Forward propagation Back propagation Improving the way neural networks learn Convolutional Neural Networks Goals Model Architecture Principles Code Organization Launching and Training the Model Evaluating a Model
MicrosoftCognitiveToolkit Microsoft Cognitive Toolkit 2.x 21 horas Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks. In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such data, speech, text, and images. By the end of this training, participants will be able to: Access CNTK as a library from within a Python, C#, or C++ program Use CNTK as a standalone machine learning tool through its own model description language (BrainScript) Use the CNTK model evaluation functionality from a Java program Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs) Scale computation capacity on CPUs, GPUs and multiple machines Access massive datasets using existing programming languages and algorithms Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice Note If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange. To request a customized course outline for this training, please contact us.
Torch Torch: Introducción a Máquina y Aprendizaje Profundo 21 horas Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others. In this course we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned. By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects. Audience     Software developers and programmers wishing to enable Machine and Deep Learning within their applications Format of the course     Overview of Machine and Deep Learning     In-class coding and integration exercises     Test questions sprinkled along the way to check understanding Introduction to Torch     Like NumPy but with CPU and GPU implementation     Torch's usage in machine learning, computer vision, signal processing, parallel processing, image, video, audio and networking Installing Torch     Linux, Windows, Mac     Bitmapi and Docker Installing Torch packages     Using the LuaRocks package manager Choosing an IDE for Torch     ZeroBrane Studio     Eclipse plugin for Lua Working with the Lua scripting language and LuaJIT     Lua's integration with C/C++     Lua syntax: datatypes, loops and conditionals, functions, functions, tables, and file i/o.     Object orientation and serialization in Torch     Coding exercise Loading a dataset in Torch     MNIST     CIFAR-10, CIFAR-100     Imagenet Machine Learning in Torch     Deep Learning         Manual feature extraction vs convolutional networks     Supervised and Unsupervised Learning         Building a neural network with Torch         N-dimensional arrays Image analysis with Torch     Image package     The Tensor library Working with the REPL interpreter Working with databases Networking and Torch GPU support in Torch Integrating Torch     C, Python, and others Embedding Torch     iOS and Android Other frameworks and libraries     Facebook's optimized deep-learning modules and containers Creating your own package Testing and debugging Releasing your application The future of AI and Torch
dsstne Amazon DSSTNE: Build a recommendation system 7 horas Amazon DSSTNE is an open-source library for training and deploying recommendation models. It allows models with weight matrices that are too large for a single GPU to be trained on a single host. In this instructor-led, live training, participants will learn how to use DSSTNE to build a recommendation application. By the end of this training, participants will be able to: Train a recommendation model with sparse datasets as input Scale training and prediction models over multiple GPUs Spread out computation and storage in a model-parallel fashion Generate Amazon-like personalized product recommendations Deploy a production-ready application that can scale at heavy workloads Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.  
OpenNN OpenNN: Implementación de Redes Neuronales 14 horas OpenNN is an open-source class library written in C++  which implements neural networks, for use in machine learning. In this course we go over the principles of neural networks and use OpenNN to implement a sample application. Audience     Software developers and programmers wishing to create Deep Learning applications. Format of the course     Lecture and discussion coupled with hands-on exercises. Introduction to OpenNN, Machine Learning and Deep Learning Downloading OpenNN Working with Neural Designer     Using Neural Designer for descriptive, diagnostic, predictive and prescriptive analytics OpenNN architecture     CPU parallelization OpenNN classes     Data set, neural network, loss index, training strategy, model selection, testing analysis     Vector and matrix templates Building a neural network application     Choosing a suitable neural network     Formulating the variational problem (loss index)     Solving the reduced function optimization problem (training strategy) Working with datasets      The data matrix (columns as variables and rows as instances) Learning tasks     Function regression     Pattern recognition Compiling with QT Creator Integrating, testing and debugging your application The future of neural networks and OpenNN
dlv Aprendizaje Profundo para Vision 21 horas Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora Este curso proporciona ejemplos prácticos. Aprendizaje Profundo vs Aprendizaje de Máquina vs Otros Métodos Cuando Deep Learning es adecuado Límites del Aprendizaje Profundo Comparación de la precisión y el costo de diferentes métodos Métodos Redes y capas Forward / Backward: los cálculos esenciales de los modelos de composición en capas. Pérdida: la tarea a ser aprendida es definida por la pérdida. Solver: el solver coordina la optimización del modelo. Layer Catalog: la capa es la unidad fundamental de modelado y cálculo Convolución Métodos y modelos Backprop, modelos modulares Módulo Logsum Red RBF MAP / Pérdida MLE Transformaciones espaciales de parámetros Módulo Convolucional Aprendizaje basado en gradientes Energía para inferencia, Objetivo para el aprendizaje PCA; NLL: Modelos de variables latentes LVM Probabilístico Función de pérdida Detección con Fast R-CNN Secuencias con LSTMs y Vision + Language con LRCN Predicción Pixelwise con FCNs Diseño del marco y futuro Tools Caffe Tensorflow R Matlab Otros...

Próximos Cursos

CursoFechaPrecio del Curso [A distancia / Presencial]
Machine Learning and Deep Learning - Bilbao Mié, 2017-11-08 09:305400EUR / 6050EUR
Deep Learning for Vision - Malaga City CenterMié, 2017-11-15 09:306220EUR / 6870EUR

Other regions

Cursos de Fin de Semana de Deep Learning, Capacitación por la Tarde de Deep Learning, Deep Learning boot camp, Clases de Deep Learning , Capacitación de Fin de Semana de Deep Learning, Clases Particulares de Deep Learning, Programas de capacitación de Deep Learning, Capacitador de Deep Learning, Cursos por la Tarde de Deep Learning, Clases de Deep Learning , Deep Learning con instructor, Capacitación empresarial de Deep Learning, Cursos Privados de Deep Learning, Instructor de Deep Learning, Cursos en linea de Deep Learning, Deep Learning en sitio, Cursos de Formación de Deep Learning, Deep Learning coaching

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No vamos a pasar o vender su dirección a otros.
Siempre puede cambiar sus preferencias o anular la suscripción por completo.

Algunos de nuestros clientes