Cursos de Aprendizaje profundo

Aprendizaje profundo Training

Capacitación en conjunto de algoritmos en aprendizaje automático (en inglés, machine learning)

Testimonios de los Clientes

Programas de los Cursos de Aprendizaje profundo

Código Nombre Duración Información General
undnn Understanding Deep Neural Networks 35 horas This course begins with giving you conceptual knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). Part-1(40%) of this training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc. Part-2(20%) of this training introduces Theano - a python library that makes writing deep learning models easy. Part-3(40%) of the training would be extensively based on Tensorflow - 2nd Generation API of Google's open source software library for Deep Learning. The examples and handson would all be made in TensorFlow. Audience This course is intended for engineers seeking to use TensorFlow for their Deep Learning projects After completing this course, delegates will: have a good understanding on deep neural networks(DNN), CNN and RNN understand TensorFlow’s structure and deployment mechanisms be able to carry out installation / production environment / architecture tasks and configuration be able to assess code quality, perform debugging, monitoring be able to implement advanced production like training models, building graphs and logging   Not all the topics would be covered in a public classroom with 35 hours duration due to the vastness of the subject. The Duration of the complete course will be around 70 hours and not 35 hours.
tf101 Deep Learning with 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
facebooknmt Facebook NMT: Setting up a neural machine translation system 7 horas Fairseq es un conjunto de herramientas de aprendizaje de secuencia a secuencia de código abierto creado por Facebok para su uso en la traducción automática neuronal (NMT). En esta capacitación, los participantes aprenderán a usar Fairseq para llevar a cabo la traducción del contenido de muestra. Al final de esta capacitación, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución de traducción automática basada en Fairseq. Audiencia Especialistas en localización con experiencia técnica Gerentes de contenido global Ingenieros de localización Desarrolladores de software a cargo de implementar soluciones de contenido global Formato del curso Conferencia parcial, discusión parcial, práctica práctica intensa Nota Si desea utilizar contenido específico en el idioma de origen y de destino, contáctenos para organizarlo.
MicrosoftCognitiveToolkit Microsoft Cognitive Toolkit 2.x 21 horas Microsoft Cognitive Toolkit 2.x (anteriormente CNTK) es un juego de herramientas de código abierto de grado comercial que entrena algoritmos de aprendizaje profundo para aprender como el cerebro humano. Según Microsoft, CNTK puede ser 5-10 veces más rápido que TensorFlow en redes recurrentes, y de 2 a 3 veces más rápido que TensorFlow para tareas relacionadas con imágenes. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Microsoft Cognitive Toolkit para crear, entrenar y evaluar algoritmos de aprendizaje profundo para su uso en aplicaciones de AI comerciales que involucren múltiples tipos de datos tales como datos, voz, texto e imágenes. Al final de esta capacitación, los participantes podrán: Acceda a CNTK como una biblioteca desde un programa de Python, C # o C ++ Use CNTK como una herramienta independiente de aprendizaje automático a través de su propio lenguaje de descripción de modelo (BrainScript) Utilice la funcionalidad de evaluación del modelo CNTK de un programa Java Combinar DNN de feed-forward, redes convolucionales (CNN) y redes recurrentes (RNNs / LSTM) Escala de capacidad de cálculo en CPU, GPU y múltiples máquinas Acceda a conjuntos de datos masivos utilizando los lenguajes de programación y algoritmos existentes Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica Nota Si desea personalizar cualquier parte de esta capacitación, incluido el lenguaje de programación que prefiera, contáctenos para organizarlo.
mlbankingpython_ Machine Learning for Banking (with Python) 21 horas In this instructor-led, live training, participants will learn how to apply machine learning techniques and tools for solving real-world problems in the banking industry. Python will be used as the programming language. Participants first learn the key principles, then put their knowledge into practice by building their own machine learning models and using them to complete a number of team projects. Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
Torch Torch: Getting started with Machine and Deep Learning 21 horas Torch es una biblioteca de aprendizaje de máquina de código abierto y un marco informático científico basado en el lenguaje de programación Lua. Proporciona un entorno de desarrollo para numéricos, aprendizaje automático y visión por computadora, con un énfasis particular en aprendizaje profundo y redes convolucionales. Es uno de los marcos más rápidos y flexibles para Machine and Deep Learning y lo utilizan compañías como Facebook, Google, Twitter, NVIDIA, AMD, Intel y muchas otras. En este curso, cubrimos los principios de Torch, sus características únicas y cómo se puede aplicar en aplicaciones del mundo real. Pasamos por numerosos ejercicios prácticos en todas partes, demostrando y practicando los conceptos aprendidos. Al final del curso, los participantes comprenderán a fondo las características y capacidades subyacentes de Torch, así como su rol y contribución dentro del espacio de IA en comparación con otros marcos y bibliotecas. Los participantes también habrán recibido la práctica necesaria para implementar Torch en sus propios proyectos. Audiencia      Desarrolladores de software y programadores que deseen habilitar Machine and Deep Learning dentro de sus aplicaciones Formato del curso      Descripción general de Machine and Deep Learning      Ejercicios de integración y codificación en clase      Preguntas de prueba salpicadas en el camino para verificar la comprensión
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
dlfornlp Deep Learning for NLP (Natural Language Processing) 28 horas Deep Learning for NLP allows a machine to learn simple to complex language processing. Among the tasks currently possible are language translation and caption generation for photos. DL (Deep Learning) is a subset of ML (Machine Learning). Python is a popular programming language that contains libraries for Deep Learning for NLP. In this instructor-led, live training, participants will learn to use Python libraries for NLP (Natural Language Processing) as they create an application that processes a set of pictures and generates captions.  By the end of this training, participants will be able to: Design and code DL for NLP using Python libraries Create Python code that reads a substantially huge collection of pictures and generates keywords Create Python Code that generates captions from the detected keywords Audience Programmers with interest in linguistics Programmers who seek an understanding of NLP (Natural Language Processing)  Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
singa Mastering Apache SINGA 21 horas SINGA es una plataforma de aprendizaje profundo distribuida para la formación de grandes modelos de aprendizaje profundo sobre grandes conjuntos de datos. Está diseñado con un modelo de programación intuitivo basado en la abstracción de capas. Se admite una variedad de modelos populares de aprendizaje profundo, a saber, los modelos de feed-forward que incluyen redes neuronales convolucionales (CNN), modelos energéticos como la máquina Boltzmann restringida (RBM) y redes neuronales recurrentes (RNN). Muchas capas integradas se proporcionan para los usuarios. La arquitectura de SINGA es lo suficientemente flexible como para ejecutar marcos de formación síncronos, asíncronos e híbridos. SINGA también soporta diferentes esquemas de particionamiento de red neural para paralelizar el entrenamiento de grandes modelos, a saber, partición en la dimensión de lote, dimensión de entidad o partición híbrida. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Apache SINGA como un marco de aprendizaje profundo. Después de completar este curso, los delegados: entender la estructura y los mecanismos de implementación de SINGA 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
dl4j Dominando Deeplearning4j 21 horas Deeplearning4j es la primera biblioteca de aprendizaje profundo, de código abierto y de código abierto, escrita para Java y Scala. Integrado con Hadoop y Spark, DL4J está diseñado para ser utilizado en entornos empresariales en GPUs y CPU distribuidas. Audiencia Este curso está dirigido a ingenieros y desarrolladores que buscan utilizar Deeplearning4j en sus proyectos. Después de este curso, los delegados podrán:
tpuprogramming Programación de TPU: Construcción de Aplicaciones de Redes Neuronales en Unidades de Procesamiento de Tensiones 7 horas La Unidad de Procesamiento de Tensor (TPU) es la arquitectura que Google ha utilizado internamente durante varios años y ahora está disponible para el público en general. Incluye varias optimizaciones específicamente para su uso en redes neuronales, incluida la multiplicación simplificada de matrices, y enteros de 8 bits en lugar de 16 bits para devolver niveles adecuados de precisión. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de inteligencia artificial. Al final de la capacitación, los participantes podrán: Entrenar varios tipos de redes neuronales en grandes cantidades de datos Use TPU para acelerar el proceso de inferencia hasta en dos órdenes de magnitud Utilice TPU para procesar aplicaciones intensivas, como búsqueda de imágenes, visión en la nube y fotos Audiencia Desarrolladores Investigadores Ingenieros Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
drlpython Deep Reinforcement Learning with Python 21 horas Deep Reinforcement Learning refers to the ability of an "artificial agents" to learn by trial-and-error and rewards-and-punishments. An artificial agent aims to emulate a human's ability to obtain and construct knowledge on its own, directly from raw inputs such as vision. To realize reinforcement learning, deep learning and neural networks are used. Reinforcement learning is different from machine learning and does not rely on supervised and unsupervised learning approaches. In this instructor-led, live training, participants will learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent. By the end of this training, participants will be able to: Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning Apply advanced Reinforcement Learning algorithms to solve real-world problems Build a Deep Learning Agent Audience Developers Data Scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
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.
bspkannmldt Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático 21 horas
tensorflowserving Curso de TensorFlow Serving 7 horas TensorFlow Serving es un sistema para servir modelos de aprendizaje automático (ML) a la producción. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a configurar y usar TensorFlow Serving para implementar y administrar modelos ML en un entorno de producción. Al final de esta capacitación, los participantes podrán: Entrene, exporte y sirva varios modelos de TensorFlow Pruebe e implemente algoritmos utilizando una única arquitectura y un conjunto de API Extienda TensorFlow Sirviendo para servir a otros tipos de modelos más allá de los modelos TensorFlow Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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
Neuralnettf Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo 28 horas Este curso le proporcionará conocimientos en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow.
pythonadvml Python para el Aprendizaje Automático Avanzado 21 horas En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y de vanguardia en Python a medida que crean una serie de aplicaciones de demostración que incluyen imágenes, música, texto y datos financieros. Al final de esta capacitación, los participantes podrán: Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos Aplicar el aprendizaje profundo y el aprendizaje semi-supervisado a aplicaciones que involucren imagen, música, texto e información financiera Empujar los algoritmos de Python a su máximo potencial Usa bibliotecas y paquetes como NumPy y Theano Audiencia Desarrolladores Analistas Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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
dlfinancewithr Deep Learning for Finance (with R) 28 horas Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. R is a popular programming language in the financial industry. It is used in financial applications ranging from core trading programs to risk management systems. In this instructor-led, live training, participants will learn how to implement deep learning models for finance using R as they step through the creation of a deep learning stock price prediction model. By the end of this training, participants will be able to: Understand the fundamental concepts of deep learning Learn the applications and uses of deep learning in finance Use R to create deep learning models for finance Build their own deep learning stock price prediction model using R Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
matlabdl Matlab para el Aprendizaje Profundo 14 horas En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes. Al final de esta capacitación, los participantes podrán: Construya un modelo de aprendizaje profundo Automatizar el etiquetado de datos Trabaja con modelos de Caffe y TensorFlow-Keras Entrene datos usando múltiples GPU, la nube o clusters Audiencia Desarrolladores Ingenieros Expertos de dominio Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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.
dlforbankingwithr Deep Learning for Banking (with R) 28 horas Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. R is a popular programming language in the financial industry. It is used in financial applications ranging from core trading programs to risk management systems. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using R as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to: Understand the fundamental concepts of deep learning Learn the applications and uses of deep learning in banking Use R to create deep learning models for banking Build their own deep learning credit risk model using R Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
OpenNN OpenNN: Implementación de Redes Neuronales 14 horas OpenNN es una biblioteca de clases de código abierto escrita en C ++ que implementa redes neuronales para su uso en aprendizaje automático. En este curso repasaremos los principios de las redes neuronales y utilizaremos OpenNN para implementar una aplicación de muestra. Audiencia      Desarrolladores de software y programadores que deseen crear aplicaciones de Deep Learning. Formato del curso      Conferencia y discusión junto con ejercicios prácticos.
dlforfinancewithpython Deep Learning for Finance (with Python) 28 horas Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for finance using Python as they step through the creation of a deep learning stock price prediction model. By the end of this training, participants will be able to: Understand the fundamental concepts of deep learning Learn the applications and uses of deep learning in finance Use Python, Keras, and TensorFlow to create deep learning models for finance Build their own deep learning stock price prediction model using Python Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
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.
dlforbankingwithpython Deep Learning for Banking (with Python) 28 horas Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to: Understand the fundamental concepts of deep learning Learn the applications and uses of deep learning in banking Use Python, Keras, and TensorFlow to create deep learning models for banking Build their own deep learning credit risk model using Python Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
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.
dsstne Amazon DSSTNE: Construya un Sistema de Recomendación 7 horas Amazon DSSTNE es una biblioteca de código abierto para el entrenamiento y la implementación de modelos de recomendación. Permite modelos con matrices de peso que son demasiado grandes para que una sola GPU se entrene en un solo host. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar DSSTNE para crear una aplicación de recomendación. Al final de esta capacitación, los participantes podrán: Entrene un modelo de recomendación con conjuntos de datos dispersos como entrada Escala de entrenamiento y modelos de predicción en múltiples GPU Extienda el cómputo y el almacenamiento de forma paralela a los modelos Genere recomendaciones de productos personalizados similares a Amazon. Implemente una aplicación lista para producción que pueda escalar a cargas de trabajo pesadas Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
datamodeling Reconocimiento de Patrones 35 horas Este curso proporciona una introducción en el campo del reconocimiento de patrones y el aprendizaje automático. Se trata de aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática. El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos. Audiencia      Analistas de datos      Estudiantes de doctorado, investigadores y profesionales
t2t T2T: Creación de Modelos de Secuencia a Secuencia para el Aprendizaje Generalizado 7 horas Tensor2Tensor (T2T) es una biblioteca modular y extensible para el entrenamiento de modelos de AI en diferentes tareas, utilizando diferentes tipos de datos de entrenamiento, por ejemplo: reconocimiento de imágenes, traducción, análisis sintáctico, subtítulos de imágenes y reconocimiento de voz. Lo mantiene el equipo de Google Brain. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo preparar un modelo de aprendizaje profundo para resolver tareas múltiples. Al final de esta capacitación, los participantes podrán: Instalar tensor2tensor, seleccionar un conjunto de datos y entrenar y evaluar un modelo de IA Personalice un entorno de desarrollo utilizando las herramientas y los componentes incluidos en Tensor2Tensor Cree y use un único modelo para aprender de forma simultánea varias tareas de varios dominios Utilice el modelo para aprender de tareas con una gran cantidad de datos de entrenamiento y aplicar ese conocimiento a tareas donde los datos son limitados Obtenga resultados de procesamiento satisfactorios con una sola GPU Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
mldt Aprendizaje Automático y Aprendizaje Profundo 21 horas Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)  
embeddingprojector Embedding Projector: Visualización de sus Datos de Entrenamiento 14 horas Embedding Projector es una aplicación web de código abierto para visualizar los datos utilizados para entrenar sistemas de aprendizaje automático. Creado por Google, es parte de TensorFlow. Esta capacitación en vivo dirigida por un instructor presenta los conceptos detrás de Embedding Projector y guía a los participantes a través de la configuración de un proyecto de demostración. Al final de esta capacitación, los participantes podrán: Explore cómo los datos se interpretan mediante modelos de aprendizaje automático Navegue a través de vistas 3D y 2D de datos para comprender cómo lo interpreta un algoritmo de aprendizaje automático Comprenda los conceptos detrás de Embeddings y su papel en la representación de vectores matemáticos para imágenes, palabras y números. Explore las propiedades de una incrustación específica para comprender el comportamiento de un modelo Aplicar Embedding Project a casos de uso del mundo real, como crear un sistema de recomendación de canciones para amantes de la música Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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.
openface OpenFace: Creación de Sistemas de Reconocimiento Facial 14 horas OpenFace es un software de reconocimiento facial en tiempo real basado en Python y Torch basado en la investigación FaceNet de Google. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear y desplegar una aplicación de reconocimiento facial de muestra. Al final de esta capacitación, los participantes podrán: Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC, Torch y nn4 para implementar la detección de rostros, la alineación y la transformación. Aplique OpenFace a aplicaciones del mundo real tales como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etc. Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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
radvml Aprendizaje Automático Avanzado con R 21 horas En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas para el aprendizaje automático con R a medida que avanzan en la creación de una aplicación en el mundo real. Al final de esta capacitación, los participantes podrán: Utiliza técnicas como el ajuste de hiperparámetros y el aprendizaje profundo Comprender e implementar técnicas de aprendizaje no supervisadas Ponga un modelo en producción para usar en una aplicación más grande Audiencia Desarrolladores Analistas Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica  

Próximos Cursos

Cursos de Fin de Semana de Aprendizaje profundo, Capacitación por la Tarde de Aprendizaje profundo, Aprendizaje profundo boot camp, Clases de Aprendizaje profundo , Cursos en linea de Aprendizaje profundo, Capacitación empresarial de Aprendizaje profundo, Cursos Privados de Aprendizaje profundo, Programas de capacitación de Aprendizaje profundo, Talleres para empresas de Aprendizaje profundo, Aprendizaje profundo coaching, Aprendizaje profundo en sitio,Capacitación de Fin de Semana de Aprendizaje profundo, Clases Particulares de Aprendizaje profundo, Instructor de Aprendizaje profundo, Cursos por la Tarde de Aprendizaje profundo, Clases de Aprendizaje profundo , Cursos de Formación de Aprendizaje profundo, Aprendizaje profundo con instructor

Promociones

Curso Ubicación Fecha Precio del Curso [A distancia / Presencial]
MongoDB for Developers Madrid Mar, 2018-03-06 09:30 2520EUR / 3420EUR
Red Neuronal en R Zaragoza Jue, 2018-03-15 09:30 3357EUR / 3557EUR
Agile Software Testing Madrid Mié, 2018-03-21 09:30 2430EUR / 3330EUR
Introducción MoDAF/NAF Madrid Vie, 2018-03-23 09:30 1422EUR / 1972EUR
Hadoop for Data Analysts Valencia Jue, 2018-06-14 09:30 3672EUR / 3872EUR

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