Cursos de Machine Learning

Machine Learning Training

Machine Learning courses

Testi...Client Testimonials

Applied Machine Learning

ref material to use later was very good.

PAUL BEALES- Seagate Technology.

Artificial Neural Networks, Machine Learning, Deep Thinking

It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.

Jonathan Blease - Knowledgepool Group Ltd

Applied Machine Learning

ref material to use later was very good

PAUL BEALES - Seagate Technology

Data Mining & Machine Learning with R

The trainer was so knowledgeable and included areas I was interested in

Mohamed Salama - Edmonton Police Service

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

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

Artificial Neural Networks, Machine Learning and Deep Thinking

Very flexible

Frank Ueltzhöffer - Robert Bosch GmbH

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

A practical introduction to Data Analysis and Big Data

Willingness to share more

Balaram Chandra Paul - MOL Information Technology Asia Limited

Neural Networks Fundamentals using TensorFlow as Example

Given outlook of the technology: what technology/process might become more important in the future; see, what the technology can be used for

Commerzbank AG

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Subcategorías

Programas de los Cursos de Machine Learning

Código Nombre Duración Información General
opennmt OpenNMT: Implementing a Neural Machine Translation solution 7 horas OpenNMT es un sistema de traducción de máquina neural completo, de código abierto (MIT) que utiliza el juego de herramientas matemático de la Antorcha. En esta capacitación, los participantes aprenderán cómo configurar y utilizar OpenNMT para llevar a cabo la traducción de varios conjuntos de datos de muestra. El curso comienza con una visión general de las redes neuronales que se aplican a la traducción automática. Los participantes realizarán ejercicios en vivo para demostrar su comprensión de los conceptos aprendidos y obtener retroalimentación del instructor. Al final de este entrenamiento, los participantes tendrán los conocimientos y la práctica necesarios para implementar una solución OpenNMT en vivo. Las muestras de idioma fuente y de destino pueden pre-arreglarse según los requisitos del cliente. Audiencia Ingenieros de traducción y localización Formato del curso Parte conferencia, discusión de parte, práctica práctica pesada Introducción Por qué Neural traducción automática? Visión general del proyecto Torch Instalación y configuración Preprocesamiento de sus datos Formación del modelo Traductorio Uso de modelos pre-entrenados Trabajar con scripts Lua Uso de extensiones Solución de problemas Contribuir a la comunidad Comentarios de cierre  
pythontextml Python: Machine learning with text 14 horas In this instructor-led, live training, participants will learn how to use the right machine learning and NLP (Natural Language Processing) techniques to extract value from text-based data. By the end of this training, participants will be able to: Solve text-based data science problems with high-quality, reusable code Apply different aspects of scikit-learn (classification, clustering, regression, dimensionality reduction) to solve problems Build effective machine learning models using text-based data Create a dataset and extract features from unstructured text Build and evaluate models to gain insight Troubleshoot text encoding errors 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.
cpb100 CPB100: Google Cloud Platform Big Data & Fundamentos de Aprendizaje Automático 8 horas Este curso dirigido por un instructor de un día introduce a los participantes a las grandes capacidades de datos de Google Cloud Platform. A través de una combinación de presentaciones, demostraciones y laboratorios prácticos, los participantes obtienen una visión general de la plataforma Google Cloud y una vista detallada de las capacidades de procesamiento de datos y de aprendizaje automático. Este curso muestra la facilidad, flexibilidad y potencia de las grandes soluciones de datos en Google Cloud Platform. Este curso enseña a los participantes las siguientes habilidades: Identifique el propósito y el valor de los productos clave de Big Data y de aprendizaje automático en Google Cloud Platform. Utilice Cloud SQL y Cloud Dataproc para migrar las cargas de trabajo existentes de MySQL y Hadoop / Pig / Spark / Hive a Google Cloud Platform. Emplear BigQuery y Cloud Datalab para realizar análisis de datos interactivos. Entrene y utilice una red neuronal usando TensorFlow. Emplear API de ML. Elija entre diferentes productos de procesamiento de datos en Google Cloud Platform. Esta clase está destinada a lo siguiente: Analistas de datos, Científicos de datos, Analistas de negocios comenzando con Google Cloud Platform. Responsables del diseño de oleoductos y arquitecturas para el procesamiento de datos, creación y mantenimiento de modelos de aprendizaje y modelos estadísticos, consulta de conjuntos de datos, visualización de resultados de consultas y creación de informes. Ejecutivos y responsables de la toma de decisiones de TI que evalúan Google Cloud Platform para su uso por los científicos de datos. El curso incluye presentaciones, demostraciones y laboratorios prácticos. Módulo 1: Introducción a Google Cloud Platform Visión general de los fundamentos de la plataforma Google. Productos y tecnología de datos de Google Cloud Platform. Escenarios de uso. Laboratorio: regístrate en Google Cloud Platform. Módulo 2: Fundamentos de Computación y Almacenamiento CPUs a petición (Compute Engine). Un sistema de archivos global (Cloud Storage). CloudShell. Laboratorio: Configure una tubería de procesamiento de datos Ingest-Transform-Publish. Módulo 3: Análisis de datos en la nube Escalones hacia la nube. Cloud SQL: su base de datos SQL en la nube. Laboratorio: Importación de datos en CloudSQL y ejecución de consultas. Chispa en Dataproc. Laboratorio: Recomendaciones de Aprendizaje Automático con SparkML. Módulo 4: Análisis de datos escalares Rápido acceso aleatorio. Datalab. BigQuery. Laboratorio: Construye el conjunto de datos de aprendizaje de la máquina. Aprendizaje de la máquina con TensorFlow. Laboratorio: Entrene y utilice la red neuronal. Modelos completamente construidos para necesidades comunes. Laboratorio: Emplear API de ML Módulo 5: Arquitecturas de procesamiento de datos Arquitecturas orientadas a mensajes con Pub / Sub. Creación de tuberías con Dataflow. Arquitectura de referencia para el procesamiento de datos en tiempo real y por lotes. Módulo 6: Resumen ¿Por qué GCP? A dónde ir desde aquí Recursos adicionales
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.
cpde Data Engineering on Google Cloud Platform 32 horas Esta clase de cuatro días dirigida por instructores proporciona a los participantes una introducción práctica para diseñar y construir sistemas de procesamiento de datos en Google Cloud Platform. A través de una combinación de presentaciones, demostraciones y laboratorios manuales, los participantes aprenderán cómo diseñar sistemas de procesamiento de datos, construir tuberías de datos de extremo a extremo, analizar datos y llevar a cabo el aprendizaje automático. El curso cubre datos estructurados, no estructurados y de transmisión. Este curso enseña a los participantes las siguientes habilidades: Diseño y creación de sistemas de procesamiento de datos en Google Cloud Platform Proceso lote y transmisión de datos mediante la implementación de tuberías de datos de escalado automático en Cloud Dataflow Obtenga información de negocios de conjuntos de datos extremadamente grandes utilizando Google BigQuery Capacitar, evaluar y predecir utilizando modelos de aprendizaje automático usando Tensorflow y Cloud ML Aproveche los datos no estructurados con las API de Spark y ML en Cloud Dataproc Habilitar información instantánea de la transmisión de datos Esta clase está destinada a desarrolladores experimentados que son responsables de administrar grandes transformaciones de datos incluyendo: Extracción, carga, transformación, limpieza y validación de datos Diseño de tuberías y arquitecturas para el procesamiento de datos Creación y mantenimiento de modelos de aprendizaje y modelos estadísticos Consulta de conjuntos de datos, visualización de resultados de consultas y creación de informes El curso incluye presentaciones, demostraciones y laboratorios prácticos. Aprovechamiento de datos no estructurados con Cloud Dataproc en Google Cloud Platform Módulo 1: Descripción de Google Cloud Dataproc Creación y administración de clústeres. Aprovechando tipos de máquinas personalizadas y nodos de trabajo preemptivos. Escala y eliminación de clústeres. Laboratorio: Creación de clústeres Hadoop con Google Cloud Dataproc. Módulo 2: Ejecución de trabajos Dataproc Ejecución de trabajos de cerdo y colmena. Separación de almacenamiento y cálculo. Laboratorio: Ejecutando Hadoop y Spark Jobs con Dataproc. Laboratorio: Presentar y supervisar trabajos. Módulo 3: Integración de Dataproc con Google Cloud Platform Personalizar el clúster con las acciones de inicialización. Soporte de BigQuery. Laboratorio: aprovechar los servicios de Google Cloud Platform. Módulo 4: Hacer sentido de los datos no estructurados con las API de aprendizaje automático de Google API de aprendizaje automático de Google. Casos de Uso Comunes de ML. Invocación de API de ML. Laboratorio: Adición de capacidades de aprendizaje de la máquina al análisis de datos grandes. Análisis de datos sin servidor con Google BigQuery y Cloud Dataflow Módulo 5: Análisis de datos sin servidor con BigQuery ¿Qué es BigQuery? Consultas y funciones. Laboratorio: Escribir consultas en BigQuery. Cargando datos en BigQuery. Exportar datos de BigQuery. Laboratorio: Carga y exportación de datos. Campos anidados y repetidos. Consultar varias tablas. Laboratorio: consultas complejas. Rendimiento y precios. Módulo 6: Sin datos de autoscaling con Dataflow El modelo de programación de Beam. Data pipelines en Beam Python. Data pipelines en Beam Java. Laboratorio: Escribir una tubería de flujo de datos. Procesamiento escalable de datos grandes utilizando Beam. Laboratorio: MapReduce en Dataflow. Incorporación de datos adicionales. Laboratorio: Entradas laterales. Manejo de datos de flujo. Arquitectura de referencia del GCP. Aprendizaje de la máquina sin servidor con TensorFlow en Google Cloud Platform Módulo 7: Introducción al aprendizaje automático ¿Qué es el aprendizaje automático (ML)? ML efectivo: conceptos, tipos. Conjuntos de datos ML: generalización. Laboratorio: Explorar y crear conjuntos de datos ML. Módulo 8: Construcción de modelos ML con Tensorflow Introducción a TensorFlow. Laboratorio: Usando tf.learn. TensorFlow gráficos y bucles + lab. Laboratorio: Utilizando TensorFlow + de nivel bajo de detención temprana. Monitoreo del entrenamiento ML. Laboratorio: Gráficos y gráficos del entrenamiento de TensorFlow. Módulo 9: Escala de modelos ML con CloudML ¿Por qué Cloud ML? Empacando un modelo TensorFlow. Formación de extremo a extremo. Laboratorio: Ejecutar un modelo ML localmente y en la nube. Módulo 10: Ingeniería de funciones Creación de buenas características. Transformación de insumos. Características sintéticas. Preprocesamiento con Cloud ML. Laboratorio: Ingeniería de funciones. Creación de sistemas de streaming flexibles en Google Cloud Platform Módulo 11: Arquitectura de tuberías de análisis de flujo continuo Procesamiento de datos de flujo: Desafíos. Manejo de volúmenes de datos variables. Tratar con datos no ordenados / finales. Laboratorio: Diseño de tuberías de transmisión. Módulo 12: Ingerir Volúmenes Variables ¿Qué es Cloud Pub / Sub? Cómo funciona: Temas y suscripciones. Laboratorio: Simulador. Módulo 13: Implementación de oleoductos Desafíos en el procesamiento de flujos. Manejar datos tardíos: marcas de agua, disparadores, acumulación. Laboratorio: Canal de procesamiento de datos de flujo para datos de tráfico en vivo. Módulo 14: Flujo de análisis y cuadros de mando Analítica de streaming: de los datos a las decisiones. Consultar datos de transmisión con BigQuery. ¿Qué es Google Data Studio? Laboratorio: construye un panel de control en tiempo real para visualizar los datos procesados. Módulo 15: Alto rendimiento y baja latencia con Bigtable ¿Qué es Cloud Spanner? Diseño del esquema Bigtable. Ingerir en Bigtable. Laboratorio: streaming en Bigtable.
bspkannmldt Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático 21 horas 1. Comprensión de la clasificación con los vecinos más cercanos El algoritmo kNN Calculando la distancia Elegir un k apropiado Preparación de datos para su uso con kNN ¿Por qué el algoritmo kNN es perezoso? 2. Entendiendo Bayes ingenuos Conceptos básicos de los métodos bayesianos Probabilidad Probabilidad conjunta Probabilidad condicional con el teorema de Bayes El ingenioso algoritmo de Bayes La ingenua clasificación de Bayes El estimador de Laplace Utilizar funciones numéricas con bayes ingenuos 3.Comprensión de árboles de decisión Divide y conquistaras El algoritmo del árbol de decisiones C5.0 Elegir la mejor división Podar el árbol de decisiones 4. Descripción de las reglas de clasificación Separa y conquista El algoritmo de una regla El algoritmo RIPPER Reglas de árboles de decisión 5.Comprensión de la regresión Regresión lineal simple Estimación de mínimos cuadrados ordinarios Correlaciones Regresión lineal múltiple 6. Entender árboles de regresión y árboles modelo Agregando regresión a los árboles 7. Entender las redes neuronales De las neuronas biológicas a las artificiales Funciones de activación Topología de la red El número de capas La dirección del viaje de información El número de nodos en cada capa Entrenamiento de redes neuronales con backpropagation 8. Comprensión de las máquinas de soporte vectorial Clasificación con hiperplanos Determinación del margen máximo El caso de datos linealmente separables El caso de datos no linealmente separables Uso de kernels para espacios no lineales 9. Entender las reglas de asociación El algoritmo Apriori para el aprendizaje de reglas de asociación Medición del interés de la regla - apoyo y confianza Construir un conjunto de reglas con el principio Apriori 10. Entender el agrupamiento Agrupación como tarea de aprendizaje automático El algoritmo k-means para la agrupación Uso de la distancia para asignar y actualizar clústeres Elegir el número apropiado de clusters 11. Medición del rendimiento para la clasificación Trabajar con datos de predicción de clasificación Una mirada más cercana a las matrices de confusión Uso de matrices de confusión para medir el rendimiento Más allá de la precisión - otras medidas de rendimiento La estadística kappa Sensibilidad y especificidad Precisión y recordación La medida F Visualización de compensaciones de rendimiento Curvas ROC Estimación del rendimiento futuro El método holdout Validación cruzada Muestreo Bootstrap 12. Ajuste de modelos de stock para un mejor rendimiento Uso del cursor para la sintonización automática de parámetros Creación de un modelo sintonizado simple Personalización del proceso de sintonización Mejorar el rendimiento del modelo con meta-aprendizaje Entendiendo conjuntos Harpillera Impulsando Bosques al azar Formación de bosques al azar Evaluación del rendimiento forestal aleatorio 13. Aprendizaje Profundo Tres Clases de Aprendizaje Profundo Autocodificadores profundos Redes Neuronales Profundas Pre-entrenadas Redes apiladoras profundas 14. Discusión de Áreas de Aplicación Específicas
patternmatching Búsqueda de Patrones 14 horas Pattern Matching is a technique used to locate specified patterns within an image. It can be used to determine the existence of specified characteristics within a captured image, for example the expected label on a defective product in a factory line or the specified dimensions of a component. It is different from "Pattern Recognition" (which recognizes general patterns based on larger collections of related samples) in that it specifically dictates what we are looking for, then tells us whether the expected pattern exists or not. Audience     Engineers and developers seeking to develop machine vision applications     Manufacturing engineers, technicians and managers Format of the course     This course introduces the approaches, technologies and algorithms used in the field of pattern matching as it applies to Machine Vision. Introduction     Computer Vision     Machine Vision     Pattern Matching vs Pattern Recognition Alignment     Features of the target object     Points of reference on the object     Determining position     Determining orientation Gauging     Setting tolerance levels     Measuring lengths, diameters, angles, and other dimensions     Rejecting a component Inspection     Detecting flaws     Adjusting the system Closing remarks  
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
bspkaml Machine Learning 21 horas This course will be a combination of theory and practical work with specific examples used throughout the event. Introduction This section provides a general introduction of when to use 'machine learning', what should be considered and what it all means including the pros and cons. Datatypes (structured/unstructured/static/streamed), data validity/volume, data driven vs user driven analytics, statistical models vs. machine learning models/ challenges of unsupervised learning, bias-variance trade off, iteration/evaluation, cross-validation approaches, supervised/unsupervised/reinforcement. MAJOR TOPICS 1.Understanding naive Bayes Basic concepts of Bayesian methods  Probability  Joint probability Conditional probability with Bayes' theorem  The naive Bayes algorithm  The naive Bayes classification  The Laplace estimator Using numeric features with naive Bayes 2.Understanding decision trees Divide and conquer  The C5.0 decision tree algorithm  Choosing the best split  Pruning the decision tree 3. Understanding neural networks From biological to artificial neurons  Activation functions  Network topology  The number of layers  The direction of information travel  The number of nodes in each layer  Training neural networks with backpropagation Deep Learning 4. Understanding Support Vector Machines Classification with hyperplanes  Finding the maximum margin  The case of linearly separable data  The case of non-linearly separable data  Using kernels for non-linear spaces 5. Understanding clustering Clustering as a machine learning task The k-means algorithm for clustering  Using distance to assign and update clusters  Choosing the appropriate number of clusters 6. Measuring performance for classification Working with classification prediction data  A closer look at confusion matrices  Using confusion matrices to measure performance  Beyond accuracy – other measures of performance  The kappa statistic  Sensitivity and specificity  Precision and recall  The F-measure  Visualizing performance tradeoffs  ROC curves  Estimating future performance  The holdout method  Cross-validation  Bootstrap sampling 7. Tuning stock models for better performance Using caret for automated parameter tuning  Creating a simple tuned model  Customizing the tuning process  Improving model performance with meta-learning  Understanding ensembles  Bagging  Boosting  Random forests  Training random forests  Evaluating random forest performance MINOR TOPICS 8. Understanding classification using nearest neighbors  The kNN algorithm  Calculating distance  Choosing an appropriate k  Preparing data for use with kNN  Why is the kNN algorithm lazy? 9. Understanding classification rules  Separate and conquer  The One Rule algorithm  The RIPPER algorithm  Rules from decision trees 10.Understanding regression  Simple linear regression  Ordinary least squares estimation  Correlations  Multiple linear regression 11.Understanding regression trees and model trees  Adding regression to trees 12. Understanding association rules  The Apriori algorithm for association rule learning  Measuring rule interest – support and confidence  Building a set of rules with the Apriori principle Extras Spark/PySpark/MLlib and Multi-armed bandits
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
mlfsas Fundamentos de Aprendizaje Automático con Scala y Apache Spark 14 horas El objetivo de este curso es proporcionar una competencia básica en la aplicación de métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Scala y de sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y validar los resultados. Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences. Introducción al Aprendizaje de la Máquina Aplicada Aprendizaje estadístico vs. aprendizaje automático Iteración y evaluación Compensación entre sesgo y variación Aprendizaje de la máquina con Python Selección de bibliotecas Herramientas adicionales Regresión Regresión lineal Generalizaciones y no linealidad Ceremonias Clasificación Actualización bayesiana Naive Bayes Regresión logística K-Vecinos más cercanos Ceremonias Validación cruzada y re-muestreo Enfoques de validación cruzada Oreja Ceremonias Aprendizaje sin supervisión K-significa agrupación Ejemplos Desafíos del aprendizaje sin supervisión y más allá de K-means
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. Conceptos básicos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables de TensorFlow Alimentando, leyendo y precargando los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard Mecánica TensorFlow Entradas y marcadores de posición Construye los GraphS Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Train Loop Evaluar el modelo Construye el Gráfico Eval Salida Eval El Perceptron Funciones de activación El algoritmo de aprendizaje perceptron Clasificación binaria con el perceptrón Clasificación de documentos con el perceptrón Limitaciones del perceptrón Desde Perceptron hasta Support Vector Machines Kernels y el truco del kernel Máxima clasificación de márgenes y vectores de soporte Redes neuronales artificiales Límites de decisión no lineal Feedforward y feedback redes neuronales artificiales Perceptrones multicapa Minimizando la función de costo Propagación hacia adelante Reproducción posterior Mejorando la forma en que las redes neuronales aprenden Redes neuronales convolucionales Metas Arquitectura modelo Principios Organización de código Lanzamiento y entrenamiento del modelo Evaluar un modelo
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
dmmlr Minería de Datos y Aprendizaje Automático con R 14 horas Introducción a la minería de datos y el aprendizaje automático Aprendizaje estadístico vs. aprendizaje automático Iteración y evaluación Compensación entre sesgo y variación Regresión Regresión lineal Generalizaciones y no linealidad Ceremonias Clasificación Actualización bayesiana Naive Bayes Dicriminant analysis Regresión logística K-Vecinos más cercanos Soporte de máquinas vectoriales Redes neuronales Árboles de decisión Ceremonias Validación cruzada y re-muestreo Enfoques de validación cruzada Oreja Ceremonias Aprendizaje sin supervisión K-significa agrupación Ejemplos Desafíos del aprendizaje sin supervisión y más allá de K-means Temas avanzados Modelos de Ensemble Modelos mixtos Aumento Ejemplos Reducción multidimensional Análisis factorial Análisis de componentes principales Ejemplos
mldt Aprendizaje Automático y Aprendizaje Profundo 21 horas Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)   Introducción al aprendizaje automático Aplicaciones de aprendizaje automático Aprendizaje supervisado versus no supervisado Algoritmos de aprendizaje automático Regresión Clasificación Agrupación Sistema de recomendación Detección de anomalías Aprendizaje reforzado Regresión Regresión simple y múltiple Método menos cuadrado Estimando los coeficientes Evaluar la precisión de las estimaciones del coeficiente Evaluar la precisión del modelo Análisis de post-estimación Otras consideraciones en los modelos de regresión Predictores Cualitativos Extensiones de los modelos lineales Problemas potenciales Variación sesgo-varianza [ajuste insuficiente / ajuste excesivo] para modelos de regresión Métodos de remuestreo Validación cruzada El enfoque del conjunto de validación Cross-Validation Leave-One-Out Validación Cruzada k-Fold Bias-Variance Trade-Off para k-Fold El Bootstrap Selección de modelos y regularización Selección del subconjunto [Selección del mejor subconjunto, Selección por pasos, Elección del modelo óptimo] Métodos de contracción / Regularización [Ridge Regression, Lasso & Elastic Net] Seleccionar el parámetro de ajuste Métodos de reducción de dimensiones Regresión de componentes principales Mínimos cuadrados parciales Clasificación Regresión logística La función de costo del Modelo Logístico Estimando los coeficientes Haciendo predicciones Odds Ratio Matrices de evaluación de desempeño [Sensibilidad / Especificidad / PPV / NPV, precisión, curva ROC, etc.] Regresión logística múltiple Regresión logística para> 2 clases de respuesta Regresión logística regularizada Análisis discriminante lineal Usando el teorema de Bayes para la clasificación Análisis discriminante lineal para p = 1 Análisis discriminante lineal para p> 1 Análisis discriminante cuadrático K-Vecinos más cercanos Clasificación con límites de decisión no lineales Soporte Vector Machines Objetivo de optimización El clasificador de margen máximo Núcleos Clasificación One-Versus-One Clasificación One-Versus-All Comparación de los métodos de clasificación Introducción al Aprendizaje Profundo Estructura ANN Neuronas biológicas y neuronas artificiales Hipótesis no lineal Representación del modelo Ejemplos e intuiciones Función de transferencia / Funciones de activación Clases típicas de arquitecturas de red Avance ANN. Estructuras de redes de feed feed multicapa Algoritmo de propagación de la espalda Back propagation - entrenamiento y convergencia Aproximación funcional con propagación hacia atrás Problemas prácticos y de diseño del aprendizaje de propagación de retorno Aprendizaje profundo Inteligencia Artificial y Aprendizaje Profundo Regresión de Softmax Aprendizaje autodidacta Redes profundas Demos y Aplicaciones Laboratorio: Comenzando con R Introducción a R Comandos básicos y bibliotecas Manipulación de datos Importación y exportación de datos Resúmenes gráficos y numéricos Funciones de escritura Regresión Regresión lineal simple y múltiple Términos de interacción Transformaciones no lineales Regresión variable ficticia Cross-Validation y Bootstrap Métodos de selección de subconjuntos Penalización [Ridge, Lasso, Elastic Net] Clasificación Regresión logística, LDA, QDA y KNN, Remuestreo y Regularización Máquinas de vectores soporte Remuestreo y Regularización Nota: Para los algoritmos de ML, se usarán estudios de casos para analizar su aplicación, ventajas y posibles problemas. El análisis de diferentes conjuntos de datos se realizará utilizando R
mlentre Aprendizaje Automático Aplicado 21 horas This training course is for people that would like to apply Machine Learning in practical applications for their team.  The training will not dive into technicalities and revolve around basic concepts and business/operational applications of the same. Target Audience Investors and AI entrepreneurs Managers and Engineers whose company is venturing into AI space Business Analysts & Investors Introduction to Neural Networks Introduction to Applied Machine Learning Statistical learning vs. Machine learning Iteration and evaluation Bias-Variance trade-off Machine Learning with Python Choice of libraries Add-on tools Machine learning Concepts and Applications Regression Linear regression Generalizations and Nonlinearity Use cases Classification Bayesian refresher Naive Bayes Logistic regression K-Nearest neighbors Use Cases Cross-validation and Resampling Cross-validation approaches Bootstrap Use Cases Unsupervised Learning K-means clustering Examples Challenges of unsupervised learning and beyond K-means Short Introduction to NLP methods word and sentence tokenization text classification sentiment analysis spelling correction information extraction parsing meaning extraction question answering Artificial Intelligence & Deep Learning Technical Overview R v/s Python Caffe v/s Tensor Flow Various Machine Learning Libraries
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
mlios Machine Learning on iOS 14 horas In this instructor-led, live training, participants will learn how to use the iOS Machine Learning (ML) technology stack as they as they step through the creation and deployment of an iOS mobile app. By the end of this training, participants will be able to: Create a mobile app capable of image processing, text analysis and speech recognition Access pre-trained ML models for integration into iOS apps Create a custom ML model Add Siri Voice support to iOS apps Understand and use frameworks such as coreML, Vision, CoreGraphics, and GamePlayKit Use languages and tools such as Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda, and Spyder Audience Developers 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.
mlintro Introducción al Aprendizaje Automático 7 horas Este curso de capacitación es para personas que deseen aplicar técnicas básicas de Aprendizaje de Máquinas en aplicaciones prácticas. Científicos de datos y estadísticos que tienen cierta familiaridad con el aprendizaje de máquinas y saben cómo programar R. El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización. El propósito es dar una introducción práctica al aprendizaje automático a los participantes interesados en aplicar los métodos en el trabajo Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público. Naive Bayes Modelos multinomiales Análisis bayesiano de datos categóricos Análisis discriminante Regresión lineal Regresión logística GLM Algoritmo EM Modelos mixtos Modelos Aditivos Clasificación KNN Regresión de la cresta Clustering
predio Aprendizaje Automático con PredictionIO 21 horas PredictionIO es un servidor de Aprendizaje de Máquina de código abierto construido sobre la pila de código abierto de última generación. Audiencia Este curso está dirigido a desarrolladores y científicos de datos que quieren crear motores predictivos para cualquier tarea de aprendizaje automático. Empezando Introducción rápida Guía de instalación Descarga de plantilla Implementación de un motor Personalización de un motor Descripción general de la integración de aplicaciones Desarrollo de PredictionIO Arquitectura del sistema Visión general del servidor de eventos Recolectando datos Aprendiendo DASE Implementación de DASE Descripción general de la evaluación Intellij IDEA Guía API de Scala Ejemplos de aprendizaje y aprendizaje de aprendizaje automático Recomendación de Comics Clasificación de texto Demostración de contribución de la comunidad Dimensionalidad Reducción y uso SDKs de PredictionIO (seleccione uno) Java PHP Pitón Rubí Contribución de la comunidad
BigData_ A practical introduction to Data Analysis and Big Data 35 horas Participants who complete this training will gain a practical, real-world understanding of Big Data and its related technologies, methodologies and tools. Participants will have the opportunity to put this knowledge into practice through hands-on exercises. Group interaction and instructor feedback make up an important component of the class. The course starts with an introduction to elemental concepts of Big Data, then progresses into the programming languages and methodologies used to perform Data Analysis. Finally, we discuss the tools and infrastructure that enable Big Data storage, Distributed Processing, and Scalability. Audience Developers / programmers IT consultants Format of the course Part lecture, part discussion, hands-on practice and implementation, occasional quizing to measure progress. Introduction to Data Analysis and Big Data What makes Big Data "big"? Velocity, Volume, Variety, Veracity (VVVV) Limits to traditional Data Processing Distributed Processing Statistical Analysis Types of Machine Learning Analysis Data Visualization Languages used for Data Analysis R language Why R for Data Analysis? Data manipulation, calculation and graphical display Python Why Python for Data Analysis? Manipulating, processing, cleaning, and crunching data Approaches to Data Analysis Statistical Analysis Time Series analysis Forecasting with Correlation and Regression models Inferential Statistics (estimating) Descriptive Statistics in Big Data sets (e.g. calculating mean) Machine Learning Supervised vs unsupervised learning Classification and clustering Estimating cost of specific methods Filtering Natural Language Processing Processing text Understaing meaning of the text Automatic text generation Sentiment analysis / Topic analysis Computer Vision Acquiring, processing, analyzing, and understanding images Reconstructing, interpreting and understanding 3D scenes Using image data to make decisions Big Data infrastructure Data Storage Relational databases (SQL) MySQL Postgres Oracle Non-relational databases (NoSQL) Cassandra MongoDB Neo4js Understanding the nuances Hierarchical databases Object-oriented databases Document-oriented databases Graph-oriented databases Other Distributed Processing Hadoop HDFS as a distributed filesystem MapReduce for distributed processing Spark All-in-one in-memory cluster computing framework for large-scale data processing Structured streaming Spark SQL Machine Learning libraries: MLlib Graph processing with GraphX Scalability Public cloud AWS, Google, Aliyun, etc. Private cloud OpenStack, Cloud Foundry, etc. Auto-scalability Choosing the right solution for the problem The future of Big Data Closing remarks
appliedml Aprendizaje Automático Aplicado 14 horas Este curso de capacitación es para personas que deseen aplicar Aprendizaje de la Máquina en aplicaciones prácticas. Audiencia Este curso es para científicos de datos y estadísticos que tienen cierta familiaridad con las estadísticas y saben cómo programar R (o Python u otro idioma elegido). El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización. El propósito es dar aplicaciones prácticas al Aprendizaje Automático a los participantes interesados en aplicar los métodos en el trabajo. Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público. Naive Bayes Modelos multinomiales Análisis bayesiano de datos categóricos Análisis discriminante Regresión lineal Regresión logística GLM Algoritmo EM Modelos mixtos Modelos Aditivos Clasificación KNN Modelos gráficos bayesianos Análisis Factorial (FA) Análisis de Componentes Principales (PCA) Análisis Independiente de Componentes (ICA) Máquinas de Vector de Soporte (SVM) para regresión y clasificación Impulsando Modelos de Ensemble Redes neuronales Modelos ocultos de Markov (HMM) Modelos del estado espacial Clustering  
systemml Apache SystemML para Aprendizaje Automático 14 horas Apache SystemML es una plataforma de aprendizaje distribuida y declarativa. SystemML proporciona un aprendizaje declarativo a máquina a gran escala (ML) que tiene como objetivo la especificación flexible de algoritmos de ML y la generación automática de planes de tiempo de ejecución híbridos que van desde un nodo único, cálculos en memoria hasta cálculos distribuidos en Apache Hadoop y Apache Spark. Audiencia Este curso es adecuado para los investigadores, desarrolladores e ingenieros de Learning Machine que buscan utilizar SystemML como un marco para el aprendizaje automático. Ejecutando SystemML Autónomo Spark MLContext Lote de chispa Lote Hadoop JMLC Herramientas Depurador IDE Solución de problemas Lenguajes y Algoritmos ML DML PyDML Algoritmos
octnp Octave not only for programmers 21 horas Course is dedicated for those who would like to know an alternative program to the commercial MATLAB package. The three-day training provides comprehensive information on moving around the environment and performing the OCTAVE package for data analysis and engineering calculations. The training recipients are beginners but also those who know the program and would like to systematize their knowledge and improve their skills. Knowledge of other programming languages is not required, but it will greatly facilitate the learners' acquisition of knowledge. The course will show you how to use the program in many practical examples. Introduction Simple calculations Starting Octave, Octave as a calculator, built-in functions The Octave environment Named variables, numbers and formatting, number representation and accuracy, loading and saving data  Arrays and vectors Extracting elements from a vector, vector maths Plotting graphs Improving the presentation, multiple graphs and figures, saving and printing figures Octave programming I: Script files Creating and editing a script, running and debugging scripts, Control statements If else, switch, for, while Octave programming II: Functions Matrices and vectors Matrix, the transpose operator, matrix creation functions, building composite matrices, matrices as tables, extracting bits of matrices, basic matrix functions Linear and Nonlinear Equations More graphs Putting several graphs in one window, 3D plots, changing the viewpoint, plotting surfaces, images and movies,  Eigenvectors and the Singular Value Decomposition  Complex numbers Plotting complex numbers,  Statistics and data processing  GUI Development
mlfunpython Fundamentos de Aprendizaje Automático con Python 14 horas El objetivo de este curso es proporcionar una competencia básica en la aplicación de los métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Python y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y Validar los resultados. Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences. Introducción al Aprendizaje de la Máquina Aplicada Aprendizaje estadístico vs. aprendizaje automático Iteración y evaluación Compensación entre sesgo y variación Aprendizaje de la máquina con Python Selección de bibliotecas Herramientas adicionales Regresión Regresión lineal Generalizaciones y no linealidad Ceremonias Clasificación Actualización bayesiana Naive Bayes Regresión logística K-Vecinos más cercanos Ejercicios Validación cruzada y re-muestreo Enfoques de validación cruzada Oreja Ejercicios Aprendizaje sin supervisión K-significa agrupación Ejemplos Desafíos del aprendizaje sin supervisión y más allá de K-means
aiintrozero De Cero a AI 35 horas Este curso se crea para personas que no tienen experiencia previa en probabilidades y estadísticas. Probabilidad (3.5h) Definición de probabilidad Distribución binomial Ejercicios de uso diario Estadísticas (10.5h) Estadísticas descriptivas Estadística inferencial Regresión Regresión logística Ceremonias Introducción a la programación (3.5h) Programación Procesal Programación Funcional Programación OOP Ejercicios (lógica de escritura para un juego de elección, por ejemplo, noughts y cruces) Aprendizaje Automático (10.5h) Clasificación Clustering Redes neuronales Ejercicios (escribir AI para un juego de computadora de elección) Reglas de Motores y Sistemas Expertos (7 horas) Introducción a los motores de reglas Escriba AI para el mismo juego y combine soluciones en un enfoque híbrido
matlabdl Matlab for Deep Learning 14 horas In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to: Build a deep learning model Automate data labeling Work with models from Caffe and TensorFlow-Keras Train data using multiple GPUs, the cloud, or clusters Audience Developers Engineers Domain experts 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.
MLFWR1 Fundamentos de Aprendizaje Automático con R 14 horas El objetivo de este curso es proporcionar una competencia básica en la aplicación de los métodos de aprendizaje automático en la práctica. A través del uso de la plataforma de programación R y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar los resultados de los algoritmos y Validar los resultados. Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences. Introducción al Aprendizaje de la Máquina Aplicada Aprendizaje estadístico vs. aprendizaje automático Iteración y evaluación Compensación entre sesgo y variación Regresión Regresión lineal Generalizaciones y no linealidad Clasificación Actualización bayesiana Naive Bayes Regresión logística K-Vecinos más cercanos Ejercicios Validación cruzada y re-muestreo Enfoques de validación cruzada Oreja Ejercicios Aprendizaje sin supervisión K-significa agrupación Ejemplos Desafíos del aprendizaje sin supervisión y más allá de K-means Precios Etiquetas: Prima
snorkel Snorkel: Rapidly process training data 7 horas Snorkel is a system for rapidly creating, modeling, and managing training data. It focuses on accelerating the development of structured or "dark" data extraction applications for domains in which large labeled training sets are not available or easy to obtain. In this instructor-led, live training, participants will learn techniques for extracting value from unstructured data such as text, tables, figures, and images through modeling of training data with Snorkel. By the end of this training, participants will be able to: Programmatically create training sets to enable the labeling of massive training sets Train high-quality end models by first modeling noisy training sets Use Snorkel to implement weak supervision techniques and apply data programming to weakly-supervised machine learning systems 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.  
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 Introducción Teoría de la probabilidad, selección del modelo, teoría de la decisión e información Distribuciones de probabilidad Modelos lineales para regresión y clasificación Redes neuronales Métodos Kernel Máquinas kernel esparcidas Modelos gráficos Modelos de mezcla y EM Inferencia aproximada Métodos de muestreo Variables latentes continuas Datos secuenciales Combinando modelos
annmldt Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo 21 horas DÍA 1 - REDES NEURONALES ARTIFICIALES Introducción y estructura de ANN. Neuronas biológicas y neuronas artificiales. Modelo de una ANN. Funciones de activación utilizadas en RNAs. Clases típicas de arquitecturas de red. Fundamentos Matemáticos y Mecanismos de Aprendizaje. Volver a visitar el vector y el álgebra matricial. Conceptos espacio-estatales. Conceptos de optimización. Aprendizaje de la corrección de errores. Aprendizaje basado en la memoria. Hebbian aprendizaje. Aprendizaje competitivo. Perceptrones de una sola capa. Estructura y aprendizaje de perceptrones. Clasificador de patrones - introducción y clasificadores de Bayes. Perceptron como un clasificador de patrones. Perceptron convergencia. Limitaciones de un perceptrons. Feedforward ANN. Estructuras de redes feedforward multicapa. Algoritmo de propagación posterior. Back propagación - formación y convergencia. Aproximación funcional con retropropagación. Aspectos prácticos y de diseño del aprendizaje de retropropagación. Redes de función de base radial. Separabilidad de patrones e interpolación. Teoría de la Regularización. Regularización y redes RBF. Diseño y formación de redes RBF. Propiedades de aproximación de RBF. Aprendizaje competitivo y auto-organización ANN. Procedimientos generales de agrupamiento. Aprendizaje de la cuantización vectorial (LVQ). Algoritmos y arquitecturas de aprendizaje competitivo. Auto organización de mapas de características. Propiedades de los mapas de características. Redes neuronales difusas. Sistemas Neuro-difusos. Antecedentes de los conjuntos difusos y la lógica. Diseño de tallos difusos. Diseño de ANNs borrosas. Aplicaciones Algunos ejemplos de aplicaciones de Red Neural, sus ventajas y problemas serán discutidos. DIA -2 APRENDIZAJE DE LA MÁQUINA El Marco de Aprendizaje del PAC Garantías para el conjunto de hipótesis finitas - caso consistente Garantías para la hipótesis finita establecida - caso inconsistente Generalidades Determinista cv. Escenarios estocásticos Ruido de error de Bayes Errores de estimación y aproximación Selección del modelo Complexidad de Radmeacher y VC - Dimension Bias - Compensación de la varianza Regularización Ajuste excesivo Validación Soporte de máquinas vectoriales Kriging (Regresión del Proceso Gaussiano) PCA y Kernel PCA Mapas de organización propia (SOM) Espacio vectorial inducido por kernel Mercer Kernels y métricas de similitud inducidas por Kernel Aprendizaje reforzado DÍA 3 - APRENDIZAJE PROFUNDO Esto se enseñará en relación con los temas tratados en el Día 1 y el Día 2 Regresión Logística y Softmax Autocodificadores escamosos Vectorización, PCA y Blanqueamiento Aprendizaje autodidacta Redes profundas Decodificadores Lineales Convolución y agrupación Codificación Disparo Análisis de componentes independientes Análisis de correlación canónica Demostraciones y aplicaciones
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.  
mlrobot1 Aprendizaje Automático para la Robótica 21 horas Este curso introduce métodos de aprendizaje automático en aplicaciones de robótica. Es un amplio panorama de los métodos existentes, motivaciones e ideas principales en el contexto del reconocimiento de patrones. Después de un breve trasfondo teórico, los participantes realizarán ejercicios sencillos usando código abierto (normalmente R) o cualquier otro software popular. Regresión Modelos gráficos probabilísticos Impulsando Métodos del kernel Procesos gaussianos Evaluación y selección de modelos Métodos de muestreo Clustering CRFs Bosques al azar IVMs
aiauto Inteligencia Artificial en Automoción 14 horas Este curso cubre AI (enfatizando Aprendizaje Automático y Aprendizaje Profundo) en la Industria Automotriz. Ayuda a determinar qué tecnología puede (potencialmente) utilizarse en situaciones múltiples en un automóvil: desde la simple automatización, el reconocimiento de imágenes hasta la toma de decisiones autónoma. Estado actual de la tecnología Qué se utiliza Lo que puede ser potencialmente utilizado Reglas basadas en AI Simplificación de la decisión Aprendizaje automático Clasificación Clustering Redes neuronales Tipos de redes neuronales Presentación de ejemplos de trabajo y discusión Aprendizaje profundo Vocabulario básico Cuándo usar Deep Learning, cuando no Estimación de recursos computacionales y costos Fondo teórico muy corto a las Redes Neuronales Profundas Aprendizaje profundo en la práctica (principalmente usando TensorFlow) Preparación de datos Elección de la función de pérdida Elegir el tipo apropiado en la red neuronal Precisión frente a velocidad y recursos Red neuronal de formación Medir la eficiencia y el error Uso de la muestra Detección de anomalías Reconocimiento de imagen ADAS
matlabml1 Introducción al Aprendizaje Automático con MATLAB 21 horas Fundamentos de MATLAB MATLAB Más funciones avanzadas Red neural de BP Redes Neuronales RBF, GRNN y PNN SOM Redes Neuronales Máquina Vector de Soporte, SVM Máquina de aprendizaje extremo, ELM Árboles de decisión y bosques al azar Algoritmo Genético, GA Optimización de Enjambre de Partículas, PSO Algoritmo de Colonia de Hormigas, ACA Simulated Annealing, SA Reducción de la dimenacionalidad y selección de características
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.
Fairsec Fairsec: 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
encogadv Encog: Advanced Machine Learning 14 horas Encog is an open-source machine learning framework for Java and .Net. In this instructor-led, live training, participants will learn advanced machine learning techniques for building accurate neural network predictive models. By the end of this training, participants will be able to: Implement different neural networks optimization techniques to resolve underfitting and overfitting Understand and choose from a number of neural network architectures Implement supervised feed forward and feedback networks 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.
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
encogintro Encog: Introduction to Machine Learning 14 horas Encog is an open-source machine learning framework for Java and .Net. In this instructor-led, live training, participants will learn how to create various neural network components using ENCOG. Real-world case studies will be discussed and machine language based solutions to these problems will be explored. By the end of this training, participants will be able to: Prepare data for neural networks using the normalization process Implement feed forward networks and propagation training methodologies Implement classification and regression tasks Model and train neural networks using Encog's GUI based workbench Integrate neural network support into real-world applications 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.

Próximos Cursos

Other regions

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

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