Cursos de Neural Networks

Neural Networks Training

Neural Networks 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

Introduction to the use of neural networks

Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.

Gudrun Bickelq - Tricentis GmbH

Introduction to the use of neural networks

Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.

Gudrun Bickelq - Tricentis GmbH

Introduction to the use of neural networks

the interactive part, tailored to our specific needs

Thomas Stocker - Tricentis GmbH

Applied Machine Learning

ref material to use later was very good

PAUL BEALES - Seagate Technology

Introduction to Deep Learning

The topic is very interesting

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

Introduction to Deep Learning

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

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

Introduction to Deep Learning

Topic. Very interesting!

Piotr - Dolby Poland Sp. z o.o.

Introduction to Deep Learning

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

- Dolby Poland Sp. z o.o.

Introduction to Deep Learning

Interesting subject

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

Neural Networks Fundamentals using TensorFlow as Example

Knowledgeable trainer

Sridhar Voorakkara - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

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

David Relihan - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

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

Kieran Conboy - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

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

Sharon Ruane - INTEL R&D IRELAND LIMITED

Machine Learning and Deep Learning

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

Sebastiaan Holman - Travix International

Machine Learning and Deep Learning

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

Jean-Paul van Tillo - Travix International

Machine Learning and Deep Learning

Coverage and depth of topics

Anirban Basu - Travix International

Neural Network in R

new insights in deep machine learning

Josip Arneric - Faculty of Economics and Business Zagreb

Neural Network in R

We gained some knowledge about NN in general, and what was the most interesting for me were the new types of NN that are popular nowadays.

Tea Poklepovic - Faculty of Economics and Business Zagreb

Neural Network in R

Graphs in R :)))

- Faculty of Economics and Business Zagreb

Introduction to Deep Learning

The deep knowledge of the trainer about the topic.

Sebastian Görg - FANUC Europe Corporation

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

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

Programas de los Cursos de Neural Networks

Código Nombre Duración Información General
tpuprogramming TPU Programming: Building Neural Network Applications on Tensor Processing Units 7 horas The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision. In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications. By the end of the training, participants will be able to: Train various types of neural networks on large amounts of data Use TPUs to speed up the inference process by up to two orders of magnitude Utilize TPUs to process intensive applications such as image search, cloud vision and photos Audience Developers Researchers Engineers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
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 live team projects. Introduction Difference between statistical learning (statistical analysis) and machine learning Adoption of machine learning technology and talent by finance and banking companies Different Types of Machine Learning Supervised learning vs unsupervised learning Iteration and evaluation Bias-variance trade-off Combining supervised and unsupervised learning (semi-supervised learning) Machine Learning Languages and Toolsets Open source vs proprietary systems and software Python vs R vs Matlab Libraries and frameworks Machine Learning Case Studies Consumer data and big data Assessing risk in consumer and business lending Improving customer service through sentiment analysis Detecting identity fraud, billing fraud and money laundering Hands-on: Python for Machine Learning Preparing the Development Environment Obtaining Python machine learning libraries and packages Working with scikit-learn and PyBrain How to Load Machine Learning Data Databases, data warehouses and streaming data Distributed storage and processing with Hadoop and Spark Exported data and Excel Modeling Business Decisions with Supervised Learning Classifying your data (classification) Using regression analysis to predict outcome Choosing from available machine learning algorithms Understandind decision tree algorithms Understanding random forest algorithms Model evaluation Exercise Regression Analysis Linear regression Generalizations and Nonlinearity Exercise Classification Bayesian refresher Naive Bayes Logistic regression K-Nearest neighbors Exercise Hands-on: Building an Estimation Model Assessing lending risk based on customer type and history Evaluating the performance of Machine Learning Algorithms Cross-validation and resampling Bootstrap aggregation (bagging) Exercise Modeling Business Decisions with Unsupervised Learning K-means clustering Challenges of unsupervised learning Beyond K-means Exercise Hands-on: Building a Recommendation System Analyzing past customer behavior to improve new service offerings Extending your company's capabilities Developing models in the cloud Accelerating machine learning with GPU Beyond machine learning: Artificial Intelligence (AI) Applying Deep Learning neural networks for computer vision, voice recognition and text analysis Closing Remarks
cntk Utilizando la Red Informática ToolKit (CNTK) 28 horas Computer Network Toolkit (CNTK) es el sistema de aprendizaje de la máquina de entrenamiento de RNN de Open Source, Multi-máquina, Multi-GPU, altamente eficiente de habla, texto e imágenes. Audiencia Este curso está dirigido a ingenieros y arquitectos con el objetivo de utilizar CNTK en sus proyectos. Empezando Configure CNTK en su máquina Habilitación de 1bit SGD Desarrollando y probando Configuraciones de prueba de producción CNTK Cómo contribuir a CNTK Tutorial Tutorial II Descripción general del uso de CNTK Ejemplos Presentaciones Múltiples GPU¹ y máquinas Configuración de CNTK Descripción del archivo de configuración Simple Network Builder BrainScript Network Builder Bloque SGD Bloque de lector Tren, Prueba, Eval Configuraciones de nivel superior Describiendo redes Conceptos básicos Expresiones Definición de funciones Referencia de funciones completa Lectores de datos Lector de formato de texto Lector de formato de texto CNTK UCI Fast Reader (obsoleto) HTKMLF Reader Lector de secuencias LM LU lector de secuencias Lector de imágenes Evaluación de los modelos CNTK Visión de conjunto Interfaz de evaluación de C ++ Interfaz de evaluación C # Evaluación de capas ocultas Transformaciones de imagen C # para la evaluación Temas avanzados Reglas de análisis de línea de comandos Comandos de nivel superior Comando de trazado Comando ConvertDBN ¹ El tema relacionado con el uso de CNTK con una GPU no está disponible como parte de un curso remoto. Este módulo puede ser entregado durante los cursos en el aula, pero sólo con un acuerdo previo, y solo si el entrenador y todos los participantes tienen computadoras portátiles con GPU NVIDIA compatibles (no suministradas por NobleProg). NobleProg no puede garantizar la disponibilidad de capacitadores con el hardware necesario.
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
aiint Visión general de Inteligencia Artificial 7 horas Este curso ha sido creado para gerentes, arquitectos de soluciones, oficiales de innovación, CTO, arquitectos de software y todos los interesados en la visión general de la inteligencia artificial aplicada y el pronóstico más cercano para su desarrollo. Historia de la Inteligencia Artificial Agentes Inteligentes Solución de Problemas Solución de problemas mediante la búsqueda Más allá de la búsqueda clásica Búsqueda Adversarial Problemas de satisfacción de restricciones Conocimiento y Razonamiento Agentes lógicos Lógica de primer orden Inferencia en la lógica del primer orden Planificación Clásica Planificación y actuación en el mundo real Representación del conocimiento Conocimiento y Razonamiento Inciertos Cuantificación de la incertidumbre Razonamiento probabilístico Razonamiento probabilístico en el tiempo Tomar decisiones sencillas Tomando decisiones complejas Aprendizaje Aprendiendo de los ejemplos Conocimiento en Aprendizaje Aprendizaje de modelos probabilísticos Aprendizaje reforzado Comunicación, Percepción y Actuación; Procesamiento natural del lenguaje Lenguaje natural para la comunicación Percepción Robótica Conclusiones Fundamentos filosóficos AI: El presente y el futuro  
MicrosoftCognitiveToolkit Microsoft Cognitive Toolkit 2.x 21 horas Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks. In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such data, speech, text, and images. By the end of this training, participants will be able to: Access CNTK as a library from within a Python, C#, or C++ program Use CNTK as a standalone machine learning tool through its own model description language (BrainScript) Use the CNTK model evaluation functionality from a Java program Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs) Scale computation capacity on CPUs, GPUs and multiple machines Access massive datasets using existing programming languages and algorithms Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice Note If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange. To request a customized course outline for this training, please contact us.
neuralnet Introducción al Uso de Neural Networks 7 horas El curso está dirigido para las personas que quieren aprender lo básico de neural networks y sus aplicaciones. Lo Básico The Basics ¿Pueden pensar las computadoras? Acercamiento imperativo y declaratvo a la resolución de problemas Propósito bedan de la Inteligencia artificial Definición de Inteligencia Artificial. Examen de  Turing. Otros determinantes. El desarrollo del concepto de sistemas inteligentes Los logros y las direcciones más importantes del desarrollo Neural Networks Lo básico Concepto de neuronas y neural networks Modelo simplificado del cerebro Neurona de Oportunidades Problema XOR y la naturaleza de la distribución de valores La naturaleza polimórfica de la sigmoidea Otras funciones activadas Construcción de neural networks Concepto de conexión de neuronas Neural network como nodos Construyendo un canal Neuronas Capas Escalas Datos de entrada y de salida Rango 0 a 1 Normalización Aprendiendo Neural Networks Propagación atrasada Pasos para la propagación Algoritmos del canal de training Rango de la aplicación Estimación Problemas con la posibilidad de aproximación Ejemplos Problema XOR ¿Lotto? Equidades OCR y reconocimiento de patrón de imagen Otras aplicaciones Implementando un modelo de trabajo de neural network prediciendo precios de la bolsa listados Problemas para hoy Explosión conbinacional y problemas de juegos Turing test de nuevo Exceso de confianza en las capacidades de las computadoras
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.  
rneuralnet Red Neuronal en R 14 horas Este curso es una introducción a la aplicación de redes neuronales en problemas del mundo real utilizando el software R-project. Introducción a las Redes Neuronales Qué son las redes neuronales? Cuál es el estado actual en la aplicación de redes neuronales Redes Neuronales vs modelos de regresión Aprendizaje supervisado y no supervisado Visión general de los paquetes disponibles Nnet, neuralnet y otros Diferencias entre los paquetes y las limitaciones de itls Visualización de redes neuronales Aplicación de redes neuronales Concepto de neuronas y redes neuronales Un modelo simplificado del cerebro Oportunidades neuronales Problema XOR y la naturaleza de la distribución de valores La naturaleza polimórfica de la sigmoide Otras funciones activadas Construcción de redes neuronales Concepto de neuronas conectadas Red neuronal como nodos Construyendo una red Neuronas Capas Escamas Datos de entrada y salida Rango 0 a 1 Normalización Redes neuronales de aprendizaje Propagación hacia atrás Propagación de pasos Algoritmos de entrenamiento en red Rango de aplicación Estimacion Problemas con la posibilidad de aproximación por Ejemplos OCR y reconocimiento de patrones de imagen Otras aplicaciones Implementación de un trabajo de modelado de redes neuronales que predice los precios
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
d2dbdpa De los Datos a la Decisión con Big Data y Análisis Predictivo 21 horas Audiencia Si intenta dar sentido a los datos a los que tiene acceso o desea analizar datos no estructurados disponibles en la red (como Twitter, Linked in, etc ...) este curso es para usted. Está dirigido principalmente a los tomadores de decisiones y las personas que necesitan elegir qué datos vale la pena recopilar y qué vale la pena analizar. No está dirigido a las personas que configuran la solución, esas personas se beneficiarán de la imagen grande sin embargo. Modo de entrega Durante el curso se presentarán a los delegados ejemplos prácticos de la mayoría de las tecnologías de código abierto. Las conferencias cortas serán seguidas por la presentación y los ejercicios simples por los participantes Contenido y software utilizados Todo el software utilizado se actualiza cada vez que se ejecuta el curso, así que verificamos las versiones más recientes posibles. Cubre el proceso de obtener, formatear, procesar y analizar los datos, para explicar cómo automatizar el proceso de toma de decisiones con el aprendizaje automático. Vista rápida Fuentes de datos Datos de encuadernación Sistemas de recomendación Objetivo de mercado Tipos de datos Estructurado vs no estructurado Estático vs transmitido Datos actitudinales, de comportamiento y demográficos Análisis basado en datos y en el usuario Validez de los datos Volumen, velocidad y variedad de datos Modelos La construcción de modelos Modelos Estadísticos Aprendizaje automático Clasificación de datos Clustering KGrupos, k-medios, vecinos más cercanos Colonias de hormigas, aves flocadas Modelos predictivos Árboles de decisión Máquinas de vectores soporte Clasificación Naive Bayes Redes neuronales Modelo de Markov Regresión Métodos de Ensemble ROI Relación beneficio / costo Costo del software Costo de desarrollo Beneficios potenciales La construcción de modelos Preparación de datos (MapReduce) Limpieza de datos Selección de métodos Modelo en desarrollo Modelo de prueba Evaluación del modelo Implementación e integración de modelos Visión general del software de código abierto y comercial Selección del paquete R-project Bibliotecas de Python Hadoop y Mahout Proyectos seleccionados de Apache relacionados con Big Data y Analytics Solución comercial seleccionada Integración con software y fuentes de datos existentes Precios Etiquetas: Prima  
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.
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
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.
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  
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
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
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
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
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
deeplearning1 Introducción al Aprendizaje Profundo 21 horas Este curso es una visión general de Deep Learning sin profundizar en ningún método específico. Es adecuado para las personas que quieren empezar a usar el aprendizaje profundo para mejorar su precisión de la predicción. Backprop, modelos modulares Módulo Logsum Red RBF MAP / Pérdida MLE Transformaciones espaciales de parámetros Módulo convolucional Aprendizaje basado en gradientes Energía para inferencia, Objetivo para el aprendizaje PCA; NLL: Modelos de variables latentes Probabilística LVM Función de pérdida Reconocimiento de escritura a mano
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
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
Torch Torch: Introducción a Máquina y Aprendizaje Profundo 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 Introducción a la antorcha     Como NumPy pero con implementación de CPU y GPU     Uso de la antorcha en aprendizaje automático, visión por computadora, procesamiento de señales, procesamiento paralelo, imagen, video, audio y redes Instalación de la antorcha     Linux, Windows, Mac     Bitmapi y Docker Instalación de paquetes Torch     Usando el administrador de paquetes LuaRocks Elegir un IDE para la antorcha     ZeroBrane Studio     Plugin de Eclipse para Lua Trabajando con el lenguaje de scripts Lua y LuaJIT     Integración de Lua con C / C ++     Sintaxis de Lua: tipos de datos, bucles y condicionales, funciones, funciones, tablas y archivos de E / S.     Orientación de objetos y serialización en Torch     Ejercicio de codificación Cargando un conjunto de datos en Torch     MNIST     CIFAR-10, CIFAR-100     Imagenet Aprendizaje automático en Torch     Aprendizaje profundo         Extracción manual de características frente a redes convolucionales     Aprendizaje supervisado y no supervisado         Construyendo una red neuronal con Torch     Matrices N-dimensionales Análisis de imagen con antorcha     Paquete de imagen     La biblioteca Tensor Trabajando con el intérprete REPL Trabajando con bases de datos Redes y antorcha Soporte de GPU en Torch Antorcha integradora     C, Python y otros Antorcha de incrustación     iOS y Android Otros marcos y bibliotecas     Módulos y contenedores de aprendizaje profundo optimizados de Facebook Creando tu propio paquete Pruebas y depuración Liberando su aplicación El futuro de la IA y la Antorcha
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
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. Introducción a OpenNN, Machine Learning y Deep Learning Descargando OpenNN Trabajando con Neural Designer      Uso de Neural Designer para análisis descriptivos, de diagnóstico, predictivos y prescriptivos Arquitectura OpenNN      Paralelización de CPU Clases OpenNN      Conjunto de datos, red neuronal, índice de pérdida, estrategia de entrenamiento, selección de modelo, análisis de prueba      Vector y plantillas de matriz Construyendo una aplicación de red neuronal      Elegir una red neuronal adecuada      Formular el problema variacional (índice de pérdida)      Resolviendo el problema de optimización de función reducida (estrategia de entrenamiento) Trabajando con datasets       La matriz de datos (columnas como variables y filas como instancias) Tareas de aprendizaje      Regresión de funciones      Reconocimiento de patrones Compilando con QT Creator Integrando, probando y depurando su aplicación El futuro de las redes neuronales y OpenNN
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  
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.
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
mlbankingr Machine Learning for Banking (with R) 28 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. R 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 live team projects. Introduction Difference between statistical learning (statistical analysis) and machine learning Adoption of machine learning technology by finance and banking companies Different Types of Machine Learning Supervised learning vs unsupervised learning Iteration and evaluation Bias-variance trade-off Combining supervised and unsupervised learning (semi-supervised learning) Machine Learning Languages and Toolsets Open source vs proprietary systems and software R vs Python vs Matlab Libraries and frameworks Machine Learning Case Studies Consumer data and big data Assessing risk in consumer and business lending Improving customer service through sentiment analysis Detecting identity fraud, billing fraud and money laundering Introduction to R Installing the RStudio IDE Loading R packages Data structures Vectors Factors Lists Data Frames Matrixes and Arrays How to Load Machine Learning Data Databases, data warehouses and streaming data Distributed storage and processing with Hadoop and Spark Importing data from a database Importing data from Excel and CSV Modeling Business Decisions with Supervised Learning Classifying your data (classification) Using regression analysis to predict outcome Choosing from available machine learning algorithms Understanding decision tree algorithms Understanding random forest algorithms Model evaluation Exercise Regression Analysis Linear regression Generalizations and Nonlinearity Exercise Classification Bayesian refresher Naive Bayes Logistic regression K-Nearest neighbors Exercise Hands-on: Building an Estimation Model Assessing lending risk based on customer type and history Evaluating the performance of Machine Learning Algorithms Cross-validation and resampling Bootstrap aggregation (bagging) Exercise Modeling Business Decisions with Unsupervised Learning K-means clustering Challenges of unsupervised learning Beyond K-means Exercise Hands-on: Building a Recommendation System Analyzing past customer behavior to improve new service offerings Extending your company's capabilities Developing models in the cloud Accelerating machine learning with additional GPUs Beyond machine learning: Artificial Intelligence (AI) Applying Deep Learning neural networks for computer vision, voice recognition and text analysis Closing Remarks

Próximos Cursos

CursoFechaPrecio del Curso [A distancia / Presencial]
Machine Learning for Banking (with Python) - GranadaMié, 2018-01-03 09:303730EUR / 4380EUR
Using Computer Network ToolKit (CNTK) - Zaragoza CentroLun, 2018-01-08 09:305010EUR / 5810EUR

Other regions

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

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