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

Programas de los Cursos de Neural Networks

Código Nombre Duración Información General
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
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
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
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  
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  
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
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
Neuralnettf Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo 28 horas This course will give you knowledge in neural networks and generally in machine learning algorithm,  deep learning (algorithms and applications). This training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow. TensorFlow Basics Creation, Initializing, Saving, and Restoring TensorFlow variables Feeding, Reading and Preloading TensorFlow Data How to use TensorFlow infrastructure to train models at scale Visualizing and Evaluating models with TensorBoard TensorFlow Mechanics Inputs and Placeholders Build the GraphS Inference Loss Training Train the Model The Graph The Session Train Loop Evaluate the Model Build the Eval Graph Eval Output The Perceptron Activation functions The perceptron learning algorithm Binary classification with the perceptron Document classification with the perceptron Limitations of the perceptron From the Perceptron to Support Vector Machines Kernels and the kernel trick Maximum margin classification and support vectors Artificial Neural Networks Nonlinear decision boundaries Feedforward and feedback artificial neural networks Multilayer perceptrons Minimizing the cost function Forward propagation Back propagation Improving the way neural networks learn Convolutional Neural Networks Goals Model Architecture Principles Code Organization Launching and Training the Model Evaluating a Model
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.
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
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.
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
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
datamodeling Reconocimiento de Patrones 35 horas This course provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics. The course is interactive and includes plenty of hands-on exercises, instructor feedback, and testing of knowledge and skills acquired. Audience     Data analysts     PhD students, researchers and practitioners   Introduction Probability theory, model selection, decision and information theory Probability distributions Linear models for regression and classification Neural networks Kernel methods Sparse kernel machines Graphical models Mixture models and EM Approximate inference Sampling methods Continuous latent variables Sequential data Combining models  
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.
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
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.  
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  
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
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
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.
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  
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.
mldt Aprendizaje Automático y Aprendizaje Profundo 21 horas This course covers AI (emphasizing Machine Learning and Deep Learning) Machine learning Introduction to Machine Learning Applications of machine learning Supervised Versus Unsupervised Learning Machine Learning Algorithms Regression Classification Clustering Recommender System Anomaly Detection Reinforcement Learning Regression Simple & Multiple Regression Least Square Method Estimating the Coefficients Assessing the Accuracy of the Coefficient Estimates Assessing the Accuracy of the Model Post Estimation Analysis Other Considerations in the Regression Models Qualitative Predictors Extensions of the Linear Models Potential Problems Bias-variance trade off [under-fitting/over-fitting] for regression models Resampling Methods Cross-Validation The Validation Set Approach Leave-One-Out Cross-Validation k-Fold Cross-Validation Bias-Variance Trade-Off for k-Fold The Bootstrap Model Selection and Regularization Subset Selection [Best Subset Selection, Stepwise Selection, Choosing the Optimal Model] Shrinkage Methods/ Regularization [Ridge Regression, Lasso & Elastic Net] Selecting the Tuning Parameter Dimension Reduction Methods Principal Components Regression Partial Least Squares Classification Logistic Regression The Logistic Model cost function Estimating the Coefficients Making Predictions Odds Ratio Performance Evaluation Matrices [Sensitivity/Specificity/PPV/NPV, Precision, ROC curve etc.] Multiple Logistic Regression Logistic Regression for >2 Response Classes Regularized Logistic Regression Linear Discriminant Analysis Using Bayes’ Theorem for Classification Linear Discriminant Analysis for p=1 Linear Discriminant Analysis for p >1 Quadratic Discriminant Analysis K-Nearest Neighbors Classification with Non-linear Decision Boundaries Support Vector Machines Optimization Objective The Maximal Margin Classifier Kernels One-Versus-One Classification One-Versus-All Classification Comparison of Classification Methods Introduction to Deep Learning ANN Structure Biological neurons and artificial neurons Non-linear Hypothesis Model Representation Examples & Intuitions Transfer Function/ Activation Functions Typical classes of network architectures Feed forward ANN. Structures of Multi-layer feed forward networks Back propagation algorithm Back propagation - training and convergence Functional approximation with back propagation Practical and design issues of back propagation learning Deep Learning Artificial Intelligence & Deep Learning Softmax Regression Self-Taught Learning Deep Networks Demos and Applications Lab: Getting Started with R Introduction to R Basic Commands & Libraries Data Manipulation Importing & Exporting data Graphical and Numerical Summaries Writing functions Regression Simple & Multiple Linear Regression Interaction Terms Non-linear Transformations Dummy variable regression Cross-Validation and the Bootstrap Subset selection methods Penalization [Ridge, Lasso, Elastic Net] Classification Logistic Regression, LDA, QDA, and KNN, Resampling & Regularization Support Vector Machine Resampling & Regularization Note: For ML algorithms, case studies will be used to discuss their application, advantages & potential issues. Analysis of different data sets will be performed using R
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
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

Próximos Cursos

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

Promociones

Descuentos en los Cursos

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

Algunos de nuestros clientes