Cursos de TensorFlow

TensorFlow Training

TensorFlow is an open source software library for deep learning.

Testi...Client Testimonials

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

TensorFlow for Image Recognition

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

Paul Lee - Hong Kong Productivity Council

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 TensorFlow

Código Nombre Duración Información General
tf101 Aprendizaje Profundo con TensorFlow 21 horas TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para Deep Learning. El sistema está diseñado para facilitar la investigación en aprendizaje de máquina, y para hacer rápida y fácil la transición del prototipo de investigación al sistema de producción. Audiencia Este curso está dirigido a ingenieros que buscan usar TensorFlow para sus proyectos de Aprendizaje Profundo Después de completar este curso, los delegados: entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar producción avanzada como los modelos de entrenamiento, la construcción de gráficos y registro Aprendizaje Automático y Redes Neuronales Recursivas (RNN) NN y RNN Backprogation La memoria de largo plazo (LSTM) Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPU¹ Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio ¹ El tema Uso avanzado, "Uso de GPUs", no está disponible como parte de un curso remoto. Este módulo puede ser entregado durante los cursos en el aula, pero sólo con un acuerdo previo, y solo si el entrenador y todos los participantes tienen computadoras portátiles con GPU NVIDIA compatibles, con Linux de 64 bits instalado (no proporcionado por NobleProg). NobleProg no puede garantizar la disponibilidad de capacitadores con el hardware necesario.
tpuprogramming TPU Programming: Building Neural Network Applications on Tensor Processing Units 7 horas The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision. In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications. By the end of the training, participants will be able to: Train various types of neural networks on large amounts of data Use TPUs to speed up the inference process by up to two orders of magnitude Utilize TPUs to process intensive applications such as image search, cloud vision and photos Audience Developers Researchers Engineers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
tfir TensorFlow para Reconocimiento de Imágenes 28 horas Este curso explora, con ejemplos específicos, la aplicación de Flujo Tensor a los propósitos de reconocimiento de imagen Audiencia Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para los propósitos de reconocimiento de imágenes Después de completar este curso, los delegados podrán: entender la estructura y los mecanismos de despliegue de TensorFlow llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración evaluar la calidad del código, realizar depuración, monitoreo implementar la producción avanzada como modelos de formación, creación de gráficos y registro Aprendizaje Automático y Redes Neuronales Recursivas (RNN) NN y RNN Backprogation La memoria de largo plazo (LSTM) Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Archivos de Tutorial Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPU¹ Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio Redes Neuronales Convolucionales Visión de conjunto Metas Aspectos destacados del tutorial Arquitectura del Modelo Organización del código Modelo CIFAR-10 Entradas del modelo Predicción de modelo Formación Modelo Lanzamiento y formación del modelo Evaluación de un modelo Formación de un modelo con varias tarjetas GPU¹ Colocación de variables y operaciones en dispositivos Lanzamiento y entrenamiento del modelo en múltiples tarjetas GPU Aprendizaje profundo para MNIST Preparar Carga de datos MNIST Iniciar TensorFlow InteractiveSession Construir un modelo de regresión Softmax Marcadores de posición Variables Función de clase y costo pronosticada Entrenar el modelo Evaluar el modelo Construir una red convolucional multicapa Inicialización del peso Convolución y agrupación Primera capa convolucional Segunda capa convolucional Capa Densamente Conectada Capa de lectura Entrenar y evaluar el modelo Reconocimiento de imagen Inception-v3 C ++ Java ¹ Los temas relacionados con el uso de GPUs no están disponibles como parte de un curso remoto. Pueden ser entregados durante los cursos en el aula, pero sólo con un acuerdo previo, y solo si el entrenador y todos los participantes tienen computadoras portátiles con GPU NVIDIA compatibles, con Linux de 64 bits instalado (no proporcionado por NobleProg). NobleProg no puede garantizar la disponibilidad de capacitadores con el hardware necesario.
tsflw2v Procesamiento del Lenguaje Natural con TensorFlow 35 horas TensorFlow ™ es una biblioteca de software de código abierto para computación numérica utilizando gráficos de flujo de datos. SyntaxNet es una estructura de procesamiento de lenguaje natural de la red neuronal para TensorFlow. Word2Vec se utiliza para el aprendizaje de representaciones vectoriales de palabras, llamadas "embeddings palabra". Word2vec es un modelo predictivo particularmente computacionalmente eficiente para aprender las incorporaciones de palabras a partir de texto en bruto. Viene en dos sabores, el modelo continuo de la bolsa-de-palabras (CBOW) y el modelo de Skip-Gram (capítulo 3.1 y 3.2 en Mikolov y otros). Utilizado en tándem, SyntaxNet y Word2Vec permite a los usuarios generar modelos de incorporación aprendida de entrada de lenguaje natural. Audiencia Este curso está dirigido a desarrolladores e ingenieros que tienen la intención de trabajar con los modelos SyntaxNet y Word2Vec en sus gráficos TensorFlow. Después de completar este curso, los delegados: Entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro Empezando Instalación e instalación Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPUs Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio Introducción a SyntaxNet Análisis de entrada estándar Anotar un Corpus Configuración de los scripts de Python Construyendo un oleoducto de PNL con SyntaxNet Obtención de datos Etiquetado de parte del habla Entrenamiento del sintaxis POS Tagger Preprocesamiento con el Tagger Análisis de dependencia: Análisis basado en la transición Entrenamiento de un analizador Paso 1: Pretraining local Formación de un analizador Paso 2: Formación global Representaciones Vectoriales de Palabras Motivación: ¿Por qué aprender las incorporaciones de palabras? Aumentar la escala con el entrenamiento con interferencia de ruido El modelo Skip-gram Construyendo el Gráfico Formación del modelo Visualización de los Embeddings aprendidos Evaluación de Embeddings: Razonamiento analógico Optimización de la implementación
dlv Aprendizaje Profundo para Vision 21 horas Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora Este curso proporciona ejemplos prácticos. Aprendizaje Profundo vs Aprendizaje de Máquina vs Otros Métodos Cuando Deep Learning es adecuado Límites del Aprendizaje Profundo Comparación de la precisión y el costo de diferentes métodos Métodos Redes y capas Forward / Backward: los cálculos esenciales de los modelos de composición en capas. Pérdida: la tarea a ser aprendida es definida por la pérdida. Solver: el solver coordina la optimización del modelo. Layer Catalog: la capa es la unidad fundamental de modelado y cálculo Convolución Métodos y modelos Backprop, modelos modulares Módulo Logsum Red RBF MAP / Pérdida MLE Transformaciones espaciales de parámetros Módulo Convolucional Aprendizaje basado en gradientes Energía para inferencia, Objetivo para el aprendizaje PCA; NLL: Modelos de variables latentes LVM Probabilístico Función de pérdida Detección con Fast R-CNN Secuencias con LSTMs y Vision + Language con LRCN Predicción Pixelwise con FCNs Diseño del marco y futuro Tools Caffe Tensorflow R Matlab Otros...
embeddingprojector Embedding Projector: Visualizing your Training Data 14 horas Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to: Explore how data is being interpreted by machine learning models Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals. Explore the properties of a specific embedding to understand the behavior of a model Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
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
tensorflowserving TensorFlow Serving 7 horas TensorFlow Serving is a system for serving machine learning (ML) models to production. In this instructor-led, live training, participants will learn how to configure and use TensorFlow Serving to deploy and manage ML models in a production environment. By the end of this training, participants will be able to: Train, export and serve various TensorFlow models Test and deploy algorithms using a single architecture and set of APIs Extend TensorFlow Serving to serve other types of models beyond TensorFlow models Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
datamodeling Reconocimiento de Patrones 35 horas Este curso proporciona una introducción en el campo del reconocimiento de patrones y el aprendizaje automático. Se trata de aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática. El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos. Audiencia      Analistas de datos      Estudiantes de doctorado, investigadores y profesionales Introducción Teoría de la probabilidad, selección del modelo, teoría de la decisión e información Distribuciones de probabilidad Modelos lineales para regresión y clasificación Redes neuronales Métodos Kernel Máquinas kernel esparcidas Modelos gráficos Modelos de mezcla y EM Inferencia aproximada Métodos de muestreo Variables latentes continuas Datos secuenciales Combinando modelos

Próximos Cursos

Other regions

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