Cursos de TensorFlow
TensorFlow es una biblioteca de software de código abierto para el aprendizaje profundo.
Testimonios de los Clientes
Topic selection. Style of training. Practice orientation
Commerzbank AG
Nombre del Curso: Neural Networks Fundamentals using TensorFlow as Example
Topic selection. Style of training. Practice orientation
Commerzbank AG
Nombre del Curso: 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
Nombre del Curso: Neural Networks Fundamentals using TensorFlow as Example
Very updated approach or api (tensorflow, kera, tflearn) to do machine learning
Paul Lee - Hong Kong Productivity Council
Nombre del Curso: TensorFlow for Image Recognition
I liked the opportunities to ask questions and get more in depth explanations of the theory.
Sharon Ruane - INTEL R&D IRELAND LIMITED
Nombre del Curso: 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
Nombre del Curso: 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
Nombre del Curso: Neural Networks Fundamentals using TensorFlow as Example
Knowledgeable trainer
Sridhar Voorakkara - INTEL R&D IRELAND LIMITED
Nombre del Curso: Neural Networks Fundamentals using TensorFlow as Example
Explicación en papel
Nombre del Curso: Deep Learning with TensorFlow - bespoke
Translated by
论文讲解
Realmente aprecié las respuestas claras y claras de Chris a nuestras preguntas.
Léo Dubus
Nombre del Curso: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Translated by
I really appreciated the crystal clear answers of Chris to our questions.
Léo Dubus
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 |
| 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 |
| 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 |
| 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. |
| 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. |
| 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 |
| tpuprogramming | Programación de TPU: Construcción de Aplicaciones de Redes Neuronales en Unidades de Procesamiento de Tensiones | 7 horas | La Unidad de Procesamiento de Tensor (TPU) es la arquitectura que Google ha utilizado internamente durante varios años y ahora está disponible para el público en general. Incluye varias optimizaciones específicamente para su uso en redes neuronales, incluida la multiplicación simplificada de matrices, y enteros de 8 bits en lugar de 16 bits para devolver niveles adecuados de precisión. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de inteligencia artificial. Al final de la capacitación, los participantes podrán: Entrenar varios tipos de redes neuronales en grandes cantidades de datos Use TPU para acelerar el proceso de inferencia hasta en dos órdenes de magnitud Utilice TPU para procesar aplicaciones intensivas, como búsqueda de imágenes, visión en la nube y fotos Audiencia Desarrolladores Investigadores Ingenieros Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| embeddingprojector | Embedding Projector: Visualización de sus Datos de Entrenamiento | 14 horas | Embedding Projector es una aplicación web de código abierto para visualizar los datos utilizados para entrenar sistemas de aprendizaje automático. Creado por Google, es parte de TensorFlow. Esta capacitación en vivo dirigida por un instructor presenta los conceptos detrás de Embedding Projector y guía a los participantes a través de la configuración de un proyecto de demostración. Al final de esta capacitación, los participantes podrán: Explore cómo los datos se interpretan mediante modelos de aprendizaje automático Navegue a través de vistas 3D y 2D de datos para comprender cómo lo interpreta un algoritmo de aprendizaje automático Comprenda los conceptos detrás de Embeddings y su papel en la representación de vectores matemáticos para imágenes, palabras y números. Explore las propiedades de una incrustación específica para comprender el comportamiento de un modelo Aplicar Embedding Project a casos de uso del mundo real, como crear un sistema de recomendación de canciones para amantes de la música Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| tensorflowserving | Curso de TensorFlow Serving | 7 horas | TensorFlow Serving es un sistema para servir modelos de aprendizaje automático (ML) a la producción. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a configurar y usar TensorFlow Serving para implementar y administrar modelos ML en un entorno de producción. Al final de esta capacitación, los participantes podrán: Entrene, exporte y sirva varios modelos de TensorFlow Pruebe e implemente algoritmos utilizando una única arquitectura y un conjunto de API Extienda TensorFlow Sirviendo para servir a otros tipos de modelos más allá de los modelos TensorFlow Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| mlbankingpython_ | Aprendizaje Automático para la Banca (con Python) | 21 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria bancaria. Python se usará como el lenguaje de programación. Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en equipo. Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| undnn | Comprender las Redes Neuronales Profundas | 35 horas | Este curso comienza con la entrega de conocimientos conceptuales en redes neuronales y, en general, en el algoritmo de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). Parte-1 (40%) de esta capacitación se centra más en los fundamentos, pero te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc. La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil. Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow. Audiencia Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo. Después de completar este curso, los delegados: tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN comprender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro No todos los temas se cubrirán en un salón de clases público con 35 horas de duración debido a la inmensidad del tema. La duración del curso completo será de alrededor de 70 horas y no de 35 horas. |
| dlfornlp | Aprendizaje profundo para NLP (procesamiento de lenguaje natural) | 28 horas | Deep Learning para NLP permite que una máquina aprenda procesamiento de lenguaje simple a complejo. Entre las tareas actualmente posibles se encuentran la traducción de idiomas y la generación de subtítulos para fotos. DL (Deep Learning) es un subconjunto de ML (Machine Learning). Python es un lenguaje de programación popular que contiene bibliotecas para Deep Learning para NLP. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar las bibliotecas de Python para el procesamiento de lenguaje natural (NLP) mientras crean una aplicación que procesa un conjunto de imágenes y genera leyendas. Al final de esta capacitación, los participantes podrán: Diseño y código DL para NLP utilizando bibliotecas Python Crear código de Python que lea una gran colección de imágenes y genere palabras clave Crear código Python que genere subtítulos de las palabras clave detectadas Audiencia Programadores con interés en la lingüística Programadores que buscan una comprensión de NLP (procesamiento de lenguaje natural) Formato del curso Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
Próximos Cursos
| Curso | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|
| Aprendizaje Profundo para Vision - A Coruña | Lun, 2018-05-14 09:30 | 5250EUR / 6050EUR |
| Reconocimiento de Patrones - Mallorca | Lun, 2018-05-14 09:30 | 8750EUR / 9950EUR |
| Aprendizaje profundo para NLP (procesamiento de lenguaje natural) - Barcelona | Lun, 2018-05-14 09:30 | 7000EUR / 8000EUR |
| Programación de TPU: Construcción de Aplicaciones de Redes Neuronales en Unidades de Procesamiento de Tensiones - Bilbao | Mar, 2018-05-15 09:30 | 1750EUR / 2150EUR |
| Aprendizaje Profundo con TensorFlow - Valencia | Mié, 2018-05-16 09:30 | 5250EUR / 6050EUR |