Os cursos de treinamento de Inteligência Artificial (AI) ao vivo demonstram, através da prática, como implementar soluções de IA para resolver problemas do mundo real. O treinamento de IA está disponível como "treinamento ao vivo no local" ou "treinamento remoto ao vivo" Treinamento ao vivo pode ser realizado nas instalações do cliente no Portugal ou nos centros de treinamento corporativo da NobleProg no Portugal . O treinamento ao vivo remoto é realizado por meio de uma área de trabalho online e interativa NobleProg seu provedor de treinamento local.
NobleProg -- Seu Provedor de Treinamento Local
Foi muito interativo e mais descontraído e informal do que o esperado. Nós cobrimos muitos tópicos no tempo e o treinador sempre foi receptivo a falar mais detalhadamente ou mais geralmente sobre os tópicos e como eles estavam relacionados. Eu sinto que o treinamento me deu as ferramentas para continuar aprendendo, em vez de ser uma sessão única em que o aprendizado para quando você terminar, o que é muito importante, dada a escala e a complexidade do tópico.
Jonathan Blease
Curso: Redes Neurais Artificiais, Machine Learning, Deep Thinking
Translated by
Ann criou um ótimo ambiente para fazer perguntas e aprender. Nós nos divertimos muito e também aprendemos muito ao mesmo tempo.
Gudrun Bickelq
Curso: Introdução ao Uso de Redes Neurais
Translated by
A parte interativa, adaptada às nossas necessidades específicas.
Thomas Stocker
Curso: Introdução ao Uso de Redes Neurais
Translated by
Eu gostei dos exercícios.
Office for National Statistics
Curso: Processamento Natural de Linguagem com Python
Translated by
Eu realmente gostei da abordagem prática.
Kevin De Cuyper
Curso: Computer Vision with OpenCV
Translated by
O treinador foi tão experiente e áreas incluídas eu estava interessado em.
Mohamed Salama
Curso: Data Mining & Machine Learning with R
Translated by
O assunto é muito interessante.
Wojciech Baranowski
Curso: Introduction to Deep Learning
Translated by
Formadores de conhecimentos teóricos e vontade de resolver os problemas com os participantes após o treinamento.
Grzegorz Mianowski
Curso: Introduction to Deep Learning
Translated by
Tema. Muito interessante!.
Piotr
Curso: Introduction to Deep Learning
Translated by
Exercícios após cada tópico foram realmente úteis, apesar de terem sido muito complicados no final. Em geral, o material apresentado foi muito interessante e envolvente! Exercícios com reconhecimento de imagem foram ótimos.
Dolby Poland Sp. z o.o.
Curso: Introduction to Deep Learning
Translated by
Eu acho que se o treinamento fosse feito em polonês, isso permitiria ao treinador compartilhar seus conhecimentos de forma mais eficiente.
Radek
Curso: Introduction to Deep Learning
Translated by
A visão global da aprendizagem profunda.
Bruno Charbonnier
Curso: Advanced Deep Learning
Translated by
Os exercícios são suficientemente práticos e não precisam de alto conhecimento em Python para ser feito.
Alexandre GIRARD
Curso: Advanced Deep Learning
Translated by
Fazendo exercícios em exemplos reais usando Eras. A Itália entendeu totalmente as nossas expectativas sobre esse treinamento.
Paul Kassis
Curso: Advanced Deep Learning
Translated by
O sujeito. Parecia interessante, mas saí sabendo não muito mais do que antes.
Radoslaw Labedzki
Curso: Introduction to Deep Learning
Translated by
Gostei que este curso tenha assunto muito interessante.
Wojciech Wilk
Curso: Introduction to Deep Learning
Translated by
Eu realmente apreciei as respostas cristalinas de Chris às nossas perguntas.
Léo Dubus
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Eu geralmente gostava do treinador experiente.
Sridhar Voorakkara
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Fiquei espantado com o padrão desta classe - eu diria que era padrão universitário.
David Relihan
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Muito boa visão geral. Boas informações sobre o motivo pelo qual o Tensorflow opera como funciona.
Kieran Conboy
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Gostei das oportunidades de fazer perguntas e obter explicações mais aprofundadas da teoria.
Sharon Ruane
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Nós obtivemos muito mais informações sobre o assunto. Alguma discussão agradável foi feita com alguns assuntos reais dentro da nossa empresa.
Sebastiaan Holman
Curso: Machine Learning and Deep Learning
Translated by
O treinamento forneceu a base correta que nos permite expandir ainda mais, mostrando como a teoria e a prática andam de mãos dadas. Na verdade, me deixou mais interessado no assunto do que antes.
Jean-Paul van Tillo
Curso: Machine Learning and Deep Learning
Translated by
Eu realmente gostei da cobertura e profundidade dos tópicos.
Anirban Basu
Curso: Machine Learning and Deep Learning
Translated by
Eu gostei dos novos insights em deep machine learning.
Josip Arneric
Curso: Rede Neural em R
Translated by
Ganhamos algum conhecimento sobre o NN em geral, e o que foi mais interessante para mim foram os novos tipos de NN que são populares hoje em dia.
Tea Poklepovic
Curso: Rede Neural em R
Translated by
Eu gostei principalmente dos gráficos em R :))).
Faculty of Economics and Business Zagreb
Curso: Rede Neural em R
Translated by
O profundo conhecimento do treinador sobre o tema.
Sebastian Görg
Curso: Introduction to Deep Learning
Translated by
Abordagem muito atualizada ou CPI (tensor flow, era, learn) para fazer aprendizado de máquina.
Paul Lee
Curso: TensorFlow para o Reconhecimento de Imagem
Translated by
Muito flexível.
Frank Ueltzhöffer
Curso: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
Eu geralmente gostei da flexibilidade.
Werner Philipp
Curso: Artificial Neural Networks, Machine Learning and Deep Thinking
Translated by
Dada perspectiva da tecnologia: qual tecnologia / processo pode se tornar mais importante no futuro; veja, para que a tecnologia pode ser usada.
Commerzbank AG
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Eu estava beneficiado com a seleção de tópicos. Estilo de treinamento Orientação prática.
Commerzbank AG
Curso: Neural Networks Fundamentals using TensorFlow as Example
Translated by
Abrangente cobertura de tópicos de aprendizado de máquina, particularmente redes neurais. Desmistificou muito do tópico.
Sacha Nandlall
Curso: Python for Advanced Machine Learning
Translated by
Este é um dos melhores cursos práticos de programação de exercícios que já fiz.
Laura Kahn
Curso: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
Este é um dos treinamentos online de melhor qualidade que já fiz em minha carreira de 13 anos. Continue com o ótimo trabalho!.
Curso: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
O estilo de treinamento de Richard manteve interessante, os exemplos do mundo real usados ajudaram a levar os conceitos para casa.
Jamie Martin-Royle - NBrown Group
Curso: Dos Dados a Decisão com Big Data e Análises Preditivas
Translated by
O conteúdo, como eu achei muito interessante e acho que me ajudaria no meu último ano na Universidade.
Krishan Mistry - NBrown Group
Curso: Dos Dados a Decisão com Big Data e Análises Preditivas
Translated by
Excercises
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
os exercícios de laboratório
Marcell Lorant - L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
A forma de caderno Jupyter, na qual o material de treinamento está disponível
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
Houve muitos exercícios e tópicos interessantes.
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
alguns grandes exercícios de laboratório analisados e explicados pelo formador em profundidade (por exemplo, covariantes em regressão linear, combinando com a função real)
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
É ótimo que todo o material, incluindo os exercícios, esteja na mesma página e seja atualizado na hora. A solução é revelada no final. Legal! Além disso, agradeço que Krzysztof tenha feito um esforço extra para entender nossos problemas e nos sugeriu técnicas possíveis.
Attila Nagy - L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
O uso fácil da funcionalidade VideoCapture para adquirir imagens de vídeo da câmera do laptop.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Computer Vision with OpenCV
Translated by
Eu gostei das recomendações dadas pelo treinador sobre como usar as ferramentas. Isso é algo que não pode ser obtido da internet e é muito útil.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Computer Vision with OpenCV
Translated by
Eu gostei das recomendações dadas pelo treinador sobre como usar as ferramentas. Isso é algo que não pode ser obtido da internet e é muito útil.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Computer Vision with OpenCV
Translated by
Foi fácil de seguir.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Computer Vision with OpenCV
Translated by
o assunto foi bem apresentado e de forma ordenada.
Marylin Houle - Ivanhoe Cambridge
Curso: Introduction to R with Time Series Analysis
Translated by
Eu me beneficiei da paixão de ensinar e me concentrar em fazer coisas sensatas.
Zaher Sharifi - GOSI
Curso: Advanced Deep Learning
Translated by
Este é um dos treinamentos online de melhor qualidade que já fiz em minha carreira de 13 anos. Continue com o ótimo trabalho!.
Curso: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
| Código | Nome | Duração | Visão geral |
|---|---|---|---|
| aiint | Panorama da Inteligência Artificial | 7 hours | Este curso foi criado para gerentes, arquitetos de soluções, executivos de inovação, CTOs, arquitetos de software e qualquer um que esteja interessado em uma visão geral da inteligência artificial aplicada e a previsão mais próxima para o seu desenvolvimento. |
| pythontextml | Python: Machine Learning with Text | 21 hours | Neste treinamento presencial instruído, os participantes aprenderão como usar o aprendizado de máquina correto e as técnicas de PNL (Processamento de Linguagem Natural) para extrair valor de dados baseados em texto No final deste treinamento, os participantes serão capazes de: Resolva problemas de ciência de dados baseados em texto com código reutilizável de alta qualidade Aplicar diferentes aspectos do scikitlearn (classificação, agrupamento, regressão, redução de dimensionalidade) para resolver problemas Crie modelos eficazes de aprendizado de máquina usando dados baseados em texto Criar um conjunto de dados e extrair recursos do texto não estruturado Visualize dados com o Matplotlib Construa e avalie modelos para obter insight Resolver erros de codificação de texto Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| textsum | Text Summarization with Python | 14 hours | No Python Machine Learning, o recurso Text Summarization é capaz de ler o texto de entrada e produzir um resumo de texto Esse recurso está disponível na linha de comando ou como uma API / biblioteca do Python Uma aplicação interessante é a rápida criação de resumos executivos; Isso é particularmente útil para organizações que precisam revisar grandes corpos de dados de texto antes de gerar relatórios e apresentações Neste treinamento ao vivo instrutor, os participantes aprenderão a usar o Python para criar um aplicativo simples que gera automaticamente um resumo do texto de entrada No final deste treinamento, os participantes serão capazes de: Use uma ferramenta de linha de comando que resume o texto Projetar e criar código de resumo de texto usando bibliotecas Python Avalie três bibliotecas de sumarização do Python: sumy 070, pysummarization 104, readless 1017 Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| undnn | Understanding Deep Neural Networks | 35 hours | Este curso começa com o fornecimento de conhecimento conceitual em redes neurais e, geralmente, em algoritmos de aprendizado de máquina, aprendizado profundo (algoritmos e aplicativos) Parte 1 (40%) deste treinamento é mais foco nos fundamentos, mas irá ajudá-lo a escolher a tecnologia certa: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc Parte 2 (20%) deste treinamento introduz Theano uma biblioteca python que facilita escrever modelos de aprendizagem profunda A parte 3 (40%) do treinamento seria amplamente baseada na API do Tensorflow 2nd Generation da biblioteca de software de código aberto do Google para Deep Learning Os exemplos e handson seriam todos feitos em TensorFlow Público Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos Deep Learning Depois de concluir este curso, os delegados irão: ter um bom entendimento sobre redes neurais profundas (DNN), CNN e RNN entender a estrutura e os mecanismos de implantação do TensorFlow ser capaz de realizar tarefas de instalação / ambiente de produção / arquitetura e configuração ser capaz de avaliar a qualidade do código, executar a depuração, monitoramento ser capaz de implementar a produção avançada, como modelos de treinamento, construção de gráficos e registro Nem todos os tópicos seriam abordados em uma sala de aula pública com 35 horas de duração devido à vastidão do assunto A duração do curso completo será de cerca de 70 horas e não de 35 horas . |
| opennlp | OpenNLP for Text Based Machine Learning | 14 hours | A biblioteca Apache OpenNLP é um kit de ferramentas baseado em aprendizado de máquina para processar texto em linguagem natural Ele suporta as tarefas mais comuns de PNL, como detecção de idioma, tokenização, segmentação de frases, tagging de tag de fala, extração de entidades nomeadas, chunking, parsing e resolução de referência Neste treinamento presencial instruído, os participantes aprenderão como criar modelos para processar dados baseados em texto usando o OpenNLP Dados de treinamento de amostra, bem como conjuntos de dados personalizados, serão usados como base para os exercícios de laboratório No final deste treinamento, os participantes serão capazes de: Instalar e configurar o OpenNLP Faça o download de modelos existentes e crie seus próprios Treine os modelos em vários conjuntos de dados de amostra Integre o OpenNLP com aplicativos Java existentes Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| mlbankingpython_ | Machine Learning for Banking (with Python) | 21 hours | Aprendizado de Máquina é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem programados explicitamente O Python é uma linguagem de programação famosa por sua sintaxe e legibilidade claras Oferece uma excelente coleção de bibliotecas e técnicas bem testadas para o desenvolvimento de aplicativos de aprendizado de máquina Neste treinamento presencial instruído, os participantes aprenderão como aplicar técnicas e ferramentas de aprendizado de máquina para resolver problemas do mundo real no setor bancário Os participantes primeiro aprendem os princípios-chave e, em seguida, colocam seus conhecimentos em prática, construindo seus próprios modelos de aprendizado de máquina e usando-os para concluir uma série de projetos de equipe Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| mlbankingr | Machine Learning for Banking (with R) | 28 hours | Neste treinamento presencial instruído, os participantes aprenderão como aplicar técnicas e ferramentas de aprendizado de máquina para resolver problemas do mundo real no setor bancário R será usado como linguagem de programação Os participantes primeiro aprendem os princípios-chave e, em seguida, colocam seus conhecimentos em prática, construindo seus próprios modelos de aprendizado de máquina e usando-os para concluir uma série de projetos ao vivo Público Desenvolvedores Cientistas de dados Profissionais bancários com formação técnica Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| python_nlp | Natural Language Processing with Deep Dive in Python and NLTK | 35 hours | No final do treinamento, espera-se que os delegados estejam suficientemente equipados com os conceitos essenciais da python e devem ser capazes de usar suficientemente o NLTK para implementar a maioria das operações baseadas na PNL e no ML O treinamento destina-se a fornecer não apenas um conhecimento de execução, mas também o conhecimento lógico e operacional da tecnologia nele contida . |
| matlabdl | Matlab for Deep Learning | 14 hours | Neste treinamento presencial instruído, os participantes aprenderão como usar o Matlab para projetar, construir e visualizar uma rede neural convolucional para reconhecimento de imagem No final deste treinamento, os participantes serão capazes de: Construa um modelo de aprendizado profundo Automatizar a rotulagem de dados Trabalhar com modelos de Caffe e TensorFlowKeras Treinar dados usando várias GPUs, a nuvem ou clusters Público Desenvolvedores Engenheiros Especialistas de domínio Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| matlabpredanalytics | Matlab para Análise Preditiva | 21 hours | A análise preditiva é o processo de análise de dados para fazer previsões sobre o futuro. Este processo usa dados juntamente com técnicas de data mining, estatísticas e técnicas de machine learning para criar um modelo preditivo para a previsão de eventos futuros. Nessa formação treinada por instrutor e treinamento, os participantes aprenderão como usar o Matlab para criar modelos preditivos e aplicá-los a grandes conjuntos de dados de amostra para prever eventos futuros com base nos dados. Ao final deste treinamento, os participantes serão capazes de: - Crie modelos preditivos para analisar padrões em dados históricos e transacionais - Use modelagem preditiva para identificar riscos e oportunidades - Construa modelos matemáticos que captem tendências importantes - Use dados para dispositivos e sistemas de negócios para reduzir o desperdício, economizar tempo ou reduzir custos Público - Desenvolvedores - Engenheiros - Especialistas em domínio Formato do curso Palestras, discussão parcial, exercícios e prática. |
| tensorflowserving | TensorFlow Serving | 7 hours | O TensorFlow Serving é um sistema para servir modelos de aprendizado de máquina (ML) à produção Neste treinamento presencial instruído, os participantes aprenderão como configurar e usar o TensorFlow Serving para implantar e gerenciar modelos ML em um ambiente de produção No final deste treinamento, os participantes serão capazes de: Treinar, exportar e servir vários modelos TensorFlow Teste e implemente algoritmos usando uma única arquitetura e um conjunto de APIs Estenda o TensorFlow Serving para atender outros tipos de modelos além dos modelos do TensorFlow Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| mlios | Machine Learning on iOS | 14 hours | Neste treinamento presencial instruído, os participantes aprenderão a usar a pilha de tecnologia do Aprendizado de Máquina do iOS (ML) à medida que avançam na criação e na implantação de um aplicativo móvel para iOS No final deste treinamento, os participantes serão capazes de: Crie um aplicativo para dispositivos móveis com capacidade de processamento de imagem, análise de texto e reconhecimento de fala Acesse modelos ML pré-planejados para integração em aplicativos iOS Crie um modelo ML personalizado Adicionar suporte Siri Voice a aplicativos iOS Entenda e use estruturas como coreML, Vision, CoreGraphics e GamePlayKit Use linguagens e ferramentas como o Python, o Keras, o Caffee, o Tensorflow, o scikit learn, o libsvm, o Anaconda e o Spyder Público Desenvolvedores Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| nlg | Python for Natural Language Generation | 21 hours | Geração de linguagem natural (NLG) refere-se à produção de texto em linguagem natural ou fala por um computador Neste treinamento ao vivo com instrutores, os participantes aprenderão como usar o Python para produzir texto em linguagem natural de alta qualidade construindo seu próprio sistema NLG do zero Estudos de caso também serão examinados e os conceitos relevantes serão aplicados a projetos de laboratório para geração de conteúdo No final deste treinamento, os participantes serão capazes de: Use o NLG para gerar automaticamente conteúdo para vários setores, desde jornalismo a imóveis, a climas e reportagens esportivas Selecione e organize conteúdo de origem, planeje frases e prepare um sistema para geração automática de conteúdo original Entenda o pipeline de NLG e aplique as técnicas corretas em cada estágio Entenda a arquitetura de um sistema de geração de linguagem natural (NLG) Implementar os algoritmos e modelos mais adequados para análise e ordenação Extrair dados de fontes de dados disponíveis publicamente, bem como bancos de dados com curadoria para usar como material para texto gerado Substituir processos de escrita manuais e trabalhosos por criação de conteúdo automatizada e gerada por computador Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| encogintro | Encog: Introduction to Machine Learning | 14 hours | Encog é uma estrutura de aprendizado de máquina de código aberto para Java eNet Neste treinamento ao vivo instrutor, os participantes aprenderão como criar vários componentes de rede neural usando o ENCOG Os estudos de caso do Realworld serão discutidos e as soluções baseadas em linguagem de máquina para esses problemas serão exploradas No final deste treinamento, os participantes serão capazes de: Prepare dados para redes neurais usando o processo de normalização Implementar redes de feed forward e metodologias de treinamento de propagação Implementar tarefas de classificação e regressão Modelar e treinar redes neurais usando a bancada de trabalho baseada em GUI do Encog Integre o suporte a redes neurais em aplicativos do mundo real Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| bigdatabicriminal | Big Data Business Intelligence for Criminal Intelligence Analysis | 35 hours | Avanços em tecnologias e a crescente quantidade de informações estão transformando a forma como a aplicação da lei é conduzida Os desafios que o Big Data representa são quase tão assustadores quanto a promessa do Big Data Armazenar dados de forma eficiente é um desses desafios; efetivamente analisá-lo é outra Neste treinamento presencial instruído, os participantes aprenderão a mentalidade com a qual abordarão as tecnologias de Big Data, avaliarão seu impacto nos processos e políticas existentes e implementarão essas tecnologias com a finalidade de identificar atividades criminosas e prevenir o crime Estudos de casos de organizações policiais de todo o mundo serão examinados para obter insights sobre suas abordagens de adoção, desafios e resultados No final deste treinamento, os participantes serão capazes de: Combine a tecnologia Big Data com os processos tradicionais de coleta de dados para reunir uma história durante uma investigação Implementar soluções industriais de armazenamento e processamento de big data para análise de dados Preparar uma proposta para a adopção das ferramentas e processos mais adequados para permitir uma abordagem orientada para as investigações criminais Público Especialistas em aplicação da lei com formação técnica Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| encogadv | Encog: Advanced Machine Learning | 14 hours | Encog é uma estrutura de aprendizado de máquina de código aberto para Java eNet Neste treinamento presencial instruído, os participantes aprenderão técnicas avançadas de aprendizado de máquina para a construção de modelos preditivos precisos de redes neurais No final deste treinamento, os participantes serão capazes de: Implementar diferentes técnicas de otimização de redes neurais para resolver o mau ajuste e o superajuste Entenda e escolha entre várias arquiteturas de redes neurais Implementar redes supervisionadas de feed forward e feedback Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| radvml | Advanced Machine Learning with R | 21 hours | Neste treinamento ao vivo com instrutores, os participantes aprenderão técnicas avançadas para o Aprendizado de Máquina com o R ao passarem pela criação de um aplicativo do mundo real No final deste treinamento, os participantes serão capazes de: Use técnicas como ajuste de hyperparameter e aprendizagem profunda Compreender e implementar técnicas de aprendizagem não supervisionadas Coloque um modelo em produção para uso em um aplicativo maior Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| pythonadvml | Python for Advanced Machine Learning | 21 hours | Neste treinamento presencial instruído, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e inovadoras do Python, pois eles criam uma série de aplicativos de demonstração que envolvem dados de imagem, música, texto e dados financeiros No final deste treinamento, os participantes serão capazes de: Implementar algoritmos e técnicas de aprendizado de máquina para resolver problemas complexos Aplicar aprendizado profundo e aprendizado semissupervisionado a aplicativos que envolvam dados de imagem, música, texto e dados financeiros Empurre os algoritmos do Python para o seu potencial máximo Use bibliotecas e pacotes como NumPy e Theano Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| fiji | Fiji: Introduction to Scientific Image Processing | 21 hours | Fiji é um pacote de processamento de imagem de código aberto que agrega ImageJ (um programa de processamento de imagens para imagens multidimensionais científicas) e vários plugins para análise de imagens científicas Neste treinamento presencial instruído, os participantes aprenderão como usar a distribuição Fiji e seu programa ImageJ subjacente para criar um aplicativo de análise de imagem No final deste treinamento, os participantes serão capazes de: Use os recursos avançados de programação e componentes de software do Fiji para estender o ImageJ Costure imagens 3d grandes de telhas sobrepostas Atualizar automaticamente uma instalação do Fiji na inicialização usando o sistema de atualização integrado Selecione a partir de uma ampla seleção de linguagens de script para criar soluções de análise de imagem personalizadas Use as poderosas bibliotecas do Fiji, como o ImgLib, em grandes conjuntos de dados de bioimagem Implemente sua aplicação e colabore com outros cientistas em projetos semelhantes Público Cientistas Pesquisadores Desenvolvedores Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| rasberrypiopencv | Raspberry Pi + OpenCV: Build a Facial Recognition System | 21 hours | Este treinamento ao vivo com instrutor introduz o software, o hardware e o processo passo a passo necessários para criar um sistema de reconhecimento facial do zero Reconhecimento Facial é também conhecido como Reconhecimento Facial O hardware usado neste laboratório inclui o Rasberry Pi, um módulo de câmera, servos (opcional), etc Os participantes são responsáveis pela compra desses componentes O software usado inclui OpenCV, Linux, Python, etc No final deste treinamento, os participantes serão capazes de: Instale o Linux, OpenCV e outros utilitários de software e bibliotecas em um Rasberry Pi Configure o OpenCV para capturar e detectar imagens faciais Entenda as várias opções para empacotar um sistema Rasberry Pi para uso em ambientes reais Adaptar o sistema para uma variedade de casos de uso, incluindo vigilância, verificação de identidade, etc Público Desenvolvedores Técnicos de hardware / software Técnicos de todas as indústrias Hobbyists Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada Nota Outras opções de hardware e software incluem: Arduino, OpenFace, Windows, etc Se você deseja usar qualquer um desses, entre em contato conosco para agendar . |
| openface | OpenFace: Creating Facial Recognition Systems | 14 hours | O OpenFace é um software de reconhecimento facial em tempo real baseado em Python e Torch, baseado na pesquisa FaceNet do Google Neste treinamento presencial instruído, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra No final deste treinamento, os participantes serão capazes de: Trabalhe com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4, para implementar detecção, alinhamento e transformação de faces Aplique o OpenFace a aplicações do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| embeddingprojector | Embedding Projector: Visualizing Your Training Data | 14 hours | O Embedding Projector é um aplicativo da web opensource para visualizar os dados usados para treinar sistemas de aprendizado de máquina Criado pelo Google, faz parte do TensorFlow Este treinamento ao vivo com instrutor introduz os conceitos por trás do Embedding Projector e conduz os participantes através da configuração de um projeto de demonstração No final deste treinamento, os participantes serão capazes de: Explore como os dados estão sendo interpretados pelos modelos de aprendizado de máquina Navegue por visualizações 3D e 2D de dados para entender como um algoritmo de aprendizado de máquina o interpreta Entenda os conceitos por trás do Embeddings e seu papel na representação de vetores matemáticos para imagens, palavras e numerais Explore as propriedades de uma incorporação específica para entender o comportamento de um modelo Aplique o Embedding Project em casos de uso do mundo real, como construir um sistema de recomendação de músicas para os amantes da música Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| t2t | T2T: Creating Sequence to Sequence Models for Generalized Learning | 7 hours | O Tensor2Tensor (T2T) é uma biblioteca modular e extensível para treinar modelos de IA em diferentes tarefas, usando diferentes tipos de dados de treinamento, por exemplo: reconhecimento de imagem, tradução, análise, legendagem de imagens e reconhecimento de fala É mantido pela equipe do Google Brain Neste treinamento presencial instruído, os participantes aprenderão a preparar um modelo deeplearning para resolver várias tarefas No final deste treinamento, os participantes serão capazes de: Instale tensor2tensor, selecione um conjunto de dados e treine e avalie um modelo de AI Personalize um ambiente de desenvolvimento usando as ferramentas e componentes incluídos no Tensor2Tensor Crie e use um modelo único para conhecer simultaneamente várias tarefas de vários domínios Use o modelo para aprender com tarefas com uma grande quantidade de dados de treinamento e aplique esse conhecimento a tarefas em que os dados são limitados Obtenha resultados de processamento satisfatórios usando uma única GPU Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| cognitivecomputing | Cognitive Computing: An Introduction for Business Managers | 7 hours | Computação cognitiva refere-se a sistemas que abrangem aprendizado de máquina, raciocínio, processamento de linguagem natural, reconhecimento de voz e visão (reconhecimento de objeto), interação humano-computador, diálogo e geração de narrativa, para citar alguns Um sistema de computação cognitiva é muitas vezes composto de várias tecnologias trabalhando juntas para processar dados contextuais "quentes", além de grandes conjuntos de dados históricos "frios" em lote Exemplos de tais tecnologias incluem Kafka, Spark, Elasticsearch, Cassandra e Hadoop Neste treinamento presencial instruído, os participantes aprenderão como a Computação Cognitiva complementa a IA e o Big Data e como os sistemas criados pelo propósito podem ser usados para realizar comportamentos semelhantes aos humanos que melhoram o desempenho das interações da máquina humana nos negócios No final deste treinamento, os participantes entenderão: A relação entre computação cognitiva e inteligência artificial (IA) A natureza inerentemente probabilística da computação cognitiva e como usá-la como uma vantagem comercial Como gerenciar sistemas de computação cognitiva que se comportam de maneiras inesperadas Quais empresas e sistemas de software oferecem as soluções de computação cognitiva mais atraentes Público Gerentes de negócios Formato do curso Palestra, discussões de casos e exercícios . |
| dsstne | Amazon DSSTNE: Build a Recommendation System | 7 hours | O Amazon DSSTNE é uma biblioteca de código aberto para treinamento e implementação de modelos de recomendação Ele permite que modelos com matrizes de peso muito grandes para uma única GPU sejam treinados em um único host Neste treinamento presencial instruído, os participantes aprenderão como usar o DSSTNE para criar um aplicativo de recomendação No final deste treinamento, os participantes serão capazes de: Treinar um modelo de recomendação com conjuntos de dados esparsos como entrada Modelos de treinamento e previsão de escala em várias GPUs Espalhe computação e armazenamento de forma paralela a modelos Gere recomendações de produtos personalizadas semelhantes à Amazon Implantar um aplicativo já pronto que pode escalar em cargas de trabalho pesadas Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| snorkel | Snorkel: Rapidly Process Training Data | 7 hours | Snorkel é um sistema para criar, modelar e gerenciar rapidamente dados de treinamento Ele se concentra na aceleração do desenvolvimento de aplicativos de extração de dados estruturados ou "escuros" para domínios nos quais grandes conjuntos de treinamento rotulados não estão disponíveis ou são fáceis de obter Neste treinamento presencial instruído, os participantes aprenderão técnicas para extrair valor de dados não estruturados, como texto, tabelas, figuras e imagens, através da modelagem de dados de treinamento com o Snorkel No final deste treinamento, os participantes serão capazes de: Criar programaticamente conjuntos de treinamento para permitir a rotulagem de conjuntos de treinamento massivos Treinar modelos de alta qualidade final modelando primeiro conjuntos de treinamento barulhentos Use o Snorkel para implementar técnicas de supervisão fracas e aplicar a programação de dados a sistemas de aprendizado de máquina supervisionados de forma fraca Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| dlfornlp | Deep Learning for NLP (Natural Language Processing) | 28 hours | Deep Learning for NLP permite que uma máquina aprenda o processamento de linguagem simples e complexo Entre as tarefas atualmente possíveis estão a tradução de idiomas e a geração de legendas para fotos DL (Deep Learning) é um subconjunto do ML (Machine Learning) Python é uma linguagem de programação popular que contém bibliotecas para o Deep Learning for NLP Neste treinamento presencial instruído, os participantes aprenderão a usar as bibliotecas Python para o NLP (Natural Language Processing), pois criam um aplicativo que processa um conjunto de imagens e gera legendas No final deste treinamento, os participantes serão capazes de: Projetar e codificar o DL para NLP usando bibliotecas Python Crie código Python que leia uma coleção substancialmente grande de imagens e gere palavras-chave Criar código Python que gera legendas das palavras-chave detectadas Público Programadores com interesse em lingüística Programadores que buscam um entendimento da PNL (Processamento de Linguagem Natural) Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| mlfinancepython | Machine Learning for Finance (with Python) | 21 hours | O aprendizado de máquina é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem programados explicitamente O Python é uma linguagem de programação famosa por sua sintaxe e legibilidade claras Oferece uma excelente coleção de bibliotecas e técnicas bem testadas para o desenvolvimento de aplicativos de aprendizado de máquina Neste treinamento presencial instruído, os participantes aprenderão como aplicar técnicas e ferramentas de aprendizado de máquina para resolver problemas do mundo real no setor financeiro Os participantes primeiro aprendem os princípios-chave e, em seguida, colocam seus conhecimentos em prática, construindo seus próprios modelos de aprendizado de máquina e usando-os para concluir uma série de projetos de equipe No final deste treinamento, os participantes serão capazes de: Entenda os conceitos fundamentais no aprendizado de máquina Aprenda os aplicativos e usos do aprendizado de máquina em finanças Desenvolva sua própria estratégia de negociação algorítmica usando o aprendizado de máquina com o Python Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada . |
| MicrosoftCognitiveToolkit | Microsoft Cognitive Toolkit 2.x | 21 hours | O Microsoft Cognitive Toolkit 2x (anteriormente CNTK) é um kit de ferramentas de versão comercial de código aberto que treina algoritmos de aprendizado profundo para aprender como o cérebro humano Segundo a Microsoft, o CNTK pode ser 510x mais rápido que o TensorFlow em redes recorrentes, e 2 a 3 vezes mais rápido que o TensorFlow para tarefas relacionadas a imagens Neste treinamento presencial instruído, os participantes aprenderão a usar o Microsoft Cognitive Toolkit para criar, treinar e avaliar algoritmos de aprendizado profundo para uso em aplicativos de IA de grau comercial envolvendo vários tipos de dados, como dados, fala, texto e imagens No final deste treinamento, os participantes serão capazes de: Acesse o CNTK como uma biblioteca dentro de um programa em Python, C # ou C ++ Use o CNTK como uma ferramenta de aprendizado de máquina autônoma por meio de sua própria linguagem de descrição de modelo (BrainScript) Use a funcionalidade de avaliação do modelo CNTK de um programa Java Combinar DNNs feedforward, redes convolucionais (CNNs) e redes recorrentes (RNNs / LSTMs) Capacidade de computação de escala em CPUs, GPUs e várias máquinas Acessar conjuntos de dados enormes usando linguagens de programação e algoritmos existentes Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada Nota Se você deseja personalizar qualquer parte deste treinamento, incluindo a linguagem de programação escolhida, entre em contato conosco para agendar . |
| ML_LBG | Machine Learning – Data science | 21 hours | Esta sessão de treinamento baseada em sala de aula explorará ferramentas de aprendizado de máquina com Python (sugerido) Os delegados terão exemplos baseados em computador e exercícios de estudo de caso para empreender . |
| Curso | Data do Curso | Preço do Curso [A distância / Presencial] |
|---|---|---|
| Applied AI from Scratch - Porto | ter, 2019-03-19 09:30 | 6000EUR / 7000EUR |
| Applied AI from Scratch - Lisbon Airport Business Center | ter, 2019-04-30 09:30 | 6000EUR / 7000EUR |
| Applied AI from Scratch - Porto | ter, 2019-05-14 09:30 | 6000EUR / 7000EUR |
| Applied AI from Scratch - Lisbon Airport Business Center | seg, 2019-06-24 09:30 | 6000EUR / 7000EUR |
| Applied AI from Scratch - Porto | seg, 2019-07-15 09:30 | 6000EUR / 7000EUR |
| Curso | Local | Data do Curso | Preço do Curso [A distância / Presencial] |
|---|---|---|---|
| Modelagem de Processo Empresarial Usando BPMN e UML | Lisbon Airport Business Center | qui, 2019-04-11 09:30 | 3150EUR / 3750EUR |
| Research Methods and Professional Issues– Data science | Lisbon Airport Business Center | qua, 2019-04-17 09:30 | 1575EUR / 1975EUR |
| R for Statistical Analysis | Lisbon Airport Business Center | ter, 2019-04-23 09:30 | 3150EUR / 3750EUR |
| Deep Reinforcement Learning with Python | Porto | qua, 2019-06-12 09:30 | 4725EUR / 5525EUR |
| R Programming for Data Analysis | Lisbon Airport Business Center | qui, 2019-07-04 09:30 | 3150EUR / 3750EUR |
.gif "european organization for nuclear research (cern)")
.jpg "american international group (aig)")
We are looking to expand our presence in Portugal!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
