Les formations Deep Learning

  1. Catalogue des formations
  2. Formations Intelligence Artificielle
  3. Formations Machine Learning
  4. Les formations Deep Learning
Les formations Deep Learning

Des cours de formation Deep Learning (DL) en direct, organisés à l'échelle locale, illustrent les principes fondamentaux et les applications de Deep Learning et traitent de sujets tels que l'apprentissage machine profond, l'apprentissage structuré profond et l'apprentissage hiérarchique La formation Deep Learning est disponible en tant que «formation en direct sur site» ou «formation en direct à distance» La formation en direct sur site peut être effectuée localement dans les locaux du client Quebec ou dans les centres de formation d'entreprise NobleProg à Quebec La formation en ligne à distance est réalisée au moyen d'un ordinateur de bureau interactif et distant NobleProg Votre fournisseur de formation local.

Machine Translated

Nos Clients témoignent

★★★★★
★★★★★

Nos clients

Sous-catégories Deep Learning (DL)

Les formations TensorFlowTensorFlow
Les formations CaffeCaffe
Les formations Deeplearning4jDeeplearning4j
Les formations TorchTorch
Les formations Apache SINGAApache SINGA
Les formations KerasKeras
Les formations Apache MXNetApache MXNet
Les formations OpenVINOOpenVINO
Les formations HorovodHorovod
Les formations ChainerChainer
Les formations TensorFlow LiteTensorFlow Lite
Les formations AlphaFoldAlphaFold

Plans de cours Deep Learning (DL)

Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu

AlphaFold

7 heures
AlphaFold est un système Artificial Intelligence (AI) qui effectue la prévision des structures protéines. Il est développé par Alphabet’s/Google’s DeepMind comme un système d'apprentissage profond qui peut prédire avec précision les modèles 3D des structures protéines. Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux biologistes qui souhaitent comprendre comment AlphaFold fonctionne et utilise AlphaFold les modèles en tant que guides dans leurs études expérimentales. À la fin de cette formation, les participants seront en mesure de :
    Comprendre les principes fondamentaux de AlphaFold. Apprenez comment cela fonctionne AlphaFold. Apprenez à interpréter AlphaFold les prévisions et les résultats.
Le format du cours
    Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.
Options de personnalisation de cours
    Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Advanced Machine Learning with Python

21 heures
Dans cette formation en ligne, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus avancées de Python, tout en construisant une série d'applications de démonstration impliquant des images, de la musique, du texte et des données financières À la fin de cette formation, les participants seront en mesure de: Implémenter des algorithmes d'apprentissage automatique et des techniques pour résoudre des problèmes complexes Appliquer l'apprentissage en profondeur et l'apprentissage semi-supervisé aux applications impliquant des données d'image, de musique, de texte et financières Pousser les algorithmes Python à leur potentiel maximal Utiliser des bibliothèques et des paquets tels que NumPy et Theano Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Deep Reinforcement Learning with Python

21 heures
Profondement Reinforcement Learning se référent à la capacité d'un agent artificiel " de apprendre par l'essai et l'error et les récompenses. Un agent artificiel vise à émuler un homme ' la capacité d'obtenir et de construire les connaissances d'un seul, directement des infrastructures primes tels que la vision. Pour réaliser l'apprentissage de renforcement, les réseaux d'apprentissage et des réseaux neurales sont utilisés. L'apprentissage de reforcement est différente de l'apprentissage de la machine et ne s'appuie pas sur les approches d'apprentissage surveillantes et non surveillantes.Dans cet instructeur, une formation vivante, les participants apprendront les fondamentaux de la profonde Reinforcement Learning alors qu'ils se déplaceront par la création d'un agent Deep Learning.À la fin de cette formation, les participants peuvent:
    Comprenez les concepts clés derrière la Profonde Reinforcement Learning et soient capables de le distinguer de Machine Learning Appliquer des algoritmes avancés Reinforcement Learning pour résoudre les problèmes du monde réel Construire un Deep Learning Agent
Audience
    Développeurs des scientifiques de données
Format du cours
    Participation, débat de partie, exercices et pratiques lourdes

Deep Learning for Telecom (with Python)

28 heures
L’apprentissage en machine est une branche de l’intelligence artificielle dans laquelle les ordinateurs ont la capacité d’apprendre sans être explicitement programmés. L’apprentissage en profondeur est un domaine de l’apprentissage en machine qui utilise des méthodes basées sur les représentations de données d’apprentissage et les structures telles que les réseaux neuronaux. Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lecture de code. Dans cette formation guidée par l'instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage profond pour les télécoms en utilisant Python alors qu'ils passent par la création d'un modèle de risque de crédit d'apprentissage profond. À la fin de cette formation, les participants seront en mesure de :
    Comprendre les concepts fondamentaux de l’apprentissage profond. Apprendre les applications et les utilisations de l'apprentissage profond dans la télécommunication. Utilisez Python, Keras, et TensorFlow pour créer des modèles d'apprentissage profond pour les télécoms. Construisez votre propre modèle d'apprentissage profond du client en utilisant Python.
Le format du cours
    Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.
Options de personnalisation de cours
    Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Embedding Projector: Visualizing Your Training Data

14 heures
Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Artificial Neural Networks, Machine Learning, Deep Thinking

21 heures
Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.

Introduction au Deep Learning

21 heures
Ce cours est un aperçu général de l’ Deep Learning sans approfondir les méthodes spécifiques. Il convient aux personnes qui souhaitent commencer à utiliser l'apprentissage en profondeur pour améliorer la précision de leurs prédictions.

Réseau de Neurones Artificiels, Machine Learning et Deep Thinking

21 heures
Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.

Deep Learning, Niveau Avancé

28 heures
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones.

Deep Learning pour la Vision avec Caffe

21 heures
Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité. Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST. Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre. Une fois ce cours terminé, les délégués seront en mesure de:
  • comprendre la structure et les mécanismes de déploiement de Caffe
  • effectuer des tâches d'installation / environnement de production / architecture et configuration
  • évaluer la qualité du code, effectuer le débogage, la surveillance
  • implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter

Deep Learning for Vision

21 heures
Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques. Ce cours fournit des exemples de travail.

Intelligence Artificielle pour l'Automobile

14 heures
Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Machine Learning et Deep Learning

21 heures
Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )

OpenNN: Mise en Oeuvre de Réseaux Neurone

14 heures
Dans cette formation guidée par l'instructeur, en direct, nous passons au-delà des principes des réseaux nerveux et utilisons OpenNN pour mettre en œuvre une application d'échantillon. Format du cours
    Lecture et discussion associées à des exercices pratiques.

OpenNMT: Setting Up a Neural Machine Translation System

7 heures
Au cours de cette formation en direct animée par un instructeur, les participants apprendront à configurer et à utiliser OpenNMT pour la traduction de divers ensembles de données. Le cours commence par un aperçu des réseaux de neurones appliqués à la traduction automatique. Les participants effectueront des exercices en direct tout au long du cours pour démontrer leur compréhension des concepts appris et obtenir les commentaires de l'instructeur. À la fin de cette formation, les participants disposeront des connaissances et de la pratique nécessaires pour mettre en œuvre une solution OpenNMT direct. Des échantillons de langue source et cible seront pré-arrangés selon les exigences du public.
    Format du cours
    • Partie de conférence, partie de discussion, pratique intense

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    21 heures
    Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique Méthode pédagogique : présentation, échanges et études de cas L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.

    Facebook NMT: Setting up a Neural Machine Translation System

    7 heures
    Dans cette formation guidée par les instructeurs, les participants apprendront comment utiliser Facebook NMT (Fairseq) pour effectuer la traduction du contenu de l'échantillon. À la fin de cette formation, les participants disposeront des connaissances et des pratiques nécessaires pour mettre en œuvre une solution de traduction machine Fairseq en direct. Format du cours
      Lecture partielle, discussion partielle, pratique lourde
    Notes
      Si vous souhaitez utiliser un contenu de source spécifique et de langue cible, veuillez nous contacter pour organiser.

    Microsoft Cognitive Toolkit 2.x

    21 heures
    Microsoft Cognitive Toolkit 2x (anciennement CNTK) est une boîte à outils opensource et commerciale qui forme des algorithmes d'apprentissage en profondeur pour apprendre comme le cerveau humain Selon Microsoft, CNTK peut être 510x plus rapide que TensorFlow sur les réseaux récurrents, et 2 à 3 fois plus rapide que TensorFlow pour les tâches imagerelated Dans cette formation en ligne, les participants apprendront à utiliser Microsoft Cognitive Toolkit pour créer, former et évaluer des algorithmes d'apprentissage en profondeur à utiliser dans des applications IA commerciales impliquant de multiples types de données tels que données, paroles, textes et images À la fin de cette formation, les participants seront en mesure de: Accéder à CNTK en tant que bibliothèque à partir d'un programme Python, C # ou C ++ Utilisez CNTK en tant qu'outil autonome d'apprentissage automatique grâce à son propre langage de description de modèle (BrainScript) Utiliser la fonctionnalité d'évaluation du modèle CNTK à partir d'un programme Java Combiner les DNN feedforward, les réseaux convolutifs (CNN) et les réseaux récurrents (RNN / LSTM) Capacité de calcul d'échelle sur les processeurs, les GPU et plusieurs machines Accédez à des jeux de données volumineux en utilisant les langages de programmation et les algorithmes existants Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Si vous souhaitez personnaliser une partie de cette formation, y compris le langage de programmation de votre choix, veuillez nous contacter pour organiser .

    PaddlePaddle

    21 heures
    PaddlePaddle (PArallel Distributed Deep LEarning) est une plateforme d'apprentissage en profondeur évolutive développée par Baidu Dans cette formation en ligne, les participants apprendront comment utiliser PaddlePaddle pour permettre un apprentissage approfondi dans leurs applications de produits et de services À la fin de cette formation, les participants seront en mesure de: Configurer et configurer PaddlePaddle Configurer un réseau neuronal convolutif (CNN) pour la reconnaissance d'image et la détection d'objets Mettre en place un réseau neuronal récurrent (RNN) pour l'analyse des sentiments Mettre en place un apprentissage en profondeur sur les systèmes de recommandation pour aider les utilisateurs à trouver des réponses Prédisez les taux de clics (CTR), classifiez les ensembles d'images à grande échelle, effectuez la reconnaissance optique des caractères (OCR), effectuez des recherches de classement, détectez les virus informatiques et implémentez un système de recommandation Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

    Amazon DSSTNE: Build a Recommendation System

    7 heures
    Dans cette formation en direct animée par un instructeur, les participants apprendront à utiliser DSSTNE pour créer une application de recommandation. À la fin de cette formation, les participants seront en mesure de:
    • Former un modèle de recommandation avec des jeux de données fragmentés en entrée
    • Échelle des modèles de formation et de prévision sur plusieurs GPU
    • Étalez le calcul et le stockage de manière parallèle au modèle
    • Générer des recommandations de produits personnalisés de type Amazon
    • Déployez une application prête à la production capable d'évoluer avec des charges de travail lourdes
    Format du cours
    • Partie de conférence, partie de discussion, exercices et exercices intensifs

    T2T: Creating Sequence to Sequence Models for Generalized Learning

    7 heures
    Tensor2Tensor (T2T) est une bibliothèque modulaire et extensible pour la formation de modèles IA dans différentes tâches, en utilisant différents types de données d'apprentissage, par exemple: reconnaissance d'image, traduction, analyse, sous-titrage d'image et reconnaissance vocale Il est géré par l'équipe Google Brain Dans cette formation en ligne, les participants apprendront comment préparer un modèle de deepplearning pour résoudre plusieurs tâches À la fin de cette formation, les participants seront en mesure de: Installez tensor2tensor, sélectionnez un ensemble de données, entraînez et évaluez un modèle AI Personnaliser un environnement de développement en utilisant les outils et composants inclus dans Tensor2Tensor Créer et utiliser un modèle unique pour apprendre simultanément un certain nombre de tâches à partir de plusieurs domaines Utiliser le modèle pour apprendre des tâches comportant un grand nombre de données d'apprentissage et appliquer ces connaissances aux tâches pour lesquelles les données sont limitées Obtenir des résultats de traitement satisfaisants en utilisant un seul GPU Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

    OpenFace: Creating Facial Recognition Systems

    14 heures
    OpenFace est un logiciel de reconnaissance faciale opensource basé sur Python et Torch basé sur la recherche FaceNet de Google Dans cette formation en ligne, les participants apprendront à utiliser les composants OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale À la fin de cette formation, les participants seront en mesure de: Travaillez avec les composants OpenFace, notamment dlib, OpenVC, Torch et nn4 pour implémenter la détection, l'alignement et la transformation des visages Appliquer OpenFace aux applications realworld telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification des clients réguliers, etc Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

    Advanced Machine Learning with R

    21 heures
    Dans cette formation en direct, les participants apprendront des techniques avancées d'apprentissage automatique avec R tout en progressant dans la création d'une application Realworld À la fin de cette formation, les participants seront en mesure de: Utiliser des techniques comme l'accord hyperparamétrique et l'apprentissage profond Comprendre et mettre en œuvre des techniques d'apprentissage non supervisées Mettez un modèle en production pour l'utiliser dans une application plus grande Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

    Matlab for Deep Learning

    14 heures
    In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to:
    • Build a deep learning model
    • Automate data labeling
    • Work with models from Caffe and TensorFlow-Keras
    • Train data using multiple GPUs, the cloud, or clusters
    Audience
    • Developers
    • Engineers
    • Domain experts
    Format of the course
    • Part lecture, part discussion, exercises and heavy hands-on practice

    Deep Learning for Finance (with R)

    28 heures
    L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage approfondi pour la finance en utilisant R lorsqu'ils créeront un modèle de prévision du prix des actions d'apprentissage approfondi. À la fin de cette formation, les participants seront en mesure de:
    • Comprendre les concepts fondamentaux de l'apprentissage en profondeur
    • Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance
    • Utilisez R pour créer des modèles d'apprentissage en profondeur pour la finance
    • Construire leur propre modèle de prévision du prix des actions d'apprentissage en profondeur en utilisant R
    Public
    • Développeurs
    • Scientifiques de données
    Format du cours
    • Partie de conférence, partie de discussion, exercices et exercices intensifs

    Deep Learning for Banking (with Python)

    28 heures
    Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:
    • Understand the fundamental concepts of deep learning
    • Learn the applications and uses of deep learning in banking
    • Use Python, Keras, and TensorFlow to create deep learning models for banking
    • Build their own deep learning credit risk model using Python
    Audience
    • Developers
    • Data scientists
    Format of the course
    • Part lecture, part discussion, exercises and heavy hands-on practice

    Deep Learning for Banking (with R)

    28 heures
    L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les opérations bancaires en utilisant R au fur et à mesure de la création d'un modèle de risque de crédit d'apprentissage en profondeur. À la fin de cette formation, les participants seront en mesure de:
    • Comprendre les concepts fondamentaux de l'apprentissage en profondeur
    • Apprenez les applications et les utilisations de l'apprentissage en profondeur dans le secteur bancaire
    • Utilisez R pour créer des modèles d'apprentissage en profondeur pour le secteur bancaire
    • Construire leur propre modèle de risque de crédit d'apprentissage profond en utilisant R
    Public
    • Développeurs
    • Scientifiques de données
    Format du cours
    • Partie de conférence, partie de discussion, exercices et exercices intensifs

    Deep Learning for Finance (with Python)

    28 heures
    L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en direct, les participants apprendront comment implémenter des modèles d'apprentissage en profondeur pour la finance en utilisant Python à mesure qu'ils franchissent la phase de création d'un modèle de prédiction du prix des actions d'apprentissage en profondeur À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage en profondeur Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance Utilisez Python, Keras et TensorFlow pour créer des modèles d'apprentissage en profondeur pour la finance Construire son propre modèle de prédiction du prix des actions en profondeur en utilisant Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

    Deep Learning AI Techniques for Executives, Developers and Managers

    21 heures
    Introduction : L'apprentissage profond devient un composant principal du futur design de produits qui veut incorporer l'intelligence artificielle au cœur de leurs modèles. Dans les 5 à 10 prochaines années, les outils de développement d’apprentissage profond, les bibliothèques et les langues deviendront des composants standard de chaque kit d’outils de développement de logiciels. Jusqu'à présent Google, Sales Force, Facebook, Amazon a utilisé avec succès l'AI d'apprentissage profond pour stimuler leur entreprise. Les applications varient de la traduction automatique, de l'analyse d'image, de l'analyse vidéo, de l'analyse de mouvement, de la génération de la publicité ciblée et bien plus encore. Ce cours est destiné aux organisations qui veulent intégrer Deep Learning comme une partie très importante de leur stratégie de produit ou de service. Ci-dessous est la description du cours d'apprentissage profond que nous pouvons personnaliser pour différents niveaux de employés / participants dans une organisation. Audience cible : (En fonction de l'audience cible, les matériaux de cours seront personnalisés) Exécutif Un aperçu général de l'IA et de la façon dont il s'inscrit dans la stratégie d'entreprise, avec des séances de break-out sur la planification stratégique, les pistes de la technologie et l'allocation des ressources pour assurer la valeur maximale. Les gestionnaires de projet Comment planifier un projet d’intelligence artificielle, y compris la collecte et l’évaluation des données, le nettoyage et la vérification des données, le développement d’un modèle de preuve-de-concept, l’intégration dans les processus d’affaires et la livraison à travers l’organisation. Développeurs Formations techniques en profondeur, avec un accent sur les réseaux neuronaux et l'apprentissage en profondeur, l'analyse image et vidéo (CNNs), l'analyse sonore et texte (NLP), et l'introduction de l'IA dans les applications existantes. Les vendeurs Un aperçu général de l'IA et de la façon dont elle peut satisfaire les besoins des clients, des propositions de valeur pour divers produits et services, et comment soulager les craintes et promouvoir les avantages de l'IA.

    Neural computing – Data science

    14 heures
    Cette session de formation en classe contiendra des présentations, des exemples informatiques et des exercices d’études de cas à entreprendre avec les bibliothèques de réseaux neuronales et profondes pertinentes.

    Dernière mise à jour :

    Prochains cours Deep Learning (DL)

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-03-28 09:30
    21 heures

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-04-11 09:30
    21 heures

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-04-25 09:30
    21 heures

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-05-09 09:30
    21 heures

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-05-23 09:30
    21 heures

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-06-06 09:30
    21 heures

    Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

    2023-06-20 09:30
    21 heures

    Autres régions

    OnlineQuebecMontrealQuebec City

    Autres pays

    Conseil

    Weekend Deep Learning (DL) cours, Soir DL (Deep Learning) formation, Deep Learning (DL) stage d’entraînement, Deep Learning (DL) formateur à distance, Deep Learning (DL) formateur en ligne, Deep Learning (DL) formateur Online, Deep Learning (DL) cours en ligne, DL (Deep Learning) cours à distance, DL (Deep Learning) professeur à distance, Deep Learning visioconférence, Deep Learning (DL) stage d’entraînement intensif, Deep Learning formation accélérée, Deep Learning (DL) formation intensive, Formation inter Deep Learning (DL), Formation intra Deep Learning, Formation intra Enteprise DL (Deep Learning), Formation inter Entreprise Deep Learning (DL), Weekend Deep Learning (DL) formation, Soir Deep Learning (DL) cours, Deep Learning coaching, Deep Learning (DL) entraînement, DL (Deep Learning) préparation, Deep Learning (DL) instructeur, Deep Learning professeur, Deep Learning formateur, Deep Learning stage de formation, Deep Learning cours, Deep Learning sur place, Deep Learning formations privées, Deep Learning (DL) formation privée, Deep Learning (DL) cours particulier, Deep Learning (DL) cours particuliers

    Réduction spéciale

    No course discounts for now.

    Newsletter offres spéciales

    Nous respectons le caractère privé de votre adresse mail. Nous ne divulguerons ni ne vendrons votre adresse email à quiconque
    Vous pouvez toujours modifier vos préférences ou vous désinscrire complètement.

    Ce site dans d'autres pays/régions