L'apprentissage automatique ou apprentissage statistique, champ d'étude de l'intelligence artificielle, concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à une machine (au sens large) d'évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou problématiques à remplir par des moyens algorithmiques plus classiques.
Nos Clients témoignent
Alternance théorie/pratique efficace !
CIRAD
Formation: Introduction au Machine Learning avec MATLAB
Présentation progressive et application des méthodes
Aurélien Briffaz - CIRAD
Formation: Introduction au Machine Learning avec MATLAB
Disponibilité et adaptabilité, réponses aux questions
Jean-Michel MEOT - CIRAD
Formation: Introduction au Machine Learning avec MATLAB
Le formateur était très compétent et comprenait des domaines qui m'intéressaient.
Mohamed Salama
Formation: Data Mining & Machine Learning with R
Machine Translated
Couverture approfondie des sujets d'apprentissage automatique, en particulier des réseaux de neurones. Démystifié beaucoup de sujet.
Sacha Nandlall
Formation: Python for Advanced Machine Learning
Machine Translated
C'était très interactif et plus détendu et informel que prévu. Nous avons couvert de nombreux sujets dans le temps et le formateur a toujours été réceptif à parler plus en détail ou plus généralement des sujets et de leurs relations. Je pense que la formation m'a donné les outils pour continuer à apprendre, par opposition à une session unique où l'apprentissage s'arrête une fois que vous avez terminé, ce qui est très important compte tenu de l'ampleur et de la complexité du sujet.
Jonathan Blease
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Le sujet est très intéressant.
Wojciech Baranowski
Formation: Introduction to Deep Learning
Machine Translated
Connaissances théoriques des formateurs et volonté de résoudre les problèmes avec les participants après la formation.
Grzegorz Mianowski
Formation: Introduction to Deep Learning
Machine Translated
Sujet. Très intéressant!.
Piotr
Formation: Introduction to Deep Learning
Machine Translated
Les exercices après chaque sujet ont été très utiles, même s’ils étaient trop compliqués à la fin. En général, le matériel présenté était très intéressant et intéressant! Les exercices avec reconnaissance d'image étaient excellents.
Dolby Poland Sp. z o.o.
Formation: Introduction to Deep Learning
Machine Translated
Je pense que si la formation se faisait en polonais, cela permettrait au formateur de partager ses connaissances plus efficacement.
Radek
Formation: Introduction to Deep Learning
Machine Translated
La vue d'ensemble globale de l'apprentissage en profondeur.
Bruno Charbonnier
Formation: Advanced Deep Learning
Machine Translated
Les exercices sont suffisamment pratiques et ne nécessitent pas de connaissances approfondies en Python .
Alexandre GIRARD
Formation: Advanced Deep Learning
Machine Translated
Faire des exercices sur des exemples réels en utilisant Eras. L'Italie a parfaitement compris nos attentes concernant cette formation.
Paul Kassis
Formation: Advanced Deep Learning
Machine Translated
J'ai vraiment apprécié les réponses claires de Chris à nos questions.
Léo Dubus
Formation: Réseau de Neurones, les Fondamentaux en utilisant TensorFlow comme Exemple
Machine Translated
J'ai généralement apprécié le formateur compétent.
Sridhar Voorakkara
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
J'ai été stupéfait par la qualité de ce cours - je dirais que c'était la norme universitaire.
David Relihan
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Très bon aperçu général. Go historique des raisons pour lesquelles Tensorflow fonctionne comme il le fait.
Kieran Conboy
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
J'ai aimé les possibilités de poser des questions et d'obtenir des explications plus approfondies de la théorie.
Sharon Ruane
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Nous avons eu beaucoup plus d'informations sur le sujet. Une belle discussion a été faite avec certains sujets réels au sein de notre société.
Sebastiaan Holman
Formation: Machine Learning and Deep Learning
Machine Translated
La formation a fourni la bonne base qui nous permet de continuer à nous développer, en montrant comment la théorie et la pratique vont de pair. En fait, cela m'intéressait plus que par le passé.
Jean-Paul van Tillo
Formation: Machine Learning and Deep Learning
Machine Translated
J'ai vraiment apprécié la couverture et la profondeur des sujets.
Anirban Basu
Formation: Machine Learning and Deep Learning
Machine Translated
Le formateur a très facilement expliqué des sujets difficiles et avancés.
Leszek K
Formation: Artificial Intelligence Overview
Machine Translated
La connaissance approfondie du formateur sur le sujet.
Sebastian Görg
Formation: Introduction to Deep Learning
Machine Translated
Approche très actualisée ou IPC (flux tensoriel, ère, apprendre) pour faire de l'apprentissage automatique.
Paul Lee
Formation: TensorFlow for Image Recognition
Machine Translated
Très souple.
Frank Ueltzhöffer
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
J'ai généralement apprécié la flexibilité.
Werner Philipp
Formation: Artificial Neural Networks, Machine Learning and Deep Thinking
Machine Translated
Compte tenu des perspectives de la technologie: quelle technologie / processus pourrait devenir plus important dans le futur; voir à quoi la technologie peut être utilisée
Commerzbank AG
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
J'ai bénéficié de la sélection de sujets. Style de formation. Orientation pratique
Commerzbank AG
Formation: Neural Networks Fundamentals using TensorFlow as Example
Machine Translated
Tout comme ça
蒙 李
Formation: Machine Learning Fundamentals with Python
Machine Translated
manière de conduire et exemple donné par le formateur
ORANGE POLSKA S.A.
Formation: Machine Learning and Deep Learning
Machine Translated
Possibilité de discuter vous-même des problèmes proposés
ORANGE POLSKA S.A.
Formation: Machine Learning and Deep Learning
Machine Translated
Communication avec des conférenciers
文欣 张
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
Comme ça
lisa xie
Formation: Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Translated
J'ai vraiment aimé les exercices
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
les exercices de laboratoire
Marcell Lorant - L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
Le cahier Jupyter, dans lequel le matériel de formation est disponible
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
Il y avait beaucoup d'exercices et de sujets intéressants.
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
des exercices de laboratoire géniaux analysés et expliqués en profondeur par le formateur (par exemple, covariants en régression linéaire, correspondant à la fonction réelle)
L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
C'est tout simplement génial que tout le matériel, y compris les exercices, soit sur la même page et qu'il soit mis à jour à la volée. La solution est révélée à la fin. Cool! De plus, j'apprécie que Krzysztof ait fait un effort supplémentaire pour comprendre nos problèmes et nous a suggéré des techniques possibles.
Attila Nagy - L M ERICSSON LIMITED
Formation: Machine Learning
Machine Translated
Connaissances approfondies et actualisées d’exemples d’applications de premier plan et pratiques.
ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
Beaucoup d'exercices, très bonne coopération avec le groupe.
Janusz Chrobot - ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
travailler sur des collaborateurs,
ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
Il était évident que les passionnés des sujets présentés étaient en tête. Utilisé des exemples intéressants pendant l'exercice.
ING Bank Śląski S.A.
Formation: Introduction to Deep Learning
Machine Translated
Un large éventail de sujets couverts et une connaissance approfondie des dirigeants.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Formation: Understanding Deep Neural Networks
Machine Translated
Nos clients
Sous-catégories Machine Learning (ML)
Plans de cours Machine Learning (ML)
Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu
7 hours
This instructor-led, live training in Quebec (online or onsite) is aimed at software engineers or anyone who wish to learn how to use Vertex AI to perform and complete machine learning activities.
By the end of this training, participants will be able to:
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
By the end of this training, participants will be able to:
- Understand how Vertex AI works and use it as a machine learning platform.
- Learn about machine learning and NLP concepts.
- Know how to train and deploy machine learning models using Vertex AI.
7 hours
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.
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.
14 hours
Waikato Environment for Knowledge Analysis (Weka) est un logiciel de visualisation de mining de données à source ouverte. Il fournit une collection d'algorithmes d'apprentissage automatique pour la préparation des données, la classification, le cluster et d'autres activités de minage de données.
Cette formation guidée par des instructeurs, en direct (online ou sur site) est destinée à des analystes de données et des scientifiques de données qui souhaitent utiliser Weka pour effectuer des tâches de minage de données.
À la fin de cette formation, les participants seront en mesure de :
Installer et configurer Weka Comprendre Weka l’environnement et le système de travail. Exécuter des tâches de minage de données en utilisant Weka.
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.
Cette formation guidée par des instructeurs, en direct (online ou sur site) est destinée à des analystes de données et des scientifiques de données qui souhaitent utiliser Weka pour effectuer des tâches de minage de données.
À la fin de cette formation, les participants seront en mesure de :
Installer et configurer Weka Comprendre Weka l’environnement et le système de travail. Exécuter des tâches de minage de données en utilisant Weka.
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.
14 hours
L'objectif de ce cours est de fournir une compétence de base dans l'application Machine Learning des méthodes en pratique. Grâce à l'utilisation du langage de programmation Python et ses différentes bibliothèques, et sur la base d'une multitude d'exemples pratiques, ce cours enseigne comment utiliser les blocs de construction les plus importants Machine Learning, comment prendre des décisions de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte d'outils Machine Learning avec confiance et éviter les tombes communes des applications Data Science.
Notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte d'outils Machine Learning avec confiance et éviter les tombes communes des applications Data Science.
21 hours
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 .
28 hours
le but de ce cours est de fournir une compétence générale dans l’application des méthodes de machine learning dans la pratique. Grâce à l’utilisation du langage de programmation Python et de ses différentes bibliothèques, et basé sur une multitude d’exemples pratiques, ce cours enseigne comment utiliser les principaux éléments constitutifs de machine learning, comment faire des décisions de modélisation de données, interpréter les les sorties des algorithmes et valider les résultats.
notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte à outils machine learning en toute confiance et d’éviter les pièges communs des applications Data sciences.
notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte à outils machine learning en toute confiance et d’éviter les pièges communs des applications Data sciences.
28 hours
C'est un cours de 4 jours introduisant l'IA et son application en utilisant le langage de programmation Python. Il y a une option d'avoir un jour supplémentaire pour mener un projet d'IA à la fin de ce cours.
21 hours
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
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
28 hours
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.
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.
14 hours
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 .
7 hours
Ce cours a été créé pour les gestionnaires, les architectes de solutions, les agents d'innovation, les CTO, les architectes de logiciels et tous ceux qui sont intéressés par un aperçu de l'intelligence artificielle appliquée et la prévision la plus proche pour son développement.
7 hours
Cette formation s'adresse aux personnes souhaitant appliquer les techniques de base d' Machine Learning à des applications pratiques.
Public
Les scientifiques de données et les statisticiens qui sont familiarisés avec l’apprentissage automatique et savent comment programmer R. Ce cours met l’accent sur les aspects pratiques de la préparation, de l’exécution, de l’analyse post-hoc et de la visualisation de modèles et de données. Le but est de donner une introduction pratique à l’apprentissage automatique aux participants intéressés par l’application des méthodes au travail
Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
Public
Les scientifiques de données et les statisticiens qui sont familiarisés avec l’apprentissage automatique et savent comment programmer R. Ce cours met l’accent sur les aspects pratiques de la préparation, de l’exécution, de l’analyse post-hoc et de la visualisation de modèles et de données. Le but est de donner une introduction pratique à l’apprentissage automatique aux participants intéressés par l’application des méthodes au travail
Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
14 hours
Ce cours de formation est destiné aux personnes souhaitant appliquer le Machine Learning à des applications pratiques.
Public
Ce cours est destiné aux scientifiques et aux statisticiens qui connaissent bien les statistiques et savent programmer R (ou Python ou une autre langue choisie). Ce cours met l'accent sur les aspects pratiques de la préparation, de l'exécution, de l'analyse et de la visualisation de modèles / données.
Le but est de donner des applications pratiques à Machine Learning aux participants souhaitant appliquer les méthodes au travail.
Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
Public
Ce cours est destiné aux scientifiques et aux statisticiens qui connaissent bien les statistiques et savent programmer R (ou Python ou une autre langue choisie). Ce cours met l'accent sur les aspects pratiques de la préparation, de l'exécution, de l'analyse et de la visualisation de modèles / données.
Le but est de donner des applications pratiques à Machine Learning aux participants souhaitant appliquer les méthodes au travail.
Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
14 hours
Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide de la plate-forme de programmation R et de ses diverses bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
21 hours
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.
21 hours
This course will be a combination of theory and practical work with specific examples used throughout the event.
21 hours
Ce cours présente les méthodes d’apprentissage automatique dans les applications robotiques.
C'est un large aperçu des méthodes existantes, des motivations et des idées principales dans le contexte de la reconnaissance de formes.
Après une brève formation théorique, les participants effectueront un exercice simple en utilisant une source ouverte (généralement R) ou tout autre logiciel populaire.
C'est un large aperçu des méthodes existantes, des motivations et des idées principales dans le contexte de la reconnaissance de formes.
Après une brève formation théorique, les participants effectueront un exercice simple en utilisant une source ouverte (généralement R) ou tout autre logiciel populaire.
21 hours
MATLAB is a numerical computing environment and programming language developed by MathWorks.
14 hours
Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide du langage de programmation Scala et de ses différentes bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , comment prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
14 hours
R est un langage de programmation open-source gratuit pour la comptabilité statistique, l'analyse des données et les graphiques. La recherche est utilisée par un nombre croissant de gestionnaires et d'analystes de données à l'intérieur des sociétés et de l'académie. R a une grande variété de paquets pour l'exploitation de données.
21 hours
PredictionIO est un serveur open source Machine Learning basé sur une pile open source de pointe.
Public
Ce cours est destiné aux développeurs et aux scientifiques qui souhaitent créer des moteurs prédictifs pour toute tâche d'apprentissage automatique.
Public
Ce cours est destiné aux développeurs et aux scientifiques qui souhaitent créer des moteurs prédictifs pour toute tâche d'apprentissage automatique.
35 hours
Ce cours est créé pour les personnes qui n'ont aucune expérience en probabilités et statistiques .
7 hours
L'environnement intégré du système Wolfram fait un outil efficace d'analyse et de présentation des données. Ce cours couvre les aspects du langage Wolfram relatifs à l'analyse, notamment le calcul statistique, la visualisation, l'importation et l'exportation de données et la génération automatique de rapports.
21 hours
Le cours est dédié à ceux qui aimeraient connaître un programme alternatif au package commercial MATLAB La formation threeday fournit des informations complètes sur le déplacement dans l'environnement et l'exécution du package OCTAVE pour l'analyse des données et les calculs d'ingénierie Les bénéficiaires de la formation sont des débutants, mais aussi ceux qui connaissent le programme et voudraient systématiser leurs connaissances et améliorer leurs compétences La connaissance d'autres langages de programmation n'est pas requise, mais cela facilitera grandement l'acquisition de connaissances par les apprenants Le cours vous montrera comment utiliser le programme dans de nombreux exemples pratiques .
21 hours
Ce cours de formation est destiné aux personnes souhaitant appliquer le Machine Learning à des applications pratiques pour leur équipe. La formation ne plongera pas dans les détails techniques et s’articulera autour des concepts de base et de leurs applications commerciales / opérationnelles.
Public cible
- Investisseurs et entrepreneurs en IA
- Gestionnaires et ingénieurs dont l'entreprise se lance dans l'IA
- Analystes d' Business et investisseurs
Public cible
- Investisseurs et entrepreneurs en IA
- Gestionnaires et ingénieurs dont l'entreprise se lance dans l'IA
- Analystes d' Business et investisseurs
7 hours
Snorkel est un système permettant de créer, modéliser et gérer rapidement des données d'entraînement Il se concentre sur l'accélération du développement d'applications d'extraction de données structurées ou «sombres» pour des domaines dans lesquels de grands ensembles d'apprentissage étiquetés ne sont pas disponibles ou faciles à obtenir Dans cette formation en ligne, les participants apprendront des techniques pour extraire de la valeur à partir de données non structurées telles que du texte, des tableaux, des figures et des images grâce à la modélisation des données d'entraînement avec Snorkel À la fin de cette formation, les participants seront en mesure de: Créer par programmation des ensembles d'entraînement pour permettre l'étiquetage d'ensembles d'entraînement massifs Former des modèles finaux de haute qualité en commençant par modéliser des ensembles d'entraînement bruyants Utiliser Snorkel pour implémenter de faibles techniques de supervision et appliquer la programmation de données à des systèmes d'apprentissage machine faiblement supervisés Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
14 hours
Encog est un framework d'apprentissage machine opensource pour Java etNet Dans cette formation en direct, les participants apprendront des techniques avancées d'apprentissage automatique pour construire des modèles prédictifs précis de réseaux neuronaux À la fin de cette formation, les participants seront en mesure de: Mettre en œuvre différentes techniques d'optimisation des réseaux neuronaux pour résoudre les problèmes de sous-équipement et de surapprentissage Comprendre et choisir parmi un certain nombre d'architectures de réseaux neuronaux Mettre en place des réseaux de feed-back et de feedback supervisés Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
14 hours
Encog est un framework d'apprentissage machine opensource pour Java etNet Dans cette formation en ligne, les participants apprendront comment créer différents composants de réseau neuronal en utilisant ENCOG Les études de cas de Realworld seront discutées et des solutions basées sur le langage machine à ces problèmes seront explorées À la fin de cette formation, les participants seront en mesure de: Préparer les données pour les réseaux de neurones en utilisant le processus de normalisation Mettre en œuvre des réseaux d'anticipation et des méthodologies de formation à la propagation Implémenter des tâches de classification et de régression Modéliser et former des réseaux de neurones à l'aide de l'atelier basé sur l'interface graphique d'Encog Intégrez le support de réseau neuronal dans les applications realworld Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
21 hours
Dans cette formation en ligne, les participants apprendront à utiliser les techniques d'apprentissage automatique et de traitement automatique du langage naturel (NLP) pour extraire de la valeur à partir de données textuelles À la fin de cette formation, les participants seront en mesure de: Résoudre des problèmes de science des données basés sur du texte avec un code réutilisable de haute qualité Appliquer différents aspects de scikitlearn (classification, clustering, régression, réduction de dimension) pour résoudre des problèmes Construire des modèles d'apprentissage automatique efficaces en utilisant des données textuelles Créer un ensemble de données et extraire des entités à partir d'un texte non structuré Visualiser les données avec Matplotlib Construire et évaluer des modèles pour mieux comprendre Résoudre les erreurs d'encodage de texte Public Développeurs Data Scientists Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
14 hours
Dans cette formation en ligne, les participants apprendront à utiliser la pile de technologies iOS Machine Learning (ML) au fur et à mesure qu'ils franchissent la phase de création et de déploiement d'une application mobile iOS À la fin de cette formation, les participants seront en mesure de: Créer une application mobile capable de traitement d'image, d'analyse de texte et de reconnaissance vocale Accès aux modèles ML pré-intégrés pour l'intégration dans les applications iOS Créer un modèle ML personnalisé Ajouter la prise en charge de Siri Voice aux applications iOS Comprendre et utiliser des frameworks tels que coreML, Vision, CoreGraphics et GamePlayKit Utilisez des langages et des outils tels que Python, Keras, Caffee, Tensorflow, scikit learn, libsvm, Anaconda et Spyder Public Développeurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .
Last Updated:
Prochains cours Machine Learning (ML)
Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
2022-07-18 09:30
21 heures
Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
2022-07-18 09:30
21 heures
Autres régions
Other countries
Conseil
Weekend Machine Learning (ML) cours, Soir ML (Machine Learning) formation, Machine Learning (ML) stage d’entraînement, Machine Learning (ML) formateur à distance, Machine Learning (ML) formateur en ligne, Machine Learning (ML) formateur Online, Machine Learning (ML) cours en ligne, ML (Machine Learning) cours à distance, ML (Machine Learning) professeur à distance, Machine Learning visioconférence, Machine Learning (ML) stage d’entraînement intensif, Machine Learning formation accélérée, Machine Learning (ML) formation intensive, Formation inter Machine Learning (ML), Formation intra Machine Learning, Formation intra Enteprise ML (Machine Learning), Formation inter Entreprise Machine Learning (ML), Weekend Machine Learning (ML) formation, Soir Machine Learning (ML) cours, Machine Learning coaching, Machine Learning (ML) entraînement, ML (Machine Learning) préparation, Machine Learning (ML) instructeur, Machine Learning professeur, Machine Learning formateur, Machine Learning stage de formation, Machine Learning cours, Machine Learning sur place, Machine Learning formations privées, Machine Learning (ML) formation privée, Machine Learning (ML) cours particulier, Machine Learning (ML) cours particuliers