Deep Learning Neural Networks with Chainer培训

In this instructor-led, live training, we go over the principles of neural networks and use OpenNN to implement a sample application.

Format of the course

• Lecture and discussion coupled with hands-on exercises.

本课程是为经理、解决方案架构师、创新官、首席技术官、软件架构师以及任何对应用人工智能概述及其发展的最新预测感兴趣的人创建的。

该培训针对的是那些想要学习神经网络及其应用基础知识的人。

本课程介绍了使用R-project软件将神经网络应用于现实世界的问题。

本培训课程面向希望在实际应用中应用Machine Learning人员。

听众

本课程适用于对统计学有一定了解并且知道如何编写R（或Python或其他选定语言）的数据科学家和统计学家。本课程的重点是数据/模型准备，执行，事后分析和可视化的实践方面。

目的是为有兴趣在工作中应用这些方法的参与者提供Machine Learning实际应用。

行业特定示例用于使培训与受众相关。

人工神经网络是一种计算数据模型，用于开发能够执行“智能”任务的Artificial Intelligence (AI)系统。 Neural Networks通常用于Machine Learning （ML）应用程序，它们本身就是AI的一种实现。 Deep Learning是ML的一个子集。

本课程是为那些以前没有概率和统计经验的人创建的。

这门课程涵盖了人工智能(在工业中简化 Machine Learning和 Deep Learning)。 它有助于确定哪种技术可以(潜在)在汽车中的多种情况下使用:从简单的自动化,图像识别到自主决策。

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

该讲师指导的实时课程介绍了模式识别和机器学习领域。它涉及统计学，计算机科学，信号处理，计算机视觉，数据挖掘和生物信息学的实际应用。

该课程是互动的，包括大量的动手练习，教师反馈，以及获得的知识和技能测试。

类型：理论培训与应用程序决定上游与学生在Lasagne或Keras根据教学组

教学方法：演讲，交流和案例研究

在破坏了许多科学领域之后，人工智能开始为大量经济部门（工业，医学，通信等）带来革命。尽管如此，它在大媒体中的表现往往是幻想，与Machine Learning或Deep Learning真正领域相差甚远。此培训的目的是为已经掌握计算机工具（包括软件编程基础）的工程师提供Deep Learning及其各个专业领域的介绍，从而为现有的主要网络架构提供介绍。今天。如果在课程期间召回数学基础，建议使用BAC + 2类型的数学水平以获得更多的舒适度。绝对有可能跳过数学轴只保持“系统”视觉，但这种方法将极大地限制您对该主题的理解。

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

• Set up and configure PaddlePaddle
• Set up a Convolutional Neural Network (CNN) for image recognition and object detection
• Set up a Recurrent Neural Network (RNN) for sentiment analysis
• Set up deep learning on recommendation systems to help users find answers
• Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

在这一由讲师引导的现场培训中，参与者将学习如何使用Matlab来设计、构建、可视化用于图像识别的卷积神经网络。

在培训结束后，参与者将能够：

• 建立深度学习的模式
• 使数据分类自动化
• 使用Caffe和TensorFlow-Keras的模型
• 使用多个GPU、云或群集训练数据

受众

• 开发人员
• 工程师
• 领域专家

课程形式

• 部分讲座、部分讨论、练习和大量实操

本课程首先介绍神经网络的概念知识，通常还包括机器学习算法，深度学习（算法和应用程序）。

本次培训的一部分-1（40％）更注重基本面，但会帮助你选择合适的技术： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培训的第2部分（20％）介绍了Theano--一个python库，可以轻松编写深度学习模型。

第3部分（40％）的培训将广泛基于Tensorflow - Go ogle的Deep Learning开源软件库的第二代API。示例和动手都将在TensorFlow 。

听众

本课程面向希望将TensorFlow用于Deep Learning项目的工程师

完成本课程后，代表们将：

• 对深度神经网络（DNN），CNN和RNN有很好的理解

• 了解TensorFlow的结构和部署机制

• 能够执行安装/生产环境/架构任务和配置

• 能够评估代码质量，执行调试，监控

• 能够实现高级生产，如培训模型，构建图形和记录

这种由讲师指导的中国现场（现场或远程）现场培训面向希望在创建深度学习代理时学习Deep Reinforcement Learning基础知识的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 了解 Deep Reinforcement Learning 背后的关键概念，并能够将其与机器学习区分开来。
• 应用高级 Reinforcement Learning 算法来解决实际问题。
• 构建深度学习代理。