深圳神经网络（Neural Networks，NN）培训

这种由讲师指导的 深圳 现场现场培训（在线或现场）面向希望探索深度学习模型的先进 XAI 技术的高级专业人员，重点是构建可解释的 AI 系统。

在本次培训结束时，参与者将能够：

• 了解深度学习中可解释性的挑战。
• 为神经网路实施高级 XAI 技术。
• 解释深度学习模型做出的决策。
• 评估性能和透明度之间的权衡。

这是一个为期 4 天的课程，介绍了 AI 及其使用 Python 编程语言的应用程序。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

深度强化学习是指“人工智能体”通过反复试验和奖惩来学习的能力。人工智能体旨在模仿人类直接从原始输入（如视觉）获取和构建知识的能力。为了实现强化学习，深度学习和神经网络会被用到。强化学习与机器学习不同，不依赖于有监督和无监督的学习方法。

在这一由讲师引导的现场培训中，学员将在逐步创建深度学习智能体的过程中学习深度强化学习的基础知识。

在本次培训结束后，学员将能够：

• 理解深度强化学习的基本概念，及其与机器学习的区别
• 运用先进的强化学习算法来解决实际问题
• 构建深度学习智能体

受众

• 开发人员
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量实操

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。

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。

本课程为讲师指导的深圳（线上或线下）培训，旨在帮助初学者学习概率、统计、编程和机器学习的基本概念，并将其应用于人工智能开发。

在培训结束时，学员将能够：

• 理解概率和统计的基本概念，并将其应用于现实场景。
• 编写并理解程序化、函数式和面向对象的编程代码。
• 实施机器学习技术，如分类、聚类和神经网络。
• 使用规则引擎和专家系统开发人工智能解决方案，以解决问题。

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，这些应用程序本身就是 AI 的一种实现。Deep Learning 是 ML 的一个子集。

这是一个为期 4 天的课程，介绍人工智能及其应用。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

这门由讲师指导的深圳（线上或线下）培训课程，针对中级数据科学家和统计学家，旨在帮助他们准备数据、建立模型，并在其专业领域中有效应用机器学习技术。

培训结束后，参与者将能够：

• 理解并实现各种Machine Learning算法。
• 为机器学习应用准备数据和模型。
• 进行事后分析并有效可视化结果。
• 将机器学习技术应用于现实世界中的特定行业场景。

这种由 讲师指导的 深圳 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

这门由讲师指导的深圳（线上或线下）培训课程，介绍了模式识别和机器学习的领域，并涵盖了统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学中的实际应用。

通过本培训，参与者将能够：

• 应用核心统计方法于模式识别。
• 使用神经网络和核方法等关键模型进行数据分析。
• 实施高级技术以解决复杂问题。
• 通过结合不同模型来提高预测准确性。

在这次由讲师主导的线下培训中，学员将学习如何使用Matlab设计、构建并可视化用于图像识别的卷积神经网络。

通过本次培训，学员将能够：

• 构建深度学习模型
• 自动化数据标注
• 使用来自Caffe和TensorFlow-Keras的模型
• 使用多个GPU、云端或集群进行数据训练

受众

• 开发者
• 工程师
• 领域专家

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

该培训面向希望学习神经网络基础知识及其应用的人员。

这个基于课堂的培训课程将包含演示和基于计算机的示例和案例研究练习，以与相关的神经和深层网络库进行

本课程介绍如何使用 R-project 软件将神经网络应用于现实世界中的问题。

本课程首先为您提供神经网络、机器学习算法以及深度学习（算法和应用）的概念性知识。

本培训的第1部分（40%）更侧重于基础知识，但将帮助您选择正确的技术：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培训的第2部分（20%）介绍了Theano——一个使编写深度学习模型变得简单的Python库。

本培训的第3部分（40%）将广泛基于TensorFlow——谷歌的开源深度学习软件库的API。所有的示例和动手实践都将在TensorFlow中进行。

受众

本课程面向希望在其深度学习项目中使用TensorFlow的工程师。

完成本课程后，学员将：

• 对深度神经网络（DNN）、CNN和RNN有良好的理解
• 理解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，进行调试和监控
• 能够实现高级生产任务，如训练模型、构建图和日志记录