在线或现场，讲师指导的实时深度学习（DL）培训课程通过动手实践展示深度学习的基础知识和应用，并涵盖深度机器学习，深度结构化学习和分层学习等主题。
深度学习培训以“在线实时培训”或“现场实时培训”的形式提供。在线实时培训（又名“远程实时培训”）通过交互式
NobleProg -- 您当地的培训机构
Machine Translated
Deep Learning (DL) Subcategories
DL (Deep Learning) Course Outlines
课程名称
课程时长
课程概览
课程名称
课程时长
课程概览
21小时
Stable Diffusion 是一个强大的深度学习模型，可以根据文本描述生成详细的图像。此讲师指导的现场培训（在线或现场）面向中级到高级数据科学家、机器学习工程师、深度学习研究人员和计算机视觉专家，他们希望扩展深度学习的知识和技能以进行文本到文本转换-图像生成。到本次培训结束时，参与者将能够：
- 了解用于文本到图像生成的高级深度学习架构和技术。为高质量图像合成实施复杂模型和优化。优化大型数据集和复杂模型的性能和可扩展性。调整超参数以获得更好的模型性能和泛化能力。将 Stable Diffusion 与其他深度学习框架和工具集成。
- 互动讲座和讨论。大量的练习和实践。在现场实验室环境中动手实施。
- 如需为本课程申请定制培训，请联系我们进行安排。
21小时
DeepSpeed 是一个深度学习优化库，可以更轻松地在分布式硬件上扩展深度学习模型。 DeepSpeed 由 Microsoft 开发，与 PyTorch 集成以提供更好的缩放、更快的训练和更高的资源利用率。此讲师指导的现场培训（在线或现场）面向希望提高其深度学习模型性能的初级到中级数据科学家和机器学习工程师。到本次培训结束时，参与者将能够：
- 了解分布式深度学习的原理。安装和配置 DeepSpeed。使用 DeepSpeed 在分布式硬件上扩展深度学习模型。实施和试验 DeepSpeed 功能以优化和提高内存效率。
- 互动讲座和讨论。大量的练习和实践。在现场实验室环境中动手实施。
- 如需为本课程申请定制培训，请联系我们进行安排。
7小时
AlphaFold是一种(0)系统,执行蛋白质结构的预测。 它是由Alphabet’s/Google’s的DeepMind开发,作为一个深度学习系统,可以准确地预测蛋白质结构的3D模型。
由导师领导的现场培训(在线或现场)是针对生物学家,他们希望了解 AlphaFold 如何工作和使用 AlphaFold 模型作为他们的实验研究的指南。
在本研讨会结束后,参与者将能够:
-
理解基本原则(二)
(二)学习如何工作。
学习如何解释(二)预测和结果。
-
互动讲座和讨论。
很多练习和练习。
在现场实验室环境中进行手动实施。
-
要申请此课程的定制培训,请联系我们安排。
21小时
Stable Diffusion 是一个强大的深度学习模型，可以根据文本描述生成详细的图像。此讲师指导的现场培训（在线或现场）面向希望利用 Stable Diffusion 为各种用例生成高质量图像的数据科学家、机器学习工程师和计算机视觉研究人员。到本次培训结束时，参与者将能够：
- 了解 Stable Diffusion 的原理以及它如何用于图像生成。为图像生成任务构建和训练 Stable Diffusion 个模型。将 Stable Diffusion 应用于各种图像生成场景，例如修复、修复和图像到图像的转换。优化Stable Diffusion模型的性能和稳定性。
- 互动讲座和讨论。大量的练习和实践。在现场实验室环境中动手实施。
- 如需为本课程申请定制培训，请联系我们进行安排。
21小时
在这一由讲师引导的现场培训中，参与者将学习Python中最相关及最尖端的机器学习技术，因为它们构建了一系列涉及图像、音乐、文本和财务数据的演示应用程序。
在本次培训结束后，参与者将能够：
- 运用用于解决复杂问题的机器学习算法和技术
- 将深度学习和半监督学习应用于涉及图像、音乐、文本和财务数据的应用程序
- 推动Python算法达到其最大潜力
- 使用例如NumPy和Theano的库和包
- 开发人员
- 分析师
- 数据科学家
- 部分讲座、部分讨论、练习和大量实操
21小时
This instructor-led, live training in 中国 (online or onsite) is aimed at developers and data scientists who wish to learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent.
By the end of this training, participants will be able to:
- Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning.
- Apply advanced Reinforcement Learning algorithms to solve real-world problems.
- Build a Deep Learning Agent.
28小时
In this instructor-led, live training in 中国, participants will learn how to implement deep learning models for telecom 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 telecom.
- Use Python, Keras, and TensorFlow to create deep learning models for telecom.
- Build their own deep learning customer churn prediction model using Python.
14小时
嵌入式投影仪是一款开源Web应用程序，用于可视化用于训练机器学习系统的数据。由Google创建，它是TensorFlow的一部分。 这个有指导意义的现场培训介绍了嵌入式投影仪背后的概念，并让参与者通过演示项目的设置。 在培训结束后，参与者将能够： 探索机器学习模型如何解释数据浏览数据的3D和2D视图以了解机器学习算法如何解释它理解嵌入背后的概念及其在表示图像，单词和数字的数学向量中的作用。 探索特定嵌入的属性以了解模型的行为将嵌入项目应用于真实世界的用例，例如为音乐爱好者建立歌曲推荐系统 听众 开发商数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习
21小时
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。
28小时
机器学习是人工智能的一个分支，其中计算机具有学习能力而无需明确编程。深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构（如神经网络）的方法。
21小时
Caffe是一个深刻的学习框架，以表达，速度和模块化为基础。 本课程以MNIST为例，探讨了Caffe作为图像识别的深度学习框架的应用 听众 本课程适合有兴趣使用Caffe作为框架的Deep Learning研究人员和工程师。 完成本课程后，代表们将能够：
- 了解Caffe的结构和部署机制
- 执行安装/生产环境/架构任务和配置
- 评估代码质量，执行调试，监控
- 实施高级生产，如培训模型，实施图层和日志记录
14小时
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。
14小时
在这个由讲师指导的现场培训中，我们将介绍神经网络的原理， 并使用 OpenNN 来实现示例应用程序。
课程形式
讲座和讨论加上动手练习。
7小时
在这个由讲师指导的实时培训中，参与者将学习如何设置和使用OpenNMT来执行各种样本数据集的翻译。本课程首先概述了适用于机器翻译的神经网络。参与者将在整个课程中进行实践练习，以展示他们对所学习概念的理解并从教师那里获得反馈。 在本次培训结束时，参与者将拥有实施OpenNMT实时解决方案所需的知识和实践。 源和目标语言样本将根据受众的要求进行预先安排。
- 部分讲座，部分讨论，重点实践练习
21小时
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。
7小时
在这项由导师领导的现场培训中,参与者将学习如何使用(0)NMT(Fairseq)进行样品内容的翻译。
在本课程结束后,参与者将有必要的知识和实践来实施基于 Fairseq 的直播机器翻译解决方案。
课程格式
-
部分讲座,部分讨论,重实习
-
如果您希望使用特定来源和目标语言内容,请联系我们安排。
21小时
Microsoft Cognitive Toolkit 2x（以前的CNTK）是一种开源的商业级工具包，可以训练深度学习算法，以便像人类大脑一样学习。根据微软的说法，CNTK在循环网络上的速度可能比TensorFlow快510倍，对于与图像相关的任务来说，TensorFlow的速度要快2-3倍。 在这种有指导性的现场培训中，参与者将学习如何使用Microsoft Cognitive Toolkit来创建，训练和评估深度学习算法，以用于涉及多种类型数据（如数据，语音，文本和图像）的商业级AI应用程序。 在培训结束后，参与者将能够： 从Python，C＃或C ++程序中将CNTK作为库访问通过自己的模型描述语言（BrainScript），使用CNTK作为独立的机器学习工具。 使用Java程序中的CNTK模型评估功能结合前馈DNN，卷积网络（CNN）和循环网络（RNN / LSTM） 在CPU，GPU和多台机器上扩展计算能力使用现有的编程语言和算法访问海量数据集 听众 开发商数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习 注意 如果您想定制此培训的任何部分，包括选择的编程语言，请联系我们安排。
21小时
PaddlePaddle（并行分布式深度学习）是百度开发的可扩展的深度学习平台。 在这个有指导意义的现场培训中，参与者将学习如何使用PaddlePaddle在其产品和服务应用中实现深度学习。 在培训结束后，参与者将能够： 设置并配置PaddlePaddle 建立用于图像识别和物体检测的卷积神经网络（CNN） 为情感分析设置一个循环神经网络（RNN） 在推荐系统上建立深度学习，以帮助用户找到答案预测点击率（CTR），对大规模图像集进行分类，执行光学字符识别（OCR），排名搜索，检测计算机病毒以及实施推荐系统。 听众 开发商数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习
7小时
在这个由讲师指导的实时培训中，参与者将学习如何使用DSSTNE来构建推荐应用程序。 在培训结束时，参与者将能够：
- 使用稀疏数据集作为输入训练推荐模型
- 在多个GPU扩展训练和预测模型
- 以模型并行方式扩展计算和存储
- 生成类似亚马逊的个性化产品推荐
- 部署可在繁重工作负载下扩展的生产就绪应用程序
- 部分讲座，部分讨论，练习和繁重的实践练习
7小时
Tensor2Tensor（T2T）是一个模块化，可扩展的库，用于使用不同类型的训练数据在不同任务中训练AI模型，例如：图像识别，翻译，解析，图像字幕和语音识别。它由Google Brain团队维护。 在这种有指导性的现场培训中，参与者将学习如何准备一种深度学习模式来解决多项任务。 在培训结束后，参与者将能够： 安装tensor2tensor，选择一个数据集，并训练和评估一个AI模型使用Tensor2Tensor中包含的工具和组件自定义开发环境创建并使用单个模型同时从多个域中学习许多任务使用该模型从具有大量训练数据的任务中学习，并将该知识应用于数据有限的任务使用单个GPU获得令人满意的处理结果 听众 开发商数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习
14小时
OpenFace是基于Python和Torch的开源，基于谷歌FaceNet研究的实时面部识别软件。 在这个有指导的现场培训中，参与者将学习如何使用OpenFace的组件来创建和部署样本面部识别应用程序。 在培训结束后，参与者将能够： 使用OpenFace的组件，包括dlib，OpenVC，Torch和nn4来实现人脸检测，对齐和转换将OpenFace应用于真实世界的应用，如监控，身份验证，虚拟现实，游戏以及识别回头客等。 听众 开发商数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习
21小时
在这个有指导意义的现场培训中，参与者将学习使用R进行机器学习的先进技术，以便他们逐步创建实际应用程序。 在培训结束后，参与者将能够： 使用技术作为超参数调整和深度学习了解并实施无监督学习技巧将模型投入生产以用于更大的应用程序 听众 开发商分析师数据科学家 课程的格式 部分讲座，部分讨论，练习和沉重的练习
14小时
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
- Developers
- Engineers
- Domain experts
- Part lecture, part discussion, exercises and heavy hands-on practice
28小时
机器学习是人工智能的一个分支，其中计算机具有学习能力而无需明确编程。深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构（如神经网络）的方法。 R是金融行业中流行的编程语言。它用于从核心交易程序到风险管理系统的金融应用程序。 在这个以讲师为主导的现场培训中，参与者将学习如何使用R实施深度学习模型，因为他们逐步创建深度学习股票价格预测模型。 在培训结束时，参与者将能够：
- 理解深度学习的基本概念
- 了解深度学习在金融领域的应用和用途
- 使用R为财务创建深度学习模型
- 使用R建立自己的深度学习股票价格预测模型
- 开发商
- 数据科学家
- 部分讲座，部分讨论，练习和繁重的实践练习
28小时
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
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
28小时
机器学习是人工智能的一个分支，其中计算机具有学习能力而无需明确编程。深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构（如神经网络）的方法。 R是金融行业中流行的编程语言。它用于从核心交易程序到风险管理系统的金融应用程序。 在这个由讲师指导的实时培训中，参与者将学习如何使用R实施深度学习银行模型，因为他们逐步创建深度学习信用风险模型。 在培训结束时，参与者将能够：
- 理解深度学习的基本概念
- 了解深度学习在银行业务中的应用和用途
- 使用R为银行业务创建深度学习模型
- 使用R建立自己的深度学习信用风险模型
- 开发商
- 数据科学家
- 部分讲座，部分讨论，练习和繁重的实践练习
Last Updated:
DL (Deep Learning),培训,课程,培训课程, 企业Deep Learning (DL)培训, 短期深度学习培训, DL (Deep Learning)课程, 深度学习周末培训, Deep Learning (DL)晚上培训, 深度学习训练, 学习DL (Deep Learning), DL (Deep Learning)老师, 学Deep Learning (DL)班, DL (Deep Learning)远程教育, 一对一Deep Learning (DL)课程, 小组DL (Deep Learning)课程, Deep Learning (DL)培训师, Deep Learning (DL)辅导班, Deep Learning (DL)教程, 深度学习私教, Deep Learning (DL)辅导, 深度学习讲师
