
Los cursos de capacitación locales, dirigidos por un instructor en vivo (ML), demuestran a través de la práctica cómo aplicar técnicas de aprendizaje de máquinas y herramientas para resolver problemas del mundo real en diversas industrias. Los cursos de NobleProg ML cubren diferentes lenguajes y frameworks de programación, incluyendo Python, R Language y MATLAB. Se ofrecen cursos de aprendizaje de máquinas para varias aplicaciones de la industria, incluyendo finanzas, banca y seguros y cubren los fundamentos del aprendizaje de máquinas, así como enfoques más avanzados como el aprendizaje profundo.
El entrenamiento de aprendizaje en máquina está disponible como "entrenamiento en vivo en el sitio" o "entrenamiento en vivo remoto". El entrenamiento en vivo se puede realizar localmente en las instalaciones del cliente en Guatemala o en los centros de entrenamiento corporativos de NobleProg en Guatemala. El entrenamiento remoto en vivo se lleva a cabo por medio de un escritorio remoto interactivo.
NobleProg--su proveedor de capacitación local
Machine Translated
Testimonios
Me beneficié de la selección del tema. Estilo de entrenamiento Practica la orientación.
Commerzbank AG
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Machine Translated
Todos me gusta
蒙 李
Curso: Fundamentos de Aprendizaje Automático con Python
Machine Translated
forma de conducir y ejemplo dado por el entrenador
ORANGE POLSKA S.A.
Curso: Aprendizaje Automático y Aprendizaje Profundo
Machine Translated
Posibilidad de discutir los temas propuestos usted mismo
ORANGE POLSKA S.A.
Curso: Aprendizaje Automático y Aprendizaje Profundo
Machine Translated
Comunicación con los conferenciantes
文欣 张
Curso: Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo
Machine Translated
Me gusta
lisa xie
Curso: Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo
Machine Translated
Cobertura en profundidad de temas de aprendizaje automático, particularmente redes neuronales. Desmitificaron mucho el tema.
Sacha Nandlall
Curso: Python para el Aprendizaje Automático Avanzado
Machine Translated
Realmente me gustaron los ejercicios
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
los ejercicios de laboratorio
Marcell Lorant - L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
El cuaderno de Jupyter, en el que está disponible el material de entrenamiento
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
Hubo muchos ejercicios y temas interesantes.
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
algunos grandes ejercicios de laboratorio analizados y explicados por el capacitador en profundidad (p. ej., covariantes en regresión lineal, que coinciden con la función real)
L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
Es genial que todo el material, incluidos los ejercicios, esté en la misma página y luego se actualice al vuelo. La solución se revela al final. ¡Guay! Además, aprecio que Krzysztof se esforzó más por comprender nuestros problemas y nos sugirió posibles técnicas.
Attila Nagy - L M ERICSSON LIMITED
Curso: Machine Learning
Machine Translated
Amplio y actualizado conocimiento de ejemplos de aplicaciones líderes y prácticas.
ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Machine Translated
Muchos ejercicios, muy buena cooperación con el grupo.
Janusz Chrobot - ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Machine Translated
trabajar en colaboradores,
ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Machine Translated
Era obvio que los entusiastas de los temas presentados eran líderes. Usé ejemplos interesantes durante el ejercicio.
ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Machine Translated
Una amplia gama de temas cubiertos y un conocimiento sustancial de los líderes.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
falta
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Grandes conocimientos teóricos y prácticos de los profesores. La comunicatividad de los formadores. Durante el curso, podrías hacer preguntas y obtener respuestas satisfactorias.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Parte práctica, donde implementamos algoritmos. Esto permitió una mejor comprensión del tema.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Ejercicios y ejemplos implementados en ellos.
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Ejemplos y temas discutidos.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Conocimiento sustantivo, compromiso, una forma apasionada de transferir conocimiento. Ejemplos prácticos después de una conferencia teórica.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Ejercicios prácticos preparados por el Sr. Maciej.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Machine Translated
Me beneficié de la pasión por enseñar y centrarme en hacer que las cosas sean sensatas.
Zaher Sharifi - GOSI
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Machine Translated
Detección de punto malo de identificación humana y placa de circuito
王 春柱 - 中移物联网
Curso: Aprendizaje profundo para NLP (procesamiento de lenguaje natural)
Machine Translated
Demostrar
中移物联网
Curso: Aprendizaje profundo para NLP (procesamiento de lenguaje natural)
Machine Translated
Sobre el área de la cara.
中移物联网
Curso: Aprendizaje profundo para NLP (procesamiento de lenguaje natural)
Machine Translated
Los intercambios informales que tuvimos durante las conferencias realmente me ayudaron a profundizar mi comprensión del tema
Explore
Curso: Aprendizaje de refuerzo profundo con Python
Machine Translated
Está mostrando muchos métodos con scripts preparados, materiales muy bien preparados y fáciles de rastrear
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Curso: Aprendizaje Automático - Ciencia de Datos
Machine Translated
Me gusta que la capacitación se centre en ejemplos y codificación. Pensé que es imposible empaquetar tanto contenido en tres días de entrenamiento, pero me equivoqué. La capacitación cubrió muchos temas y todo se hizo de una manera muy detallada (especialmente el ajuste de los parámetros del modelo: no esperaba que hubiera un momento para esto y me sorprendió gratamente).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Curso: Aprendizaje Automático - Ciencia de Datos
Machine Translated
Teoría / práctica de la alternancia efectiva!
CIRAD
Curso: Introducción al Aprendizaje Automático con MATLAB
Machine Translated
Presentación progresiva y aplicación de métodos.
Aurélien Briffaz - CIRAD
Curso: Introducción al Aprendizaje Automático con MATLAB
Machine Translated
Disponibilidad y adaptabilidad, respuestas a preguntas.
Jean-Michel MEOT - CIRAD
Curso: Introducción al Aprendizaje Automático con MATLAB
Machine Translated
Temas discutidos, ejercicios realizados (ejemplos), ambiente de entrenamiento, contacto con el capacitador, ubicación.
Wojskowe Zakłady Uzbrojenia S.A. w Grudziądzu
Curso: Octave no solo para programadores
Machine Translated
Muchos consejos prácticos.
Pawel Dawidowski - ABB Sp. z o.o.
Curso: Aprendizaje Profundo con TensorFlow
Machine Translated
Mucha información relacionada con la implementación de soluciones.
Michał Smolana - ABB Sp. z o.o.
Curso: Aprendizaje Profundo con TensorFlow
Machine Translated
Una multitud de consejos prácticos y conocimientos del profesor de una amplia gama de temas de AI / IT / SQL / IoT.
ABB Sp. z o.o.
Curso: Aprendizaje Profundo con TensorFlow
Machine Translated
Me gusta que se centre más en los procedimientos de los diferentes métodos de resumen de texto.
Curso: Resumen de texto con Python
Machine Translated
mucha información, todas las preguntas contestadas, ejemplos interesantes
A1 Telekom Austria AG
Curso: Deep Learning for Telecom (with Python)
Machine Translated
El capacitador era un profesional en el campo temático y teoría relacionada con una aplicación excelente.
Fahad Malalla - Tatweer Petroleum
Curso: Applied AI from Scratch in Python
Machine Translated
Comencé con un conocimiento cercano a cero, y al final pude construir y entrenar mis propias redes.
Huawei Technologies Duesseldorf GmbH
Curso: TensorFlow para Reconocimiento de Imágenes
Machine Translated
Ewa has a passion for the subject and a huge wealth of knowledge. She impressed all of us with her knowledge and kept us all focused through the day.
Rock Solid Knowledge Ltd
Curso: Aprendizaje Automático - Ciencia de Datos
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Curso: Aprendizaje Automático - Ciencia de Datos
So much breadth and topics covered. I felt it was a huge subject to try and cover in 3 days - the trainer did what they could to cover everything almost exactly on time!
Rock Solid Knowledge Ltd
Curso: Aprendizaje Automático - Ciencia de Datos
Me gusta que se centre más en los procedimientos de los diferentes métodos de resumen de texto.
Curso: Resumen de texto con Python
Machine Translated
Algunos de nuestros clientes
























.png)






_ireland.gif)


















Machine Learning (ML) Subcategorías
Programa del curso ML (Machine Learning)
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo crear modelos para procesar datos basados en texto usando OpenNLP. Los datos de entrenamiento de muestra y los conjuntos de datos personalizados se usarán como base para los ejercicios de laboratorio.
Al final de esta capacitación, los participantes podrán:
- Instalar y configurar OpenNLP
- Descargue modelos existentes y cree sus propios
- Entrene a los modelos en varios conjuntos de datos de muestra
- Integra OpenNLP con aplicaciones Java existentes
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear y desplegar una aplicación de reconocimiento facial de muestra.
Al final de esta capacitación, los participantes podrán:
Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC, Torch y nn4 para implementar la detección de rostros, la alineación y la transformación.
Aplique OpenFace a aplicaciones del mundo real tales como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etc.
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow.
Es un amplio panorama de los métodos existentes, motivaciones e ideas principales en el contexto del reconocimiento de patrones.
Después de un breve trasfondo teórico, los participantes realizarán ejercicios sencillos usando código abierto (normalmente R) o cualquier otro software popular.
nuestro objetivo es darle las habilidades para entender y utilizar las herramientas más fundamentales de la caja de herramientas machine learning con confianza y evitar las trampas comunes de las aplicaciones de Ciencias de la información.
Al final de esta capacitación, los participantes podrán:
- Cree una aplicación móvil capaz de procesar imágenes, análisis de texto y reconocimiento de voz
- Acceda a modelos de ML pre-entrenados para la integración en aplicaciones de iOS
- Crea un modelo ML personalizado
- Agregue soporte de Siri Voice a las aplicaciones de iOS
- Comprender y usar frameworks como coreML, Vision, CoreGraphics y GamePlayKit
- Utilice idiomas y herramientas como Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda y Spyder
Audiencia
- Desarrolladores
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En este curso repasaremos los principios de las redes neuronales y utilizaremos OpenNN para implementar una aplicación de muestra.
Audiencia
Desarrolladores de software y programadores que deseen crear aplicaciones de Deep Learning.
Formato del curso
Conferencia y discusión junto con ejercicios prácticos.
Científicos de datos y estadísticos que tienen cierta familiaridad con el aprendizaje de máquinas y saben cómo programar R. El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización. El propósito es dar una introducción práctica al aprendizaje automático a los participantes interesados en aplicar los métodos en el trabajo
Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
Nuestro objetivo es darle las habilidades para entender y usar las herramientas más fundamentales de la caja de herramientas de Aprendizaje de Máquinas con confianza y evitar las trampas comunes de las aplicaciones de Data Sciences.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria financiera. R se usará como el lenguaje de programación.
Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en equipo.
Al final de esta capacitación, los participantes podrán:
- Comprender los conceptos fundamentales en el aprendizaje automático
- Aprenda las aplicaciones y usos del aprendizaje automático en finanzas
- Desarrolle su propia estrategia de negociación algorítmica utilizando el aprendizaje automático con R
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria financiera. Python se usará como el lenguaje de programación.
Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en equipo.
Al final de esta capacitación, los participantes podrán:
- Comprender los conceptos fundamentales en el aprendizaje automático
- Aprenda las aplicaciones y usos del aprendizaje automático en finanzas
- Desarrolle su propia estrategia de negociación algorítmica utilizando el aprendizaje automático con Python
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Público objetivo
- Inversores y empresarios de IA
- Gerentes e ingenieros cuya compañía se está aventurando en el espacio de IA
- Analistas e inversores Business
By the end of this training, participants will:
- Understand the evolution and trends for machine learning.
- Know how machine learning is being used across different industries.
- Become familiar with the tools, skills and services available to implement machine learning within an organization.
- Understand how machine learning can be used to enhance data mining and analysis.
- Learn what a data middle backend is, and how it is being used by businesses.
- Understand the role that big data and intelligent applications are playing across industries.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training for this course, please contact us to arrange.
En esta capacitación, los participantes aprenderán cómo configurar y utilizar OpenNMT para llevar a cabo la traducción de varios conjuntos de datos de muestra. El curso comienza con una visión general de las redes neuronales que se aplican a la traducción automática. Los participantes realizarán ejercicios en vivo para demostrar su comprensión de los conceptos aprendidos y obtener retroalimentación del instructor. Al final de este entrenamiento, los participantes tendrán los conocimientos y la práctica necesarios para implementar una solución OpenNMT en vivo.
Las muestras de idioma fuente y de destino pueden pre-arreglarse según los requisitos del cliente.
Audiencia
Ingenieros de traducción y localización
Formato del curso
Parte conferencia, discusión de parte, práctica práctica pesada
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios.
Al final de esta capacitación, los participantes podrán:
- Configurar y configurar PaddlePaddle
- Configure una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos
- Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos
- Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas
- Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones.
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en equipo.
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) está dirigida a desarrolladores y científicos de datos que desean usar Tensorflow 2.0 para construir predictores, clasificadores, modelos generativos, redes neuronales, etc.
Al final de esta capacitación, los participantes podrán:
- Instale y configure TensorFlow 2.0.
- Comprenda los beneficios de TensorFlow 2.0 sobre las versiones anteriores.
- Construir modelos de aprendizaje profundo.
- Implemente un clasificador de imagen avanzado.
- Implemente un modelo de aprendizaje profundo en la nube, dispositivos móviles e IoT.
Formato del curso
- Conferencia interactiva y discusión.
- Muchos ejercicios y práctica.
- Implementación práctica en un entorno de laboratorio en vivo.
Opciones de personalización del curso
- Para solicitar una capacitación personalizada para este curso, contáctenos para organizarlo.
- Para obtener más información sobre TensorFlow , visite: https://www.tensorflow.org/
Word2Vec es un método de computación de representaciones vectoriales de palabras introducidas por un equipo de investigadores de Google liderado por Tomas Mikolov.
Audiencia
Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Deeplearning4J para construir modelos Word2Vec.
Parte-1 (40%) de esta capacitación se centra más en los fundamentos, pero te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.
La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil.
Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow.
Audiencia
Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.
Después de completar este curso, los delegados:
- tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
- comprender la estructura y los mecanismos de despliegue de TensorFlow
- ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura
- ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo
- ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro
No todos los temas se cubrirán en un salón de clases público con 35 horas de duración debido a la inmensidad del tema.
La duración del curso completo será de alrededor de 70 horas y no de 35 horas.
SyntaxNet es una estructura de procesamiento de lenguaje natural de la red neuronal para TensorFlow.
Word2Vec se utiliza para el aprendizaje de representaciones vectoriales de palabras, llamadas "embeddings palabra". Word2vec es un modelo predictivo particularmente computacionalmente eficiente para aprender las incorporaciones de palabras a partir de texto en bruto. Viene en dos sabores, el modelo continuo de la bolsa-de-palabras (CBOW) y el modelo de Skip-Gram (capítulo 3.1 y 3.2 en Mikolov y otros).
Utilizado en tándem, SyntaxNet y Word2Vec permite a los usuarios generar modelos de incorporación aprendida de entrada de lenguaje natural.
Audiencia
Este curso está dirigido a desarrolladores e ingenieros que tienen la intención de trabajar con los modelos SyntaxNet y Word2Vec en sus gráficos TensorFlow.
Después de completar este curso, los delegados:
Entender la estructura y los mecanismos de despliegue de TensorFlow
- ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración
- ser capaz de evaluar la calidad del código, realizar depuración,
- ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de inteligencia artificial.
Al final de la capacitación, los participantes podrán:
- Entrenar varios tipos de redes neuronales en grandes cantidades de datos
- Use TPU para acelerar el proceso de inferencia hasta en dos órdenes de magnitud
- Utilice TPU para procesar aplicaciones intensivas, como búsqueda de imágenes, visión en la nube y fotos
Audiencia
- Desarrolladores
- Investigadores
- Ingenieros
- Científicos de datos
Formato del curso
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
En este curso, cubrimos los principios de Torch, sus características únicas y cómo se puede aplicar en aplicaciones del mundo real. Pasamos por numerosos ejercicios prácticos en todas partes, demostrando y practicando los conceptos aprendidos.
Al final del curso, los participantes comprenderán a fondo las características y capacidades subyacentes de Torch, así como su rol y contribución dentro del espacio de IA en comparación con otros marcos y bibliotecas. Los participantes también habrán recibido la práctica necesaria para implementar Torch en sus propios proyectos.
Audiencia
Desarrolladores de software y programadores que deseen habilitar Machine and Deep Learning dentro de sus aplicaciones
Formato del curso
Descripción general de Machine and Deep Learning
Ejercicios de integración y codificación en clase
Preguntas de prueba salpicadas en el camino para verificar la comprensión