Cursos de Machine Learning

Machine Learning Training

Machine Learning courses

Testimonios de los Clientes

Data Mining & Machine Learning with R

The trainer was so knowledgeable and included areas I was interested in

Mohamed Salama - Edmonton Police Service

Neural Networks Fundamentals using TensorFlow as Example

I liked the opportunities to ask questions and get more in depth explanations of the theory.

Sharon Ruane - INTEL R&D IRELAND LIMITED

Advanced Deep Learning

The exercises are sufficiently practical and do not need a high knowledge in Python to be done.

Alexandre GIRARD - OSONES

Neural Networks Fundamentals using TensorFlow as Example

I was amazed at the standard of this class - I would say that it was university standard.

David Relihan - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

Given outlook of the technology: what technology/process might become more important in the future; see, what the technology can be used for

Commerzbank AG

A practical introduction to Data Analysis and Big Data

It covered a broad range of information.

Continental AG / Abteilung: CF IT Finance

A practical introduction to Data Analysis and Big Data

presentation of technologies

Continental AG / Abteilung: CF IT Finance

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Machine Learning and Deep Learning

We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company

Sebastiaan Holman - Travix International

Machine Learning and Deep Learning

Coverage and depth of topics

Anirban Basu - Travix International

Applied Machine Learning

ref material to use later was very good.

PAUL BEALES- Seagate Technology.

Machine Learning and Deep Learning

The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.

Jean-Paul van Tillo - Travix International

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Artificial Neural Networks, Machine Learning and Deep Thinking

Very flexible

Frank Ueltzhöffer - Robert Bosch GmbH

A practical introduction to Data Analysis and Big Data

Overall the Content was good.

Sameer Rohadia - Continental AG / Abteilung: CF IT Finance

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Applied Machine Learning

What did you like the most about the training?:

Gave me good practice with using R to build machine learning systems for real situations. I can use this in my work straight away.

This was an excellent course. One of the best I have had.

Matthew Thomas - British Telecom

Neural Networks Fundamentals using TensorFlow as Example

Very good all round overview.Good background into why Tensorflow operates as it does.

Kieran Conboy - INTEL R&D IRELAND LIMITED

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Applied Machine Learning

ref material to use later was very good

PAUL BEALES - Seagate Technology

Advanced Deep Learning

Doing exercises on real examples using Keras. Mihaly totally understood our expectations about this training.

Paul Kassis - OSONES

Advanced Deep Learning

The global overview of deep learning

Bruno Charbonnier - OSONES

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Neural Networks Fundamentals using TensorFlow as Example

Knowledgeable trainer

Sridhar Voorakkara - INTEL R&D IRELAND LIMITED

A practical introduction to Data Analysis and Big Data

Willingness to share more

Balaram Chandra Paul - MOL Information Technology Asia Limited

Artificial Neural Networks, Machine Learning, Deep Thinking

It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.

Jonathan Blease - Knowledgepool Group Ltd

Subcategorías

Programas de los Cursos de Machine Learning

Código Nombre Duración Información General
aiauto Inteligencia Artificial en Automoción 14 horas Este curso cubre AI (enfatizando Aprendizaje Automático y Aprendizaje Profundo) en la Industria Automotriz. Ayuda a determinar qué tecnología puede (potencialmente) utilizarse en situaciones múltiples en un automóvil: desde la simple automatización, el reconocimiento de imágenes hasta la toma de decisiones autónoma.
facebooknmt Facebook NMT: Setting up a neural machine translation system 7 horas Fairseq es un conjunto de herramientas de aprendizaje de secuencia a secuencia de código abierto creado por Facebok para su uso en la traducción automática neuronal (NMT). En esta capacitación, los participantes aprenderán a usar Fairseq para llevar a cabo la traducción del contenido de muestra. Al final de esta capacitación, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución de traducción automática basada en Fairseq. Audiencia Especialistas en localización con experiencia técnica Gerentes de contenido global Ingenieros de localización Desarrolladores de software a cargo de implementar soluciones de contenido global Formato del curso Conferencia parcial, discusión parcial, práctica práctica intensa Nota Si desea utilizar contenido específico en el idioma de origen y de destino, contáctenos para organizarlo.
Neuralnettf Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo 28 horas Este curso le proporcionará conocimientos en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). 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.
snorkel Snorkel: Rapidly process training data 7 horas Snorkel is a system for rapidly creating, modeling, and managing training data. It focuses on accelerating the development of structured or "dark" data extraction applications for domains in which large labeled training sets are not available or easy to obtain. In this instructor-led, live training, participants will learn techniques for extracting value from unstructured data such as text, tables, figures, and images through modeling of training data with Snorkel. By the end of this training, participants will be able to: Programmatically create training sets to enable the labeling of massive training sets Train high-quality end models by first modeling noisy training sets Use Snorkel to implement weak supervision techniques and apply data programming to weakly-supervised machine learning systems Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
mldt Aprendizaje Automático y Aprendizaje Profundo 21 horas Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)  
dsstne Amazon DSSTNE: Build a recommendation system 7 horas Amazon DSSTNE is an open-source library for training and deploying recommendation models. It allows models with weight matrices that are too large for a single GPU to be trained on a single host. In this instructor-led, live training, participants will learn how to use DSSTNE to build a recommendation application. By the end of this training, participants will be able to: Train a recommendation model with sparse datasets as input Scale training and prediction models over multiple GPUs Spread out computation and storage in a model-parallel fashion Generate Amazon-like personalized product recommendations Deploy a production-ready application that can scale at heavy workloads Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
appliedml Aprendizaje Automático Aplicado 14 horas Este curso de capacitación es para personas que deseen aplicar Aprendizaje de la Máquina en aplicaciones prácticas. Audiencia Este curso es para científicos de datos y estadísticos que tienen cierta familiaridad con las estadísticas y saben cómo programar R (o Python u otro idioma elegido). 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 aplicaciones prácticas 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.
bspkannmldt Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático 21 horas
pythonadvml Python for Advanced Machine Learning 21 horas In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data. By the end of this training, participants will be able to: Implement machine learning algorithms and techniques for solving complex problems Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data Push Python algorithms to their maximum potential Use libraries and packages such as NumPy and Theano Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
mlintro Introducción al Aprendizaje Automático 7 horas Este curso de capacitación es para personas que deseen aplicar técnicas básicas de Aprendizaje de Máquinas en aplicaciones prácticas. 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.
bspkaml Machine Learning 21 horas This course will be a combination of theory and practical work with specific examples used throughout the event.
radvml Advanced Machine Learning with R 21 horas In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application. By the end of this training, participants will be able to: Use techniques as hyper-parameter tuning and deep learning Understand and implement unsupervised learning techniques Put a model into production for use in a larger application Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
MLFWR1 Fundamentos de Aprendizaje Automático con R 14 horas El objetivo de este curso es proporcionar una competencia básica en la aplicación de los métodos de aprendizaje automático en la práctica. A través del uso de la plataforma de programación R y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar los resultados de los algoritmos y Validar los resultados. 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.
datamodeling Reconocimiento de Patrones 35 horas Este curso proporciona una introducción en el campo del reconocimiento de patrones y el aprendizaje automático. Se trata de aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática. El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos. Audiencia      Analistas de datos      Estudiantes de doctorado, investigadores y profesionales
encogadv Encog: Advanced Machine Learning 14 horas Encog is an open-source machine learning framework for Java and .Net. In this instructor-led, live training, participants will learn advanced machine learning techniques for building accurate neural network predictive models. By the end of this training, participants will be able to: Implement different neural networks optimization techniques to resolve underfitting and overfitting Understand and choose from a number of neural network architectures Implement supervised feed forward and feedback networks Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
mlfunpython Fundamentos de Aprendizaje Automático con Python 14 horas El objetivo de este curso es proporcionar una competencia básica en la aplicación de los métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Python y sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y Validar los resultados. 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.
patternmatching Búsqueda de Patrones 14 horas La coincidencia de patrones es una técnica utilizada para localizar patrones específicos dentro de una imagen. Se puede usar para determinar la existencia de características específicas dentro de una imagen capturada, por ejemplo, la etiqueta esperada en un producto defectuoso en una línea de fábrica o las dimensiones especificadas de un componente. Es diferente de "Reconocimiento de patrones" (que reconoce patrones generales basados en colecciones más grandes de muestras relacionadas) en el sentido de que dicta específicamente lo que estamos buscando, y luego nos dice si el patrón esperado existe o no. Audiencia      Ingenieros y desarrolladores que buscan desarrollar aplicaciones de visión artificial      Ingenieros de fabricación, técnicos y gerentes Formato del curso      Este curso presenta los enfoques, las tecnologías y los algoritmos utilizados en el campo de la coincidencia de patrones tal como se aplica a la Visión artificial.
encogintro Encog: Introduction to Machine Learning 14 horas Encog is an open-source machine learning framework for Java and .Net. In this instructor-led, live training, participants will learn how to create various neural network components using ENCOG. Real-world case studies will be discussed and machine language based solutions to these problems will be explored. By the end of this training, participants will be able to: Prepare data for neural networks using the normalization process Implement feed forward networks and propagation training methodologies Implement classification and regression tasks Model and train neural networks using Encog's GUI based workbench Integrate neural network support into real-world applications Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
annmldt Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo 21 horas
Torch Torch: Introducción a Máquina y Aprendizaje Profundo 21 horas Torch es una biblioteca de aprendizaje de máquina de código abierto y un marco informático científico basado en el lenguaje de programación Lua. Proporciona un entorno de desarrollo para numéricos, aprendizaje automático y visión por computadora, con un énfasis particular en aprendizaje profundo y redes convolucionales. Es uno de los marcos más rápidos y flexibles para Machine and Deep Learning y lo utilizan compañías como Facebook, Google, Twitter, NVIDIA, AMD, Intel y muchas otras. 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
pythontextml Python: Machine Learning with Text 21 horas In this instructor-led, live training, participants will learn how to use the right machine learning and NLP (Natural Language Processing) techniques to extract value from text-based data. By the end of this training, participants will be able to: Solve text-based data science problems with high-quality, reusable code Apply different aspects of scikit-learn (classification, clustering, regression, dimensionality reduction) to solve problems Build effective machine learning models using text-based data Create a dataset and extract features from unstructured text Visualize data with Matplotlib Build and evaluate models to gain insight Troubleshoot text encoding errors Audience Developers Data Scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
mlrobot1 Aprendizaje Automático para la Robótica 21 horas Este curso introduce métodos de aprendizaje automático en aplicaciones de robótica. 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.
OpenNN OpenNN: Implementación de Redes Neuronales 14 horas OpenNN es una biblioteca de clases de código abierto escrita en C ++ que implementa redes neuronales para su uso en aprendizaje automático. 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.
mlios Machine Learning on iOS 14 horas In this instructor-led, live training, participants will learn how to use the iOS Machine Learning (ML) technology stack as they as they step through the creation and deployment of an iOS mobile app. By the end of this training, participants will be able to: Create a mobile app capable of image processing, text analysis and speech recognition Access pre-trained ML models for integration into iOS apps Create a custom ML model Add Siri Voice support to iOS apps Understand and use frameworks such as coreML, Vision, CoreGraphics, and GamePlayKit Use languages and tools such as Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda, and Spyder Audience Developers Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
dladv Aprendizaje Profundo (Deep Learning) Avanzado 28 horas Este curso visa proporcionar todas as ferramentas e explicitar todos os apectos necessários para que os participantes possam adquirir conhecimetos únicos e funcionais acerca do Deep learning avançado, com o objetivo de que possam aplicar-lo em seu uso cotidiano.
BigData_ Una introducción práctica al análisis de datos y Big Data 35 horas Los participantes que completen esta capacitación obtendrán una comprensión práctica y real de Big Data y sus tecnologías, metodologías y herramientas relacionadas. Los participantes tendrán la oportunidad de poner este conocimiento en práctica a través de ejercicios prácticos. La interacción grupal y la retroalimentación del instructor conforman un componente importante de la clase. El curso comienza con una introducción a los conceptos elementales de Big Data, luego avanza hacia los lenguajes de programación y las metodologías utilizadas para realizar el Análisis de datos. Finalmente, discutimos las herramientas y la infraestructura que permiten el almacenamiento de Big Data, el procesamiento distribuido y la escalabilidad. Audiencia Desarrolladores / programadores Consultores de TI Formato del curso Conferencia de parte, discusión en parte, práctica práctica e implementación, quicing ocasional para medir el progreso.
matlabdl Matlab for Deep Learning 14 horas 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 Audience Developers Engineers Domain experts Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
mlfsas Fundamentos de Aprendizaje Automático con Scala y Apache Spark 14 horas El objetivo de este curso es proporcionar una competencia básica en la aplicación de métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Scala y de sus diversas bibliotecas, y basado en una multitud de ejemplos prácticos, este curso enseña cómo usar los bloques de construcción más importantes de Aprendizaje de Máquinas, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y validar los resultados. 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.
octnp Octave no solo para programadores 21 horas El curso está dedicado a aquellos que deseen conocer un programa alternativo al paquete comercial de MATLAB. La capacitación de tres días proporciona información completa sobre cómo moverse por el entorno y cómo realizar el paquete OCTAVE para el análisis de datos y cálculos de ingeniería. Los destinatarios de la capacitación son principiantes, pero también aquellos que conocen el programa y desean sistematizar su conocimiento y mejorar sus habilidades. No se requiere conocimiento de otros lenguajes de programación, pero facilitará en gran medida la adquisición de conocimiento por parte de los estudiantes. El curso le mostrará cómo usar el programa en muchos ejemplos prácticos.
mlbankingr Machine Learning for Banking (with R) 28 horas In this instructor-led, live training, participants will learn how to apply machine learning techniques and tools for solving real-world problems in the banking industry. R will be used as the programming language. Participants first learn the key principles, then put their knowledge into practice by building their own machine learning models and using them to complete a number of live projects. Audience Developers Data scientists Banking professionals with a technical background Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
dmmlr Minería de Datos y Aprendizaje Automático con R 14 horas
mlentre Conceptos de aprendizaje automático para emprendedores y gerentes 21 horas This training course is for people that would like to apply Machine Learning in practical applications for their team.  The training will not dive into technicalities and revolve around basic concepts and business/operational applications of the same. Target Audience Investors and AI entrepreneurs Managers and Engineers whose company is venturing into AI space Business Analysts & Investors
mlbankingpython_ Machine Learning for Banking (with Python) 21 horas In this instructor-led, live training, participants will learn how to apply machine learning techniques and tools for solving real-world problems in the banking industry. Python will be used as the programming language. Participants first learn the key principles, then put their knowledge into practice by building their own machine learning models and using them to complete a number of team projects. Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
cpb100 CPB100: Google Cloud Platform Big Data & Fundamentos de Aprendizaje Automático 8 horas Este curso dirigido por un instructor de un día introduce a los participantes a las grandes capacidades de datos de Google Cloud Platform. A través de una combinación de presentaciones, demostraciones y laboratorios prácticos, los participantes obtienen una visión general de la plataforma Google Cloud y una vista detallada de las capacidades de procesamiento de datos y de aprendizaje automático. Este curso muestra la facilidad, flexibilidad y potencia de las grandes soluciones de datos en Google Cloud Platform. Este curso enseña a los participantes las siguientes habilidades: Identifique el propósito y el valor de los productos clave de Big Data y de aprendizaje automático en Google Cloud Platform. Utilice Cloud SQL y Cloud Dataproc para migrar las cargas de trabajo existentes de MySQL y Hadoop / Pig / Spark / Hive a Google Cloud Platform. Emplear BigQuery y Cloud Datalab para realizar análisis de datos interactivos. Entrene y utilice una red neuronal usando TensorFlow. Emplear API de ML. Elija entre diferentes productos de procesamiento de datos en Google Cloud Platform. Esta clase está destinada a lo siguiente: Analistas de datos, Científicos de datos, Analistas de negocios comenzando con Google Cloud Platform. Responsables del diseño de oleoductos y arquitecturas para el procesamiento de datos, creación y mantenimiento de modelos de aprendizaje y modelos estadísticos, consulta de conjuntos de datos, visualización de resultados de consultas y creación de informes. Ejecutivos y responsables de la toma de decisiones de TI que evalúan Google Cloud Platform para su uso por los científicos de datos.
opennmt OpenNMT: Implementing a Neural Machine Translation solution 7 horas OpenNMT es un sistema de traducción de máquina neural completo, de código abierto (MIT) que utiliza el juego de herramientas matemático de la Antorcha. 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
opennlp OpenNLP for Text Based Machine Learning 14 horas The Apache OpenNLP library is a machine learning based toolkit for processing natural language text. It supports the most common NLP tasks, such as language detection, tokenization, sentence segmentation, part-of-speech tagging, named entity extraction, chunking, parsing and coreference resolution. In this instructor-led, live training, participants will learn how to create models for processing text based data using OpenNLP. Sample training data as well customized data sets will be used as the basis for the lab exercises. By the end of this training, participants will be able to: Install and configure OpenNLP Download existing models as well as create their own Train the models on various sets of sample data Integrate OpenNLP with existing Java applications Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
predio Aprendizaje Automático con PredictionIO 21 horas PredictionIO es un servidor de Aprendizaje de Máquina de código abierto construido sobre la pila de código abierto de última generación. Audiencia Este curso está dirigido a desarrolladores y científicos de datos que quieren crear motores predictivos para cualquier tarea de aprendizaje automático.
Fairsec Fairsec: Setting up a CNN-based machine translation system 7 horas Fairseq is an open-source sequence-to-sequence learning toolkit created by Facebok for use in Neural Machine Translation (NMT). In this training participants will learn how to use Fairseq to carry out translation of sample content. By the end of this training, participants will have the knowledge and practice needed to implement a live Fairseq based machine translation solution. Source and target language content samples can be prepared according to audience's requirements. Audience Localization specialists with a technical background Global content managers Localization engineers Software developers in charge of implementing global content solutions Format of the course     Part lecture, part discussion, heavy hands-on practice
undnn Understanding Deep Neural Networks 35 horas This course begins with giving you conceptual knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). Part-1(40%) of this training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc. Part-2(20%) of this training introduces Theano - a python library that makes writing deep learning models easy. Part-3(40%) of the training would be extensively based on Tensorflow - 2nd Generation API of Google's open source software library for Deep Learning. The examples and handson would all be made in TensorFlow. Audience This course is intended for engineers seeking to use TensorFlow for their Deep Learning projects After completing this course, delegates will: have a good understanding on deep neural networks(DNN), CNN and RNN understand TensorFlow’s structure and deployment mechanisms be able to carry out installation / production environment / architecture tasks and configuration be able to assess code quality, perform debugging, monitoring be able to implement advanced production like training models, building graphs and logging   Not all the topics would be covered in a public classroom with 35 hours duration due to the vastness of the subject. The Duration of the complete course will be around 70 hours and not 35 hours.
systemml Apache SystemML para Aprendizaje Automático 14 horas Apache SystemML es una plataforma de aprendizaje distribuida y declarativa. SystemML proporciona un aprendizaje declarativo a máquina a gran escala (ML) que tiene como objetivo la especificación flexible de algoritmos de ML y la generación automática de planes de tiempo de ejecución híbridos que van desde un nodo único, cálculos en memoria hasta cálculos distribuidos en Apache Hadoop y Apache Spark. Audiencia Este curso es adecuado para los investigadores, desarrolladores e ingenieros de Learning Machine que buscan utilizar SystemML como un marco para el aprendizaje automático.
cpde Data Engineering on Google Cloud Platform 32 horas Esta clase de cuatro días dirigida por instructores proporciona a los participantes una introducción práctica para diseñar y construir sistemas de procesamiento de datos en Google Cloud Platform. A través de una combinación de presentaciones, demostraciones y laboratorios manuales, los participantes aprenderán cómo diseñar sistemas de procesamiento de datos, construir tuberías de datos de extremo a extremo, analizar datos y llevar a cabo el aprendizaje automático. El curso cubre datos estructurados, no estructurados y de transmisión. Este curso enseña a los participantes las siguientes habilidades: Diseño y creación de sistemas de procesamiento de datos en Google Cloud Platform Proceso lote y transmisión de datos mediante la implementación de tuberías de datos de escalado automático en Cloud Dataflow Obtenga información de negocios de conjuntos de datos extremadamente grandes utilizando Google BigQuery Capacitar, evaluar y predecir utilizando modelos de aprendizaje automático usando Tensorflow y Cloud ML Aproveche los datos no estructurados con las API de Spark y ML en Cloud Dataproc Habilitar información instantánea de la transmisión de datos Esta clase está destinada a desarrolladores experimentados que son responsables de administrar grandes transformaciones de datos incluyendo: Extracción, carga, transformación, limpieza y validación de datos Diseño de tuberías y arquitecturas para el procesamiento de datos Creación y mantenimiento de modelos de aprendizaje y modelos estadísticos Consulta de conjuntos de datos, visualización de resultados de consultas y creación de informes
textsum Text Summarization with Python 14 horas In Python Machine Learning, the Text Summarization feature is able to read the input text and produce a text summary. This capability is available from the command-line or as a Python API/Library. One exciting application is the rapid creation of executive summaries; this is particularly useful for organizations that need to review large bodies of text data before generating reports and presentations. In this instructor-led, live training, participants will learn to use Python to create a simple application that auto-generates a summary of input text. By the end of this training, participants will be able to: Use a command-line tool that summarizes text. Design and create Text Summarization code using Python libraries. Evaluate three Python summarization libraries: sumy 0.7.0, pysummarization 1.0.4, readless 1.0.17 Audience Developers Data Scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
aiintrozero De Cero a AI 35 horas Este curso se crea para personas que no tienen experiencia previa en probabilidades y estadísticas.
Fairseq Fairseq: Setting up a CNN-based machine translation system 7 horas Fairseq is an open-source sequence-to-sequence learning toolkit created by Facebok for use in Neural Machine Translation (NMT). In this training participants will learn how to use Fairseq to carry out translation of sample content. By the end of this training, participants will have the knowledge and practice needed to implement a live Fairseq based machine translation solution. Audience Localization specialists with a technical background Global content managers Localization engineers Software developers in charge of implementing global content solutions Format of the course     Part lecture, part discussion, heavy hands-on practice Note If you wish to use specific source and target language content, please contact us to arrange.

Próximos Cursos

CursoFechaPrecio del Curso [A distancia / Presencial]
De Cero a AI - Caracas - Centro LidoLun, 2018-02-19 09:308686USD / 28752USD

Otras regiones

Cursos de Fin de Semana de Machine Learning, Capacitación por la Tarde de Machine Learning, Machine Learning boot camp, Clases de Machine Learning , Capacitación empresarial de Machine Learning, Machine Learning coaching, Cursos en linea de Machine Learning, Cursos Privados de Machine Learning, Cursos por la Tarde de Machine Learning,Capacitación de Fin de Semana de Machine Learning, Clases de Machine Learning , Programas de capacitación de Machine Learning, Cursos de Formación de Machine Learning, Clases Particulares de Machine Learning, Instructor de Machine Learning, Capacitador de Machine Learning, Machine Learning con instructor, Talleres para empresas de Machine Learning

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No transmitiremos ni venderemos su dirección a otras personas.
Siempre puede cambiar sus preferencias o cancelar su suscripción por completo.

Algunos de nuestros clientes