Los cursos de capacitación de Deep Learning (DL) en vivo, en línea o en el sitio, dirigidos por un instructor, demuestran a través de la práctica los fundamentos y las aplicaciones de Deep Learning y cubren temas como el aprendizaje profundo de máquinas, el aprendizaje profundo estructurado y el aprendizaje jerárquico. El entrenamiento de aprendizaje profundo está disponible como "entrenamiento en vivo en el sitio" o "entrenamiento remoto en vivo". El entrenamiento en vivo en línea (también conocido como "entrenamiento remoto en vivo") se lleva a cabo a través de un escritorio remoto interactivo. El entrenamiento en vivo en el sitio se puede llevar a cabo localmente en las instalaciones del cliente en México o en los centros de entrenamiento corporativos de NobleProg en México. NobleProg: su proveedor local de capacitación
Machine Translated
Testimonios
Los ejemplos y la paciencia del instructor
José Emilio Sánchez García - Universidad Autónoma Indígena de México
Curso: Natural Language Processing with TensorFlow
Manteniéndolo corto y simple. Creación de intuición y modelos visuales alrededor de los conceptos (gráfico de árbol de decisión, ecuaciones lineales, cálculo y_pred manualmente para probar cómo funciona el modelo).
Nicolae - Oana Pancea , DB Global Technology
Curso: Machine Learning
Machine Translated
Me ayudó a lograr mi objetivo de entender ML. Mucho respeto para Pablo por dar una introducción adecuada en este tema, ya que se hace evidente después de 3 días de entrenamiento lo vasto que es este tema. También he disfrutado MUCHO la idea de las máquinas virtuales que me has proporcionado, ¡que tenían muy buena latencia! Permitió a cada coursant hacer experimentos a su propio ritmo.
Silviu - Oana Pancea , DB Global Technology
Curso: Machine Learning
Machine Translated
¡Pablo es un gran entrenador! Su estilo de enseñanza es divertido y fácil de seguir. Explicó temas complejos de una manera comprensible y se tomó el tiempo para revisar los detalles y ofrecer ejemplos prácticos. Respondió a todas las preguntas, incluso aquellas fuera del alcance general del curso. Preparó ejemplos, ejercicios, materiales de aprendizaje y logró encajar una gran cantidad de información en solo 3 días. Definitivamente participaría en otro curso impartido por él.
Oana Pancea , DB Global Technology
Curso: Machine Learning
Machine Translated
La vibra, el conocimiento y la actitud del formador
Oana Pancea , DB Global Technology
Curso: Machine Learning
Machine Translated
Algunos de nuestros clientes
DL (Deep Learning) Subcategorías
Programa del curso DL (Deep Learning)
Nombre del Curso
Duración
Descripción General
Nombre del Curso
Duración
Descripción General
21 horas
Stable Diffusion es un poderoso modelo de aprendizaje profundo que puede generar imágenes detalladas basadas en descripciones de texto.Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) está dirigida a científicos de datos de nivel intermedio a avanzado, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para texto a -generación de imágenes.Al final de esta capacitación, los participantes podrán:
- Comprender las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de texto a imagen. Implemente modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad. Optimice el rendimiento y la escalabilidad para grandes conjuntos de datos y modelos complejos. Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo. Integre Stable Diffusion con otros marcos y herramientas de aprendizaje profundo.
- Charla interactiva y debate. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.
- Para solicitar una capacitación personalizada para este curso, contáctenos para coordinar.
21 horas
DeepSpeed es una biblioteca de optimización de aprendizaje profundo que facilita la escala de modelos de aprendizaje profundo en hardware distribuido. Desarrollado por Microsoft, DeepSpeed se integra con PyTorch para proporcionar un mejor escalado, un entrenamiento más rápido y una mejor utilización de los recursos.Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) está dirigida a científicos de datos de nivel principiante e intermedio e ingenieros de aprendizaje automático que desean mejorar el rendimiento de sus modelos de aprendizaje profundo.Al final de esta capacitación, los participantes podrán:
- Comprender los principios del aprendizaje profundo distribuido. Instale y configure DeepSpeed. Escale modelos de aprendizaje profundo en hardware distribuido utilizando DeepSpeed. Implemente y experimente con las características de DeepSpeed para la optimización y la eficiencia de la memoria.
- Charla interactiva y debate. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.
- Para solicitar una capacitación personalizada para este curso, contáctenos para coordinar.
7 horas
AlphaFold es un sistema Artificial Intelligence (AI) que realiza la predicción de las estructuras proteicas. Está desarrollado por Alphabet’s/Google’s DeepMind como un sistema de aprendizaje profundo que puede predecir con precisión los modelos 3D de estructuras de proteínas.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a biólogos que desean entender cómo AlphaFold funciona y utiliza AlphaFold modelos como guías en sus estudios experimentales.
Al final de este curso, los participantes podrán:
-
Comprender los principios básicos de AlphaFold.
Aprende cómo AlphaFold funciona.
Aprende a interpretar AlphaFold predicciones y resultados.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
21 horas
Stable Diffusion es un poderoso modelo de aprendizaje profundo que puede generar imágenes detalladas basadas en descripciones de texto.Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores de visión artificial que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.Al final de esta capacitación, los participantes podrán:
- Comprender los principios de Stable Diffusion y cómo funciona para la generación de imágenes. Cree y entrene Stable Diffusion modelos para tareas de generación de imágenes. Aplique Stable Diffusion a varios escenarios de generación de imágenes, como pintura interna, pintura externa y traducción de imagen a imagen. Optimice el rendimiento y la estabilidad de Stable Diffusion modelos.
- Charla interactiva y debate. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.
- Para solicitar una capacitación personalizada para este curso, contáctenos para coordinar.
21 horas
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y de vanguardia en Python a medida que crean una serie de aplicaciones de demostración que incluyen imágenes, música, texto y datos financieros.
Al final de esta capacitación, los participantes podrán:
- Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos
- Aplicar el aprendizaje profundo y el aprendizaje semi-supervisado a aplicaciones que involucren imagen, música, texto e información financiera
- Empujar los algoritmos de Python a su máximo potencial
- Usa bibliotecas y paquetes como NumPy y Theano
- Desarrolladores
- Analistas
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
21 horas
This instructor-led, live training in México (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 horas
El aprendizaje de máquina es una rama de inteligencia artificial en la que los ordenadores tienen la capacidad de aprender sin ser explícitamente programados.
El aprendizaje profundo es un subcampo de aprendizaje automático que utiliza métodos basados en las representaciones de datos de aprendizaje y estructuras como las redes neurales.
Python es un lenguaje de programación de alto nivel conocido por su sintaxe clara y la lectura de código.
En este entrenamiento guiado por instructores, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecom utilizando Python a medida que pasan por la creación de un modelo de riesgo de crédito de aprendizaje profundo.
Al final de este curso, los participantes podrán:
-
Comprender los conceptos fundamentales del aprendizaje profundo.
Aprende las aplicaciones y los usos de la aprendizaje profunda en telecom.
Utilice Python, Keras, y TensorFlow para crear modelos de aprendizaje profundo para telecom.
Construye su propio modelo de predicción del cliente de aprendizaje profundo utilizando Python.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
14 horas
Embedding Projector es una aplicación web de código abierto para visualizar los datos utilizados para entrenar sistemas de aprendizaje automático. Creado por Google, es parte de TensorFlow.
Esta capacitación en vivo dirigida por un instructor presenta los conceptos detrás de Embedding Projector y guía a los participantes a través de la configuración de un proyecto de demostración.
Al final de esta capacitación, los participantes podrán:
- Explore cómo los datos se interpretan mediante modelos de aprendizaje automático
- Navegue a través de vistas 3D y 2D de datos para comprender cómo lo interpreta un algoritmo de aprendizaje automático
- Comprenda los conceptos detrás de Embeddings y su papel en la representación de vectores matemáticos para imágenes, palabras y números.
- Explore las propiedades de una incrustación específica para comprender el comportamiento de un modelo
- Aplicar Embedding Project a casos de uso del mundo real, como crear un sistema de recomendación de canciones para amantes de la música
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
21 horas
Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.
21 horas
Este curso es una visión general de Deep Learning sin profundizar en ningún método específico. Es adecuado para las personas que quieren empezar a usar el aprendizaje profundo para mejorar su precisión de la predicción.
21 horas
Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.
28 horas
El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar explícitamente programadas. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones de datos de aprendizaje y estructuras como las redes neuronales.
21 horas
Caffe es un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente.
Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo
Audiencia
Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco.
Después de completar este curso, los delegados podrán:
- entender la estructura de Caffe y los mecanismos de despliegue
- llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración
- evaluar la calidad del código, realizar depuración, monitoreo
- implementar la producción avanzada como modelos de entrenamiento, implementación de capas y registro
21 horas
Audiencia
Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora
Este curso proporciona ejemplos prácticos.
14 horas
This course covers AI (emphasizing Machine Learning and Deep Learning) in Automotive Industry. It helps to determine which technology can be (potentially) used in multiple situation in a car: from simple automation, image recognition to autonomous decision making.
21 horas
Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)
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.
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
Ingenieros de traducción y localización Formato del curso Parte conferencia, discusión de parte, práctica práctica pesada
21 horas
La inteligencia artificial, después de haber molestó a muchos campos científicos, comenzó a revolucionar una amplia gama de sectores económicos (industria, la medicina, comunicaciones, etc.). Sin embargo, su presentación en los principales medios de comunicación a menudo es una fantasía, muy lejos de lo que realmente son las áreas de aprendizaje automático y Deep aprendizaje. El objetivo de esta formación es proporcionar a los ingenieros con conocimientos de computación (incluyendo la programación de software basado en) una introducción al aprendizaje profundo y sus diferentes áreas de especialización y por lo tanto las principales arquitecturas de red existentes Hoy. Si los fundamentos matemáticos se recuerdan durante el curso, se recomienda un tipo de nivel de alcoholemia matemática + 2 para una mayor comodidad. Es posible en absoluto ignorar el eje matemático para mantener sólo una visión "sistema", pero este enfoque limita en gran medida su comprensión del tema.
14 horas
La inteligencia artificial, después de haber molestado a muchos campos científicos, comenzó a revolucionar una amplia gama de sectores económicos (industria, la medicina, comunicaciones, etc.). Sin embargo, su presentación en los principales medios de comunicación a menudo es una fantasía, muy lejos de lo que realmente son las áreas de aprendizaje automático y aprendizaje profundo. El objetivo de esta formación es introducir en realidad estos enfoques y lo que aportan a la solución de problemas considerados "inteligentes". Se presentan muchas aplicaciones, el tratamiento de los datos en bruto para crear contenido "original" a través de agentes de control, clasificación automatizada o la aproximación de un orden dado para facilitar su comprensión y manipulación. Por último, un aspecto importante es el de la oportunidad como la aplicación de dicha metodología de proyectos. El aprendizaje profundo sabe muchas limitaciones como cualquier herramienta, y su aplicación implica verdadera manera de entender, controlar y garantizar un resultado final de calidad
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
- Conferencia parcial, discusión parcial, práctica práctica intensa
- Si desea utilizar contenido específico en el idioma de origen y de destino, contáctenos para organizarlo.
21 horas
Microsoft Cognitive Toolkit 2.x (anteriormente CNTK) es un juego de herramientas de código abierto de grado comercial que entrena algoritmos de aprendizaje profundo para aprender como el cerebro humano. Según Microsoft, CNTK puede ser 5-10 veces más rápido que TensorFlow en redes recurrentes, y de 2 a 3 veces más rápido que TensorFlow para tareas relacionadas con imágenes.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Microsoft Cognitive Toolkit para crear, entrenar y evaluar algoritmos de aprendizaje profundo para su uso en aplicaciones de AI comerciales que involucren múltiples tipos de datos tales como datos, voz, texto e imágenes.
Al final de esta capacitación, los participantes podrán:
- Acceda a CNTK como una biblioteca desde un programa de Python, C # o C ++
- Use CNTK como una herramienta independiente de aprendizaje automático a través de su propio lenguaje de descripción de modelo (BrainScript)
- Utilice la funcionalidad de evaluación del modelo CNTK de un programa Java
- Combinar DNN de feed-forward, redes convolucionales (CNN) y redes recurrentes (RNNs / LSTM)
- Escala de capacidad de cálculo en CPU, GPU y múltiples máquinas
- Acceda a conjuntos de datos masivos utilizando los lenguajes de programación y algoritmos existentes
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
- Si desea personalizar cualquier parte de esta capacitación, incluido el lenguaje de programación que prefiera, contáctenos para organizarlo.
21 horas
PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu.
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.
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
7 horas
Amazon DSSTNE es una biblioteca de código abierto para el entrenamiento y la implementación de modelos de recomendación. Permite modelos con matrices de peso que son demasiado grandes para que una sola GPU se entrene en un solo host.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar DSSTNE para crear una aplicación de recomendación.
Al final de esta capacitación, los participantes podrán:
- Entrene un modelo de recomendación con conjuntos de datos dispersos como entrada
- Escala de entrenamiento y modelos de predicción en múltiples GPU
- Extienda el cómputo y el almacenamiento de forma paralela a los modelos
- Genere recomendaciones de productos personalizados similares a Amazon.
- Implemente una aplicación lista para producción que pueda escalar a cargas de trabajo pesadas
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
7 horas
Tensor2Tensor (T2T) es una biblioteca modular y extensible para el entrenamiento de modelos de AI en diferentes tareas, utilizando diferentes tipos de datos de entrenamiento, por ejemplo: reconocimiento de imágenes, traducción, análisis sintáctico, subtítulos de imágenes y reconocimiento de voz. Lo mantiene el equipo de Google Brain.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo preparar un modelo de aprendizaje profundo para resolver tareas múltiples.
Al final de esta capacitación, los participantes podrán:
- Instalar tensor2tensor, seleccionar un conjunto de datos y entrenar y evaluar un modelo de IA
- Personalice un entorno de desarrollo utilizando las herramientas y los componentes incluidos en Tensor2Tensor
- Cree y use un único modelo para aprender de forma simultánea varias tareas de varios dominios
- Utilice el modelo para aprender de tareas con una gran cantidad de datos de entrenamiento y aplicar ese conocimiento a tareas donde los datos son limitados
- Obtenga resultados de procesamiento satisfactorios con una sola GPU
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
14 horas
OpenFace es un software de reconocimiento facial en tiempo real basado en Python y Torch basado en la investigación FaceNet de Google.
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.
Aplique OpenFace a aplicaciones del mundo real tales como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etc.
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
21 horas
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas para el aprendizaje automático con R a medida que avanzan en la creación de una aplicación en el mundo real.
Al final de esta capacitación, los participantes podrán:
- Utiliza técnicas como el ajuste de hiperparámetros y el aprendizaje profundo
- Comprender e implementar técnicas de aprendizaje no supervisadas
- Ponga un modelo en producción para usar en una aplicación más grande
- Desarrolladores
- Analistas
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
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
- Developers
- Engineers
- Domain experts
- Part lecture, part discussion, exercises and heavy hands-on practice
28 horas
El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en el aprendizaje de representaciones de datos y estructuras tales como redes neuronales. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde los principales programas comerciales hasta los sistemas de gestión de riesgos.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para finanzas usando R a medida que avanzan en la creación de un modelo de predicción del precio de las acciones de aprendizaje profundo.
Al final de esta capacitación, los participantes podrán:
- Comprender los conceptos fundamentales del aprendizaje profundo
- Aprende las aplicaciones y usos del aprendizaje profundo en finanzas
- Use R para crear modelos de aprendizaje profundo para finanzas
- Construya su propio modelo de predicción del precio de las acciones de aprendizaje profundo utilizando R
- Desarrolladores
- Científicos de datos
- Conferencia de parte, discusión en parte, ejercicios y práctica práctica
28 horas
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
Last Updated:
Próximos Cursos Deep Learning (DL)
Introducción a la Inteligencia Artificial: Herramientas y Desafíos
2023-10-11 09:30
14 horas
Introducción a la Inteligencia Artificial: Herramientas y Desafíos
2023-10-25 09:30
14 horas
OpenNMT: Implementing a Neural Machine Translation solution
2023-11-08 09:30
7 horas
OpenNMT: Implementing a Neural Machine Translation solution
2023-11-22 09:30
7 horas
Introducción a Aprendizaje Profundo y Redes Neuronales Ingeniería
2023-12-06 09:30
21 horas
Aprendizaje Automático y Aprendizaje Profundo
2023-12-20 09:30
21 horas
Otras regiones
Consultoría
Cursos de Fin de Semana de Aprendizaje profundo, Capacitación por la Tarde de Deep Learning (DL), Aprendizaje profundo boot camp, Clases de Deep Learning (DL), Capacitación de Fin de Semana de Aprendizaje profundo, Cursos por la Tarde de DL (Deep Learning), Deep Learning (DL) coaching, Instructor de Deep Learning (DL), Capacitador de DL (Deep Learning), DL (Deep Learning) con instructor, Cursos de Formación de DL (Deep Learning), Deep Learning (DL) en sitio, Cursos Privados de Aprendizaje profundo, Clases Particulares de Aprendizaje profundo, Capacitación empresarial de Deep Learning (DL), Talleres para empresas de DL (Deep Learning), Cursos en linea de Aprendizaje profundo, Programas de capacitación de Aprendizaje profundo, Clases de DL (Deep Learning)