Cursos de Aprendizaje profundo

Cursos de Aprendizaje profundo

Los cursos de formación en vivo (DL) de aprendizaje profundo dirigidos por un instructor demuestran a través de la práctica los fundamentos y aplicaciones del aprendizaje profundo y cubren temas como el aprendizaje profundo de máquinas, el aprendizaje estructurado profundo y el aprendizaje jerárquico.

El entrenamiento de aprendizaje profundo 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 México o en los centros de entrenamiento corporativos de NobleProg en México. 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

★★★★★
★★★★★

Algunos de nuestros clientes

Programas de los cursos 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.
Formato del Curso
    Charla interactiva y debate. 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 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.
Formato del Curso
    Charla interactiva y debate. 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 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.
Formato del curso
    Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
    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.
Formato del Curso
    Charla interactiva y debate. 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 coordinar.
21 horas
En esta capacitación en vivo con instructor, los participantes aprenderán las técnicas de aprendizaje de máquina más relevantes e innovadoras 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 semisupervisado 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 Audiencia Desarrolladores Analistas Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .
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.
Formato del curso
    Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
    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 Este entrenamiento en vivo instruido introduce 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 reales como crear un sistema de recomendación de canciones para amantes de la música Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .
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 descripción general de Deep Learning sin profundizar demasiado en ningún método específico. Es adecuado para las personas que desean comenzar a utilizar el aprendizaje profundo para mejorar su precisión de 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 creado teniendo en cuenta la expresión, la velocidad y la modularidad. Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando MNIST como ejemplo Audiencia Este curso es adecuado para 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.
  • realizar tareas de instalación / entorno de producción / arquitectura y configuración.
  • evaluar la calidad del código, realizar depuración, monitoreo
  • Implementar producción avanzada como modelos de entrenamiento, implementación de capas y registro.
21 horas
Audiencia Este curso es adecuado para investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (principalmente de código abierto) para analizar imágenes de computadora Este curso proporciona ejemplos de trabajo.
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 AI (enfatizando el Machine Learning y Deep Learning )
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
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo configurar y usar OpenNMT para llevar a cabo la traducción de varios conjuntos de datos de muestra. El curso comienza con una descripción general de las redes neuronales que se aplican a la traducción automática. Los participantes realizarán ejercicios en vivo durante todo el curso para demostrar su comprensión de los conceptos aprendidos y recibir comentarios del instructor. Al final de esta capacitación, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución OpenNMT vivo. Las muestras de idioma de origen y destino se preorganizarán según los requisitos de la audiencia.
    Formato del curso
    • Conferencia parcial, discusión parcial, práctica práctica intensa
    21 horas
    Tipo: Entrenamiento teórico con aplicaciones decididas río arriba con los estudiantes en Lasaña o Keras según el grupo pedagógico. Método de enseñanza: presentación, intercambios y estudios de caso. La inteligencia artificial, después de haber interrumpido muchos campos científicos, comenzó a revolucionar una gran cantidad de sectores económicos (industria, medicina, comunicación, etc.). Sin embargo, su presentación en los grandes medios es a menudo una fantasía, muy lejos de lo que realmente son las áreas de Machine Learning o Deep Learning . El propósito de esta capacitación es proporcionar a los ingenieros que ya dominan las herramientas informáticas (incluida una base de programación de software) una introducción a Deep Learning y sus diversas áreas de especialización y, por lo tanto, a las principales arquitecturas de red existentes. hoy en día. Si se recuerdan las bases matemáticas durante el curso, se recomienda un nivel de matemáticas de tipo BAC + 2 para mayor comodidad. Es absolutamente posible omitir el eje matemático para mantener solo una visión de "sistema", pero este enfoque limitará enormemente 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 secuencia de secuencia abierto 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 de la parte, discusión de la parte, práctica pesada del handson Nota Si desea utilizar contenido específico en el idioma de origen y de destino, contáctenos para organizarlo .
    21 horas
    Microsoft Cognitive Toolkit 2x (anteriormente CNTK) es un kit de herramientas de código abierto de fuente abierta que entrena algoritmos de aprendizaje profundo para aprender como el cerebro humano Según Microsoft, CNTK puede ser 510 veces más rápido que TensorFlow en redes recurrentes, y de 2 a 3 veces más rápido que TensorFlow para tareas relacionadas con imágenes En este entrenamiento en vivo con instructor, los participantes aprenderán a 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 avance, redes convolucionales (CNN) y redes recurrentes (RNN / 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 Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual Nota 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 este entrenamiento en vivo instruido, 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 Configurar 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, parte de discusión, ejercicios y práctica manual .
    7 horas
    En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo 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
    • Escale modelos de entrenamiento y predicción sobre múltiples GPU
    • Extienda la computación y el almacenamiento de forma paralela al modelo.
    • Genere recomendaciones de productos personalizados similares a Amazon
    • Implemente una aplicación lista para producción que pueda escalar con grandes cargas de trabajo
    Formato del curso
    • Conferencia parcial, discusión parcial, ejercicios y práctica práctica.
    7 horas
    Tensor2Tensor (T2T) es una biblioteca modular y extensible para el entrenamiento de modelos 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 este entrenamiento en vivo instruido, los participantes aprenderán cómo preparar un modelo de deeplearning para resolver múltiples tareas 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 Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .
    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 este entrenamiento en vivo instruido, 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: Trabajar con los componentes de OpenFace, incluidos dlib, OpenVC, Torch y nn4 para implementar la detección de rostros, la alineación y la transformación Aplicar 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, parte de discusión, ejercicios y práctica manual .
    21 horas
    En este entrenamiento en vivo instruido, 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: Usar técnicas como ajuste de hiperparámetros y aprendizaje profundo Comprender e implementar técnicas de aprendizaje no supervisadas Ponga un modelo en producción para usar en una aplicación más grande Audiencia Desarrolladores Analistas Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .
    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
    28 horas
    El aprendizaje automático es una rama de la inteligencia artificial en la que las computadoras tienen la capacidad de aprender sin ser programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones y estructuras de datos de aprendizaje, como las redes neuronales. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde programas comerciales centrales hasta sistemas de gestión de riesgos. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para las finanzas usando R a medida que avanzan en la creación de un modelo de predicción de precios de acciones de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:
    • Comprender los conceptos fundamentales del aprendizaje profundo.
    • Aprenda 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 de precios de acciones de aprendizaje profundo usando R
    Audiencia
    • Desarrolladores
    • Científicos de datos
    Formato del curso
    • Conferencia parcial, discusión parcial, 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
    Audience
    • Developers
    • Data scientists
    Format of the course
    • Part lecture, part discussion, exercises and heavy hands-on practice

    Last Updated:

    Próximos Cursos Deep Learning (DL)

    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)

    Promociones

    No hay descuentos de cursos por ahora.

    Descuentos en los Cursos

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

    is growing fast!

    We are looking to expand our presence in Mexico!

    As a Business Development Manager you will:

    • expand business in Mexico
    • recruit local talent (sales, agents, trainers, consultants)
    • recruit local trainers and consultants

    We offer:

    • Artificial Intelligence and Big Data systems to support your local operation
    • high-tech automation
    • continuously upgraded course catalogue and content
    • good fun in international team

    If you are interested in running a high-tech, high-quality training and consulting business.

    Apply now!

    Este sitio en otros países / regiones