강사가 진행하는 온라인 또는 현장 라이브 딥 러닝(DL) 교육 과정은 딥 러닝의 기본 사항과 응용 프로그램을 실습을 통해 보여주고 딥 머신 러닝, 딥 구조적 학습 및 계층적 학습과 같은 주제를 다룹니다. 딥 러닝 교육은 "온라인 라이브 교육" 또는 "현장 라이브 교육"으로 제공됩니다. 온라인 라이브 교육(일명 "원격 라이브 교육")은 대화형 원격 데스크톱을 통해 수행됩니다. 현장 라이브 교육은 대한민국의 고객 구내 또는 대한민국의 NobleProg 기업 교육 센터에서 로컬로 수행할 수 있습니다. NobleProg -- 지역 교육 제공자
Machine Translated
회원 평가
짧고 간단하게 유지하세요. 개념에 대한 직관 및 시각적 모델 생성(의사결정 트리 그래프, 선형 방정식, y_pred를 수동으로 계산하여 모델 작동 방식 증명)
Nicolae - Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
ML을 이해하려는 목표를 달성하는 데 도움이 되었습니다. 이 주제에 대한 적절한 소개를 제공한 Pablo에게 깊은 존경심을 표합니다. 3일 간의 교육 후에 이 주제가 얼마나 광대한지 분명해지기 때문입니다. 나는 또한 귀하가 제공한 가상 머신에 대한 아이디어를 많이 즐겼으며 대기 시간이 매우 좋았습니다! 이를 통해 모든 쿠저가 자신의 속도에 맞춰 실험을 수행할 수 있었습니다.
Silviu - Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
파블로는 훌륭한 트레이너입니다! 그의 강의 스타일은 재미있고 따라하기 쉽습니다. 그는 복잡한 주제를 이해하기 쉽게 설명했고, 세부 사항을 살펴보고 실제 사례를 제시하는 데 시간을 들였습니다. 그는 코스의 일반적인 범위를 벗어나는 질문까지 포함하여 모든 질문에 답변했습니다. 그는 예제, 연습문제, 학습 자료를 준비하고 단 3일 만에 많은 양의 정보를 맞추는 데 성공했습니다. 그가 가르치는 다른 강좌에도 꼭 참여할 것입니다.
Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
트레이너의 분위기, 지식, 태도
Oana Pancea , DB Global Technology
Course: Machine Learning
Machine Translated
Deep Learning (DL) Subcategories
Deep Learning (DL) Course Outlines
코스 이름
Duration
Overview
코스 이름
Duration
Overview
21 시간
This instructor-led, live training in 대한민국 (online or onsite) is aimed at intermediate to advanced-level data scientists, machine learning engineers, deep learning researchers, and computer vision experts who wish to expand their knowledge and skills in deep learning for text-to-image generation.
By the end of this training, participants will be able to:
- Understand advanced deep learning architectures and techniques for text-to-image generation.
- Implement complex models and optimizations for high-quality image synthesis.
- Optimize performance and scalability for large datasets and complex models.
- Tune hyperparameters for better model performance and generalization.
- Integrate Stable Diffusion with other deep learning frameworks and tools.
21 시간
This instructor-led, live training in 대한민국 (online or onsite) is aimed at beginner to intermediate-level data scientists and machine learning engineers who wish to improve the performance of their deep learning models.
By the end of this training, participants will be able to:
- Understand the principles of distributed deep learning.
- Install and configure DeepSpeed.
- Scale deep learning models on distributed hardware using DeepSpeed.
- Implement and experiment with DeepSpeed features for optimization and memory efficiency.
7 시간
AlphaFold은 단백질 구조의 예측을 수행하는 Artificial Intelligence (AI) 시스템입니다. 그것은 Alphabet’s/Google’s DeepMind에 의해 정확하게 단백질 구조의 3D 모델을 예측할 수있는 깊은 학습 시스템으로 개발되었습니다.
이 강사가 이끄는 라이브 훈련 (온라인 또는 온라인)은 실험 연구에서 가이드로 AlphaFold 모델을 어떻게 작동하고 사용하는지 이해하고자하는 생물학자들을 대상으로합니다.
이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 :
-
기본 원칙을 이해하십시오 AlphaFold.
[중고] 어떻게 작동하는지 알아보세요
AlphaFold 예측과 결과를 해석하는 방법을 배우십시오.
-
인터랙티브 강의 및 토론
많은 연습과 연습이 있습니다.
라이브 실험실 환경에서 핸드-온 구현.
-
이 과정에 대한 사용자 지정 훈련을 요청하려면 저희에게 연락하여 배치하십시오.
21 시간
This instructor-led, live training in 대한민국 (online or onsite) is aimed at data scientists, machine learning engineers, and computer vision researchers who wish to leverage Stable Diffusion to generate high-quality images for a variety of use cases.
By the end of this training, participants will be able to:
- Understand the principles of Stable Diffusion and how it works for image generation.
- Build and train Stable Diffusion models for image generation tasks.
- Apply Stable Diffusion to various image generation scenarios, such as inpainting, outpainting, and image-to-image translation.
- Optimize the performance and stability of Stable Diffusion models.
21 시간
강사가 진행되는이 실습에서 참가자는 이미지, 음악, 텍스트 및 재무 데이터가 포함 된 일련의 데모 응용 프로그램을 작성하면서 파이썬에서 가장 관련성이 높고 첨단 인 기계 학습 기술을 배웁니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 복잡한 문제를 해결하기위한 기계 학습 알고리즘 및 기술 구현 이미지, 음악, 텍스트 및 금융 데이터가 포함 된 응용 프로그램에 심층 학습 및 반 감독 학습을 적용합니다 Python 알고리즘을 최대 가능성으로 푸시하십시오 NumPy 및 Theano와 같은 라이브러리 및 패키지 사용 청중 개발자 애널리스트 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 .
21 시간
Deep Reinforcement Learning는 시행 착오와 보상 및 처벌을 통해 학습하는 "인공 에이전트"의 능력을 나타냅니다. 인공 에이전트는 시각과 같은 원시 입력에서 직접 지식을 획득하고 구성하는 인간의 능력을 모방하는 것을 목표로 합니다. 강화 학습을 구현하기 위해 딥 러닝과 신경망을 사용합니다. 강화 학습은 기계 학습과 다르며 감독 및 비지도 학습 접근 방식에 의존하지 않습니다.이 강사 주도 라이브 교육(온라인 또는 현장)은 Deep Learning Agent 생성을 단계별로 진행하면서 Deep Reinforcement Learning의 기본 사항을 배우려는 개발자 및 데이터 과학자를 대상으로 합니다.이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.
- Deep Reinforcement Learning의 핵심 개념을 이해하고 Machine Learning과 구별할 수 있습니다. 실제 문제를 해결하기 위해 고급 Reinforcement Learning 알고리즘을 적용합니다. Deep Learning 에이전트를 구축합니다.
- 대화식 강의 및 토론. 많은 연습과 연습. 라이브 랩 환경에서 직접 구현합니다.
- 이 과정에 대한 맞춤형 교육을 요청하려면 당사에 연락하여 준비하십시오.
28 시간
기계 학습은 컴퓨터가 명시적으로 프로그래밍되지 않고 배울 수있는 능력을 가지고있는 인공 지능의 지점입니다.
깊은 학습은 학습 데이터 표현과 신경 네트워크와 같은 구조를 기반으로하는 방법을 사용하는 기계 학습의 하위 영역입니다.
Python는 명확한 합성과 코드 읽기 가능성으로 유명한 고급 프로그래밍 언어입니다.
이 강사가 이끄는 라이브 훈련에서 참가자들은 깊은 학습 신용 위험 모델의 창조를 통과하는 동안 텔레콤을 사용하여 깊은 학습 모델을 구현하는 방법을 배울 것입니다.
이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 :
-
깊은 학습의 기본 개념을 이해합니다.
Telecom에서 깊은 학습의 응용 프로그램과 사용법을 배우십시오.
Python, Keras, 그리고 TensorFlow을 사용하여 텔레콤에 대한 깊은 학습 모델을 만듭니다.
자신의 깊은 학습 고객 예측 모델을 사용하여 구축 Python.
-
인터랙티브 강의 및 토론
많은 연습과 연습이 있습니다.
라이브 실험실 환경에서 핸드-온 구현.
-
이 과정에 대한 사용자 지정 훈련을 요청하려면 저희에게 연락하여 배치하십시오.
14 시간
Embedding Projector는 기계 학습 시스템을 교육하는 데 사용되는 데이터를 시각화하는 오픈 소스 웹 응용 프로그램입니다 Google에서 제작 한 TensorFlow의 일부입니다 강사가 진행된이 실습에서는 Embedding Projector의 개념을 소개하고 참가자에게 데모 프로젝트 설정을 안내합니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 기계 학습 모델에서 데이터를 해석하는 방법 탐색 데이터의 3D 및 2D보기를 탐색하여 기계 학습 알고리즘이이를 해석하는 방법을 이해합니다 Embedding과 이미지, 단어 및 숫자에 대한 수학적 벡터를 표현하는 역할에 대한 개념을 이해합니다 특정 임베딩의 속성을 탐색하여 모델의 동작을 이해합니다 음악 애호가를위한 노래 추천 시스템 구축과 같은 실제 세계 사용 사례에 프로젝트 포함 청중 개발자 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 .
21 시간
인공 신경망은 Artificial Intelligence (AI) 시스템의 개발에 사용되는 계산 데이터 모델로 "지능적인"작업을 수행 할 수 있습니다. Neural Networks 는 일반적으로 인공 지능의 한 구현 인 Machine Learning (ML) 애플리케이션에 사용됩니다. Deep Learning 은 ML의 하위 집합입니다.
21 시간
이 과정은 특정 방법을 너무 깊이 Deep Learning 않고 Deep Learning 을위한 일반적인 개요입니다. 예측 정확도를 높이기 위해 딥 학습을 시작하려는 사람들에게 적합합니다.
21 시간
인공 신경망은 Artificial Intelligence (AI) 시스템의 개발에 사용되는 계산 데이터 모델로 "지능적인"작업을 수행 할 수 있습니다. Neural Networks 는 일반적으로 인공 지능의 한 구현 인 Machine Learning (ML) 애플리케이션에 사용됩니다. Deep Learning 은 ML의 하위 집합입니다.
28 시간
기계 학습은 컴퓨터가 명시 적으로 프로그래밍되지 않고 학습 할 수있는 인공 지능의 한 분야입니다. 딥 학습은 신경 네트워크와 같은 데이터 표현 및 구조를 학습하는 방법을 사용하는 기계 학습의 하위 분야입니다.
21 시간
Caffe 는 표현, 속도 및 모듈성을 염두에 둔 심층적 인 학습 프레임 워크입니다. 본 과목은 MNIST를 이용한 이미지 인식을위한 CEPE의 심도있는 학습 틀로서의 Caffe 의 응용을 탐구한다. 청중 이 과정은 Caffe 를 프레임 워크로 사용하는 데 관심이있는 Deep Learning 연구원 및 엔지니어에게 적합합니다. 이 과정을 마치면 대표단은 다음을 수행 할 수 있습니다.
- Caffe 의 구조와 전개 메커니즘 이해
- 설치 / 생산 환경 / 아키텍처 작업 및 구성 수행
- 코드 품질 평가, 디버깅 수행, 모니터링
- 교육 모델, 레이어 및 로깅 구현과 같은 고급 제작 구현
21 시간
청중 이 과정은 컴퓨터 이미지 분석을 위해 사용 가능한 도구 (주로 오픈 소스)를 사용하는 데 관심이있는 Deep Learning 연구원 및 엔지니어에게 적합합니다. 이 과정은 실습 예제를 제공합니다.
14 시간
이 과정은 AI (emphasizing Machine Learning 및 Deep Learning)에서 Automotive 산업을 다루고 있습니다. 그것은 자동차의 여러 상황에서 어떤 기술이 (잠재적으로) 사용될 수 있는지 결정하는 데 도움이됩니다 : 간단한 자동화, 이미지 인식에서 독립적 인 의사 결정에 이르기까지.
14 시간
강사가 진행하는 이 라이브 교육에서는 신경망의 원리를 살펴보고 OpenNN을 사용하여 샘플 애플리케이션을 구현합니다.과정의 형식실습과 결합된 강의 및 토론.
7 시간
강사가 진행하는이 실습에서는 OpenNMT 를 설정하고 사용하여 다양한 샘플 데이터 세트의 번역을 수행하는 방법을 배우게됩니다. 이 과정은 기계 번역에 적용 할 때 신경망에 대한 개요부터 시작합니다. 참가자는 과정 전반에 걸쳐 실제 연습을 수행하여 학습 한 개념을 이해하고 강사로부터 피드백을 얻을 수 있습니다. 이 교육이 끝날 때까지 참가자는 생생한 OpenNMT 솔루션을 구현하는 데 필요한 지식과 실습을 OpenNMT 됩니다. 소스 및 대상 언어 샘플은 잠재 고객의 요구 사항에 따라 사전 정렬됩니다.
- 파트 강연, 파트 토론, 무거운 실무 연습
21 시간
유형 : 교육 그룹에 따라 Lasagne 또는 Keras 의 학생들과 상급으로 결정된 응용 프로그램을 사용한 이론 교육 교수법 : 발표, 교환 및 사례 연구 인공 지능은 많은 과학 분야를 혼란에 빠뜨 렸고 많은 산업 분야 (의학, 의학, 의사 소통 등)에 혁명을 일으키기 시작했습니다. 그럼에도 불구하고 대형 매체에서의 프리젠 테이션은 종종 Machine Learning 또는 Deep Learning 분야와는 거리가 먼 환상입니다. 이 교육의 목적은 컴퓨터 프로그래밍 (소프트웨어 프로그래밍 기반 포함)을 이미 Deep Learning 한 엔지니어에게 Deep Learning 및 다양한 전문 분야를 소개하고 따라서 기존의 주요 네트워크 아키텍처를 소개하는 것입니다 오늘. 과정 중에 수학 기반을 불러 오면 BAC + 2 유형의 수학 수준이 더 편한 것이 좋습니다. "시스템"비전만을 유지하기 위해 수학 축을 건너 뛸 수는 있지만이 접근법은 피험자에 대한 이해를 엄청나게 제한 할 것입니다.
7 시간
이 강사 지휘, 라이브 훈련에서 참가자들은 Facebook NMT (Fairseq)를 사용하여 샘플 콘텐츠의 번역을 수행하는 방법을 배울 것입니다.
이 훈련이 끝나면 참가자들은 라이브 Fairseq 기반 기계 번역 솔루션을 구현하는 데 필요한 지식과 실습을 갖게 될 것입니다.
코스의 형식
-
부분 강의, 부분 토론, 무거운 실습
-
특정 출처 및 대상 언어 콘텐츠를 사용하고 싶다면 저희에게 연락하여 배치하십시오.
21 시간
Microsoft Cognitive Toolkit 2x (이전 CNTK)는 인간의 두뇌처럼 학습 할 수있는 심층적 인 학습 알고리즘을 교육하는 opensource, commercialgrade 툴킷입니다 Microsoft에 따르면 CNTK는 반복 네트워크의 경우 TensorFlow보다 510 배 빠르고 이미지 관련 작업의 경우 TensorFlow보다 2 ~ 3 배 빠릅니다 강사가 진행되는이 강의에서는 참가자들이 Microsoft Cognitive Toolkit을 사용하여 데이터, 음성, 텍스트 및 이미지와 같은 여러 유형의 데이터가 포함 된 상용 Grade AI 응용 프로그램에 사용되는 심층 학습 알고리즘을 작성, 교육 및 평가하는 방법을 학습합니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 Python, C # 또는 C ++ 프로그램 내에서 라이브러리로 CNTK에 액세스하십시오 자체 모델 설명 언어 (BrainScript)를 통해 독립 실행 형 컴퓨터 학습 도구로 CNTK 사용 Java 프로그램에서 CNTK 모델 평가 기능 사용 피드 포워드 DNN, CNN (convolutional net) 및 RNN / LSTM (recurrent networks) CPU, GPU 및 여러 시스템의 계산 용량 확장 기존 프로그래밍 언어 및 알고리즘을 사용하여 대규모 데이터 세트에 액세스 청중 개발자 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 노트 원하는 프로그래밍 언어를 포함하여이 교육의 모든 부분을 사용자 정의하려면 Google에 문의하여 준비하십시오 .
21 시간
PaddlePaddle (PArallel Distributed DeepLearning)은 Baidu가 개발 한 확장 가능한 심층 학습 플랫폼입니다 강사진이 진행되는이 교육에서는 PaddlePaddle을 사용하여 제품 및 서비스 응용 프로그램에 대한 심층적 인 학습을 수행하는 방법을 배웁니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 PaddlePaddle 설정 및 구성 이미지 인식 및 객체 감지를위한 CNN (Convolutional Neural Network) 설정 정서 분석을위한 RNN (Recurrent Neural Network) 설정 사용자가 답변을 찾을 수 있도록 추천 시스템에 대한 심층 학습을 설정하십시오 클릭률 (CTR) 예측, 대형 이미지 세트 분류, 광학 문자 인식 (OCR) 수행, 검색 순위 지정, 컴퓨터 바이러스 검색 및 추천 시스템 구현 청중 개발자 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 .
7 시간
강사가 진행하는이 실습에서 참가자는 DSSTNE를 사용하여 추천 응용 프로그램을 작성하는 방법을 배웁니다. 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다.
- 드문 드문 한 데이터 집합을 입력으로하여 추천 모델 교육
- 여러 GPU 통한 교육 및 예측 모델 확장
- 모델 - 병렬 방식으로 계산 및 저장 확장
- Amazon과 같은 개인화 된 제품 권장 사항 생성
- 과중한 작업량으로 확장 할 수있는 프로덕션 환경의 응용 프로그램 배포
- 파트 강의, 파트 토론, 연습 및 무거운 실무 연습
7 시간
Tensor2Tensor (T2T)는 이미지 인식, 번역, 구문 분석, 이미지 캡션 및 음성 인식과 같은 다양한 유형의 교육 데이터를 사용하여 AI 모델을 다양한 작업으로 교육하기위한 모듈 식의 확장 가능한 라이브러리입니다 Google Brain 팀에서 관리합니다 강사가 진행되는이 실습에서 참가자는 여러 작업을 해결하기 위해 모델을 준비하는 방법을 배웁니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 tensor2tensor 설치, 데이터 세트 선택, AI 모델 교육 및 평가 Tensor2Tensor에 포함 된 도구 및 구성 요소를 사용하여 개발 환경 사용자 정의 단일 모델을 작성하고 사용하여 여러 도메인에서 여러 작업을 동시에 학습합니다 이 모델을 사용하여 많은 양의 교육 데이터가있는 작업으로부터 학습하고 해당 지식을 데이터가 제한된 작업에 적용합니다 단일 GPU를 사용하여 만족스러운 처리 결과 얻기 청중 개발자 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 .
14 시간
OpenFace는 Google의 FaceNet 연구를 기반으로하는 Python 및 Torch 기반의 opensource 실시간 얼굴 인식 소프트웨어입니다 강사진이 진행되는이 교육 과정에서 참가자는 OpenFace의 구성 요소를 사용하여 샘플 얼굴 인식 응용 프로그램을 만들고 배포하는 방법을 배우게됩니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 dlib, OpenVC, Torch 및 nn4를 포함한 OpenFace의 구성 요소로 작업하여 얼굴 인식, 정렬 및 변형 기능을 구현하십시오 감시, 신원 확인, 가상 현실, 게임 및 반복 고객 확인과 같은 Realworld 응용 프로그램에 OpenFace를 적용하십시오 청중 개발자 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 .
21 시간
강사가 진행되는이 실습에서 참가자는 실제 응용 프로그램을 만드는 과정에서 R을 사용하는 기계 학습을위한 고급 기술을 학습합니다 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다 하이퍼 파라미터 튜닝 및 심층 학습으로 기술 사용 자율 학습 기술 이해 및 구현 더 큰 응용 프로그램에서 사용할 수 있도록 모델을 제작에 적용하십시오 청중 개발자 애널리스트 데이터 과학자 코스 형식 파트 강의, 파트 토론, 연습 및 무거운 핸드 슨 연습 .
14 시간
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 시간
기계 학습은 컴퓨터가 명시 적으로 프로그래밍되지 않고 학습 할 수있는 인공 지능의 한 분야입니다. 딥 학습은 신경망과 같은 데이터 표현 및 구조를 학습하는 방법을 사용하는 기계 학습의 하위 분야입니다. R은 금융 산업에서 널리 사용되는 프로그래밍 언어입니다. 핵심 거래 프로그램에서부터 리스크 관리 시스템에 이르는 금융 애플리케이션에 사용됩니다. 강사가 진행하는이 실시간 교육에서 참가자는 R 학습을 통해 심층 학습 주가 예측 모델을 작성하면서 금융에 대한 심층 학습 모델을 구현하는 방법을 학습합니다. 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다.
- 깊은 학습의 기본 개념 이해
- 금융 분야에서의 심층 학습의 응용 및 용도에 대해 배웁니다.
- R을 사용하여 재무에 대한 심층적 인 학습 모델 작성
- R을 사용하여 자신의 깊은 학습 주가 예측 모델을 구축하십시오.
- 개발자
- 데이터 과학자
- 파트 강의, 파트 토론, 연습 및 무거운 실무 연습
28 시간
Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability.
In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model.
By the end of this training, participants will be able to:
- Understand the fundamental concepts of deep learning
- Learn the applications and uses of deep learning in banking
- Use Python, Keras, and TensorFlow to create deep learning models for banking
- Build their own deep learning credit risk model using Python
- Developers
- Data scientists
- Part lecture, part discussion, exercises and heavy hands-on practice
28 시간
기계 학습은 컴퓨터가 명시 적으로 프로그래밍되지 않고 학습 할 수있는 인공 지능의 한 분야입니다. 딥 학습은 신경 네트워크와 같은 데이터 표현 및 구조를 학습하는 방법을 사용하는 기계 학습의 하위 분야입니다. R은 금융 산업에서 널리 사용되는 프로그래밍 언어입니다. 핵심 거래 프로그램에서부터 리스크 관리 시스템에 이르는 금융 애플리케이션에 사용됩니다. 강사가 진행하는이 실습에서 참가자는 심층 학습 신용 위험 모델을 작성하면서 R을 사용하여 은행 업무를위한 심층 학습 모델을 구현하는 방법을 배웁니다. 이 훈련이 끝나면 참가자는 다음을 할 수 있습니다.
- 깊은 학습의 기본 개념 이해
- 은행 업무에서의 심층 학습의 응용과 용도를 배우십시오.
- R을 사용하여 은행 업무를위한 심층 학습 모델 생성
- R을 사용하여 자신의 깊은 학습 신용 위험 모델을 구축하십시오.
- 개발자
- 데이터 과학자
- 파트 강의, 파트 토론, 연습 및 무거운 실무 연습
Last Updated:
Other countries
Consulting
주말DL (Deep Learning)코스, 밤의심층 학습트레이닝, 심층 학습부트 캠프, Deep Learning (DL) 강사가 가르치는, 주말Deep Learning (DL)교육, 밤의심층 학습과정, DL (Deep Learning)코칭, 심층 학습강사, Deep Learning (DL)트레이너, DL (Deep Learning)교육 과정, Deep Learning (DL)클래스, 심층 학습현장, DL (Deep Learning)개인 강좌, Deep Learning (DL)1 대 1 교육
