Návrh Školení

Úvod

Základy umělé inteligence a Machine Learning

Pochopení Deep Learning

    Přehled základních pojmů hlubokého učení Rozlišování mezi Machine Learning a hlubokým učením Přehled aplikací pro hluboké učení

Přehled Neural Networks

    Co jsou Neural Networks Neural Networks vs regresní modely Pochopení matematických základů a výukových mechanismů Konstrukce umělé neuronové sítě Pochopení neuronových uzlů a spojení Práce s neurony, vrstvami a vstupními a výstupními daty Pochopení perceptronů na jedné vrstvě Rozdíly mezi řízeným a nekontrolovaným učením s výukou and Feedback Neural Networks Porozumění dopřednému šíření a zpětnému šíření Porozumění dlouhodobé krátkodobé paměti (LSTM) Zkoumání opakujícího se Neural Networks v praxi Zkoumání konvolučního Neural Networks v praxi Zlepšení způsobu Neural Networks Učte se

Přehled technik hlubokého učení používaných v Telecom

    Neuronové sítě Zpracování přirozeného jazyka Rozpoznávání obrazu Speech Recognition Analýza sentimentu

Zkoumání případových studií Deep Learning pro Telecom

    Optimalizace směrování a kvality služeb prostřednictvím analýzy síťového provozu v reálném čase Předpovídání selhání sítě a zařízení, výpadků, přepětí poptávky atd. Analýza hovorů v reálném čase za účelem identifikace podvodného chování Analýza chování zákazníků za účelem identifikace poptávky po nových produktech a službách Zpracování velkého objemu SMS Zprávy pro získání statistik Speech Recognition pro volání podpory Konfigurace SDN a virtualizovaných sítí v reálném čase

Pochopení výhod hlubokého učení pro Telecom

Prozkoumání různých knihoven hlubokého učení pro Python

    TensorFlow Těžko

Nastavení Pythonu pomocí TensorFlow pro hluboké učení

    Instalace TensorFlow Python API Testování instalace TensorFlow Nastavení TensorFlow pro vývojářské školení Váš první TensorFlow model neuronové sítě

Nastavení Python s Keras pro hluboké učení

Vytváření jednoduchých modelů hlubokého učení pomocí Keras

    Vytvoření modelu Keras Pochopení vašich dat Specifikace vašeho modelu hlubokého učení Kompilace vašeho modelu Přizpůsobení vašeho modelu Práce s vašimi klasifikačními daty Práce s klasifikačními modely pomocí vašich modelů

Práce s TensorFlow pro Deep Learning pro Telecom

    Příprava dat Stahování dat Příprava tréninkových dat Příprava testovacích dat Škálování vstupů pomocí zástupných symbolů a proměnných
Určení architektury sítě
  • Použití funkce nákladů
  • Použití Optimalizátoru
  • Použití inicializátorů
  • Montáž neuronové sítě
  • Vytváření závěru grafu
  • Ztráta
  • Výcvik
  • Školení modelu Graf
  • Zasedání
  • Vlaková smyčka
  • Vyhodnocení modelu Vytvoření Eval grafu
  • Vyhodnocení s výstupem Eval
  • Tréninkové modely ve Scale
  • Vizualizace a vyhodnocování modelů pomocí TensorBoard
  • Praktické: Vytvoření modelu předpovědi odchodu zákazníků s hlubokým učením pomocí Python
  • Rozšíření schopností vaší společnosti
  • Vývoj modelů v cloudu pomocí GPU k urychlení hlubokého učení Použití hlubokého učení Neural Networks pro počítačové vidění, rozpoznávání hlasu a analýzu textu
  • Shrnutí a závěr
  • Požadavky

    • Zkušenosti s programováním Python
    • Obecná znalost telekomunikačních konceptů
    • Základní znalost statistiky a matematických pojmů

    Publikum

    • Vývojáři
    • Datoví vědci
      28 hodiny
     

    Počet účastníků


    Začátek

    Konec


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Reference (5)

    Související kurzy

    Související kategorie