Machine Learning and AI with ML.NET - Plan Szkolenia

To prowadzone przez instruktora szkolenie w trybie Polsce (online lub na miejscu) jest skierowane do naukowców danych i inżynierów oprogramowania, którzy chcą wykorzystać AdaBoost do budowy algorytmów boostingowych dla uczenia maszynowego z użyciem Pythona.

Po ukończeniu tego szkolenia uczestnicy będą w stanie:

• Zainstalować niezbędne środowisko rozwojowe do budowy modeli uczenia maszynowego z AdaBoost.
• Zrozumieć podejście uczenia zespołowego oraz jak wdrożyć adaptacyjny boosting.
• Nauczyć się budowy modeli AdaBoost w celu wzmacniania algorytmów uczenia maszynowego w Pythonie.
• Używać optymalizacji hiperparametrów do zwiększania dokładności i wydajności modeli AdaBoost.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, a także osób mniej technicznych, które chcą używać Auto-Keras do automatyzacji procesu wyboru i optymalizacji modelu uczenia maszynowego.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zautomatyzować proces szkolenia wysoce wydajnych modeli uczenia maszynowego.
• Automatycznie wyszukiwać najlepsze parametry dla modeli głębokiego uczenia.
• Tworzyć bardzo dokładne modele uczenia maszynowego.
• Wykorzystywać możliwości uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest skierowane do osób technicznych z doświadczeniem w uczeniu maszynowym, które chcą zoptymalizować modele uczenia maszynowego używane do wykrywania złożonych wzorców w dużych zbiorach danych.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla uczestników o różnym poziomie wiedzy, którzy chcą wykorzystać platformę Google AutoML do tworzenia niestandardowych chatbotów do różnych zastosowań.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawy rozwoju chatbota.
• Poruszać się po platformie Google Cloud Platform i uzyskiwać dostęp do AutoML.
• Przygotowywać dane do trenowania modeli chatbotów.
• Trenować i oceniać niestandardowe modele chatbotów przy użyciu AutoML.
• Wdrażanie i integrowanie chatbotów z różnymi platformami i kanałami.
• Monitorowanie i optymalizacja wydajności chatbota w czasie.

To ten szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Dotyka ono praktycznych zastosowań w statystyce, informatyce, przetwarzaniu sygnałów, komputerowym rozpoznawaniu wzorców, górnictwie danych i bioinformatyce.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zastosować podstawowe metody statystyczne do rozpoznawania wzorców.
• Wykorzystać kluczowe modele, takie jak sieci neuronowe i metody jąder do analizy danych.
• Wdrożyć zaawansowane techniki do rozwiązywania złożonych problemów.
• Poprawić dokładność prognoz łącząc różne modele.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla analityków danych i analityków danych, którzy chcą zautomatyzować, oceniać i zarządzać modelami predykcyjnymi przy użyciu możliwości uczenia maszynowego DataRobot.

Pod koniec tego szkolenia uczestnicy będą mogli

• Ładować zbiory danych w DataRobot, aby analizować, oceniać i sprawdzać jakość danych.
• Budować i trenować modele w celu identyfikacji ważnych zmiennych i osiągnięcia celów predykcyjnych.
• Interpretować modele w celu tworzenia cennych spostrzeżeń przydatnych w podejmowaniu decyzji biznesowych.
• Monitorowanie i zarządzanie modelami w celu utrzymania zoptymalizowanej wydajności przewidywania.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych analityków danych i naukowców zajmujących się danymi, którzy chcą używać Weka do wykonywania zadań eksploracji danych.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Weka.
• Zrozumieć środowisko Weka i środowisko pracy.
• Wykonywać zadania eksploracji danych przy użyciu Weka.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, analityków danych i programistów, którzy chcą poznać AutoML produkty i funkcje do tworzenia i wdrażania niestandardowych modeli szkoleniowych ML przy minimalnym wysiłku.

Pod koniec tego szkolenia uczestnicy będą mogli

• Eksplorować linię produktów AutoML w celu wdrożenia różnych usług dla różnych typów danych.
• Przygotowywać i etykietować zestawy danych w celu tworzenia niestandardowych modeli ML.
• Trenować i zarządzać modelami w celu tworzenia dokładnych i uczciwych modeli uczenia maszynowego.
• Tworzyć prognozy przy użyciu wytrenowanych modeli, aby spełnić cele i potrzeby biznesowe.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego w Kubernetes.

Po zakończeniu tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Kubeflow na miejscu i w chmurze za pomocą AWS EKS (Elastic Kubernetes Service).
• Budować, wdrażać i zarządzać przepływami pracy ML w oparciu o kontenery Docker i Kubernetes.
• Uruchamianie całych potoków uczenia maszynowego w różnych architekturach i środowiskach chmurowych.
• Używanie Kubeflow do tworzenia i zarządzania notatnikami Jupyter.
• Tworzenie szkoleń ML, dostrajanie hiperparametrów i obsługiwanie obciążeń na wielu platformach.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza budowanie modeli ML i zoptymalizować proces tworzenia, śledzenia i wdrażania modeli ML.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować MLflow oraz powiązane biblioteki i frameworki ML.
• Docenić znaczenie możliwości śledzenia, odtwarzania i wdrażania modelu ML.
• Wdrażać modele ML na różnych chmurach publicznych, platformach lub serwerach lokalnych.
• Skalowanie procesu wdrażania uczenia maszynowego, aby pomieścić wielu użytkowników współpracujących nad projektem.
• Skonfigurowanie centralnego rejestru w celu eksperymentowania, odtwarzania i wdrażania modeli uczenia maszynowego.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do programistów, którzy chcą wykorzystać Google’s ML Kit do budowania modeli uczenia maszynowego optymalizowanych do przetwarzania na urządzeniach mobilnych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Ustawić niezbędne środowisko rozwoju do rozpoczęcia tworzenia funkcji uczenia maszynowego dla aplikacji mobilnych.
• Integrować nowe technologie uczenia maszynowego w aplikacje Android i iOS za pomocą API ML Kit.
• Poprawiać i optymalizować istniejące aplikacje za pomocą SDK ML Kit do przetwarzania i wdrażania na urządzeniu.

Pattern Matching to technika używana do lokalizowania określonych wzorców na obrazie. Może być używana do określenia istnienia określonych cech w przechwyconym obrazie, na przykład oczekiwanej etykiety na wadliwym produkcie w linii produkcyjnej lub określonych wymiarów komponentu. Różni się od "Pattern Recognition" (który rozpoznaje ogólne wzorce w oparciu o większe zbiory powiązanych próbek) tym, że konkretnie określa, czego szukamy, a następnie mówi nam, czy oczekiwany wzorzec istnieje, czy nie.

Format kursu

• Kurs ten wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest przeznaczone dla naukowców ds. danych i inżynierów oprogramowania, którzy chcą używać Random Forest do budowania algorytmów uczenia maszynowego dla dużych zbiorów danych.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Skonfigurować niezbędne środowisko programistyczne do rozpoczęcia budowania modeli uczenia maszynowego z Random Forest.
• Zrozumieć zalety Random Forest i jak go wdrożyć, aby rozwiązać problemy klasyfikacji i regresji.
• Nauczyć się obsługi dużej ilości danych i interpretacji wielu drzew decyzyjnych w Random Forest.
• Oceniać i optymalizować wydajność modeli uczenia maszynowego przez dostrajanie hiperparametrów.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych analityków danych, którzy chcą dowiedzieć się, jak używać RapidMiner do szacowania i prognozowania wartości oraz wykorzystywania narzędzi analitycznych do prognozowania szeregów czasowych.

Pod koniec tego szkolenia uczestnicy będą mogli

• Nauczyć się stosować metodologię CRISP-DM, wybierać odpowiednie algorytmy uczenia maszynowego oraz ulepszać konstrukcję i wydajność modelu.
• Używać RapidMiner do szacowania i prognozowania wartości oraz wykorzystywać narzędzia analityczne do prognozowania szeregów czasowych.

RapidMiner to platforma oprogramowania do nauki o danych typu open source do szybkiego prototypowania i rozwoju aplikacji. Obejmuje zintegrowane środowisko do przygotowywania danych, uczenia maszynowego, głębokiego uczenia, eksploracji tekstu i analizy predykcyjnej.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z RapidMiner Studio do przygotowywania danych, uczenia maszynowego i wdrażania modeli predykcyjnych.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować RapidMiner
• Przygotowywać i wizualizować dane za pomocą RapidMiner
• Walidować modele uczenia maszynowego
• Mashup danych i tworzenie modeli predykcyjnych
• Operacjonalizować analitykę predykcyjną w ramach procesu biznesowego
• Rozwiązywanie problemów i optymalizacja RapidMiner

Odbiorcy

• Naukowcy zajmujący się danymi
• Inżynierowie
• Programiści

Format kursu

• Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna

Uwaga

• Aby poprosić o niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.