Wprowadzenie do modeli wstępnie wytrenowanych - Plan Szkolenia

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi oraz inżynierów oprogramowania, którzy chcą używać AdaBoost do budowania algorytmów wzmacniających w uczeniu maszynowym z wykorzystaniem Pythona.

Pod koniec szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne do budowania modeli uczenia maszynowego z użyciem AdaBoost.
• Zrozumieć podejście uczenia zespołowego oraz sposób implementacji adaptacyjnego wzmacniania.
• Nauczyć się budować modele AdaBoost w celu wzmocnienia algorytmów uczenia maszynowego w Pythonie.
• Wykorzystać strojenie hiperparametrów, aby zwiększyć dokładność i wydajność modeli AdaBoost.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do data scientistów, którzy chcą wykorzystać ekosystem Anaconda do przechwytywania, zarządzania i wdrażania pakietów oraz przepływów pracy analizy danych na jednej platformie.

Pod koniec szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować komponenty i biblioteki Anaconda.
• Zrozumieć podstawowe koncepcje, funkcje i korzyści Anaconda.
• Zarządzać pakietami, środowiskami i kanałami za pomocą Anaconda Navigator.
• Korzystać z pakietów Conda, R i Python do nauki danych i uczenia maszynowego.
• Poznać praktyczne przypadki użycia i techniki zarządzania wieloma środowiskami danych.

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

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Automatyzować proces szkolenia wysoce efektywnych modeli uczenia maszynowego.
• Automatycznie wyszukiwać najlepsze parametry dla modeli głębokiego uczenia.
• Budować wysoce dokładne modele uczenia maszynowego.
• Wykorzystywać moc uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do uczestników technicznych z doświadczeniem w dziedzinie uczenia maszynowego, którzy chcą optymalizować modele do wykrywania złożonych wzorców w dużych zbiorach danych przy użyciu frameworków AutoML.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do uczestników o różnym poziomie zaawansowania, którzy chcą wykorzystać platformę AutoML firmy Google do tworzenia niestandardowych chatbotów na różne zastosowania.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy tworzenia chatbotów.
• Poruszać się po Google Cloud Platform i uzyskiwać dostęp do AutoML.
• Przygotowywać dane do trenowania modeli chatbotów.
• Trenować i oceniać niestandardowe modele chatbotów za pomocą AutoML.
• Wdrażać i integrować chatboty na różnych platformach i kanałach.
• Monitorować i optymalizować wydajność chatbotów w czasie.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) wprowadza w dziedzinę rozpoznawania wzorców i uczenia maszynowego. Porusza praktyczne zastosowania w statystyce, informatyce, przetwarzaniu sygnałów, przetwarzaniu obrazów, eksploracji danych i bioinformatyce.

Pod koniec szkolenia uczestnicy będą mogli:

• Stosować podstawowe metody statystyczne w rozpoznawaniu wzorców.
• Wykorzystywać kluczowe modele, takie jak sieci neuronowe i metody jądrowe, do analizy danych.
• Implementować zaawansowane techniki rozwiązywania złożonych problemów.
• Poprawiać dokładność predykcji poprzez łączenie różnych modeli.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu), jest skierowane do naukowców zajmujących się danymi i analityków danych, którzy chcą automatyzować, oceniać i zarządzać modelami predykcyjnymi przy użyciu możliwości uczenia maszynowego DataRobot.

Pod koniec szkolenia uczestnicy będą mogli:

• Wczytywać zbiory danych w DataRobot w celu analizy, oceny i kontroli jakości danych.
• Tworzyć i trenować modele w celu identyfikacji ważnych zmiennych i osiągania celów predykcyjnych.
• Interpretować modele, aby tworzyć wartościowe wnioski przydatne w podejmowaniu decyzji biznesowych.
• Monitorować i zarządzać modelami w celu utrzymania zoptymalizowanej wydajności predykcyjnej.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, analityków danych oraz programistów, którzy chcą poznać produkty i funkcje AutoML, aby z minimalnym wysiłkiem tworzyć i wdrażać niestandardowe modele treningowe ML.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Poznać linię produktów AutoML, aby wdrażać różne usługi dla różnych typów danych.
• Przygotować i oznaczyć zbiory danych, aby tworzyć niestandardowe modele ML.
• Trenować i zarządzać modelami, aby tworzyć dokładne i sprawiedliwe modele uczenia maszynowego.
• Dokonywać prognoz przy użyciu wytrenowanych modeli, aby spełniać cele i potrzeby biznesowe.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi i programistów, którzy chcą się uczyć i rozwijać swoje kariery w dziedzinie Data Science przy użyciu Kaggle.

Pod koniec szkolenia uczestnicy będą mogli:

• Poznać zagadnienia związane z nauką o danych i uczeniem maszynowym.
• Eksplorować analizy danych.
• Poznać Kaggle i sposób jego działania.

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

Po zakończeniu szkolenia uczestnicy będą w stanie:

• Skonfigurować niezbędne środowisko programistyczne do tworzenia funkcji uczenia maszynowego dla aplikacji mobilnych.
• Zintegrować nowe technologie uczenia maszynowego w aplikacjach na Androida i iOS za pomocą API ML Kit. 
• Ulepszać i optymalizować istniejące aplikacje za pomocą SDK ML Kit do przetwarzania i wdrażania na urządzeniach.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi oraz programistów, którzy chcą wykorzystać Modin do budowania i implementowania równoległych obliczeń z Pandas w celu szybszej analizy danych.

Pod koniec szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko do rozpoczęcia tworzenia przepływów pracy w Pandas na dużą skalę z wykorzystaniem Modin.
• Zrozumieć funkcje, architekturę i zalety Modin.
• Poznać różnice między Modin, Dask i Ray.
• Wykonywać operacje w Pandas szybciej z wykorzystaniem Modin.
• Implementować całe API i funkcje Pandas.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi oraz inżynierów oprogramowania, którzy chcą wykorzystać Random Forest do budowania algorytmów uczenia maszynowego dla dużych zbiorów danych.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne do rozpoczęcia budowania modeli uczenia maszynowego z wykorzystaniem Random Forest.
• Zrozumieć zalety Random Forest oraz jak go zaimplementować, aby rozwiązywać problemy klasyfikacji i regresji.
• Nauczyć się zarządzać dużymi zbiorami danych oraz interpretować wiele drzew decyzyjnych w Random Forest.
• Oceniać i optymalizować wydajność modelu uczenia maszynowego poprzez dostrajanie hiperparametrów.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do analityków danych na poziomie średniozaawansowanym, którzy chcą nauczyć się, jak używać RapidMiner do szacowania i prognozowania wartości oraz wykorzystywać narzędzia analityczne do prognozowania szeregów czasowych.

Pod koniec szkolenia uczestnicy będą mogli:

• Nauczyć się stosować metodologię CRISP-DM, wybierać odpowiednie algorytmy uczenia maszynowego oraz poprawiać konstrukcję i wydajność modeli.
• Wykorzystać RapidMiner do szacowania i prognozowania wartości oraz korzystać z narzędzi analitycznych do prognozowania szeregów czasowych.

RapidMiner to otwarta platforma programowa do nauki o danych, przeznaczona do szybkiego prototypowania i rozwoju aplikacji. Zawiera zintegrowane środowisko do przygotowywania danych, uczenia maszynowego, uczenia głębokiego, analizy tekstu i analizy predykcyjnej. 

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

Pod koniec szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować RapidMiner
• Przygotować i wizualizować dane za pomocą RapidMiner
• Weryfikować modele uczenia maszynowego
• Integrować dane i tworzyć modele predykcyjne
• Wdrażać analizę predykcyjną w procesach biznesowych
• Rozwiązywać problemy i optymalizować RapidMiner

Odbiorcy

• Analitycy danych
• Inżynierowie
• Programiści

Format kursu

• Część wykładowa, część dyskusyjna, ćwiczenia i intensywna praktyka

Uwaga

• Aby zamówić dostosowane szkolenie dla tego kursu, prosimy o kontakt w celu uzgodnienia.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi oraz programistów, którzy chcą wykorzystać RAPIDS do budowania zoptymalizowanych pod kątem GPU potoków danych, przepływów pracy i wizualizacji, stosując algorytmy uczenia maszynowego, takie jak XGBoost, cuML itp.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Skonfigurować niezbędne środowisko programistyczne do budowania modeli danych z wykorzystaniem NVIDIA RAPIDS.
• Zrozumieć funkcje, komponenty i zalety RAPIDS.
• Wykorzystać GPU do przyspieszenia kompleksowych potoków danych i analizy.
• Wdrożyć przygotowanie danych i ETL zoptymalizowane pod kątem GPU z wykorzystaniem cuDF i Apache Arrow.
• Nauczyć się wykonywać zadania uczenia maszynowego z algorytmami XGBoost i cuML.
• Tworzyć wizualizacje danych i przeprowadzać analizę grafów z wykorzystaniem cuXfilter i cuGraph.