Pokročilé modely strojového učení s Google Colab Počítačový Kurz

Tato instruktorem vedená živá školení v České republice (online nebo na místě) je zaměřena na datové vědce a softwarové inženýry, kteří chtějí použít AdaBoost ke vytváření boostovacích algoritmů pro strojové učení s Pythonem.

Na konci tohoto školení budou účastníci schopni:

• Nastavit nezbytné vývojové prostředí pro začátek vytváření modelů strojového učení s AdaBoost.
• Pochopit přístup založený na agregaci a jak implementovat adaptivní boostování.
• Naučit se, jak vytvářet modely AdaBoost k posílení algoritmů strojového učení v Pythonu.
• Používat optimalizaci hyperparametrů pro zvýšení přesnosti a výkonu modeleů AdaBoost.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce i na méně technické osoby, které chtějí používat Auto-Keras k automatizaci procesu výběru a optimalizace modelu strojového učení.

Na konci tohoto školení budou účastníci schopni:

• Automatizujte proces trénování vysoce účinných modelů strojového učení.
• Automaticky vyhledávejte nejlepší parametry pro modely hlubokého učení.
• Vytvářejte vysoce přesné modely strojového učení.
• Využijte sílu strojového učení k řešení skutečných obchodních problémů.

Toto vedení instruktorem, živé školení (online nebo na místě) je určeno technickým účastníkům s předchozími znalostmi strojového učení, kteří chtějí optimalizovat modely pro detekci komplexních vzorů v big data pomocí rámce AutoML.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na účastníky s různou úrovní odbornosti, kteří chtějí využít platformu Google AutoML k vytvoření přizpůsobených chatbotů pro různé aplikace.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základy vývoje chatbotů.
• Procházejte Google Cloud Platform a přejděte na AutoML.
• Připravte data pro trénování modelů chatbotů.
• Trénujte a vyhodnocujte vlastní modely chatbotů pomocí AutoML.
• Nasaďte a integrujte chatboty do různých platforem a kanálů.
• Sledujte a optimalizujte výkon chatbota v průběhu času.

Tento instruktorováné živé školení v České republice (online nebo na místě) poskytuje úvod do oblasti rozpoznávání vzorů a strojového učení. Dotýká se praktických aplikací ve statistice, informatice, zpracování signálů, počítačové vize, datovém miningu a bioinformatice.

Koncepci školení budou účastníci schopni:

• Použít klíčové statistické metody k rozpoznávání vzorů.
• Využít klíčové modely jako jsou neuronové sítě a jádrové metody pro analýzu dat.
• Implementovat pokročilé techniky pro řešení komplexních problémů.
• Zlepšit přesnost predikce kombinací různých modelů.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce a datové analytiky, kteří chtějí automatizovat, vyhodnocovat a spravovat prediktivní modely pomocí schopností strojového učení DataRobot.

Na konci tohoto školení budou účastníci schopni:

• Načtěte datové sady v DataRobot pro analýzu, hodnocení a kontrolu kvality dat.
• Vytvářejte a trénujte modely pro identifikaci důležitých proměnných a splnění předpovědních cílů.
• Interpretujte modely a vytvořte cenné poznatky, které jsou užitečné při obchodních rozhodnutích.
• Monitorujte a spravujte modely pro udržení optimalizovaného výkonu predikce.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, datové analytiky a vývojáře, kteří chtějí prozkoumat AutoML produkty a funkce k vytvoření a nasazení vlastních školicích modelů ML s minimálním úsilím.

Na konci tohoto školení budou účastníci schopni:

• Prozkoumejte produktovou řadu AutoML a implementujte různé služby pro různé typy dat.
• Připravte a označte datové sady pro vytvoření vlastních modelů ML.
• Trénujte a spravujte modely, abyste mohli vytvářet přesné a spravedlivé modely strojového učení.
• Vytvářejte předpovědi pomocí vyškolených modelů, abyste splnili obchodní cíle a potřeby.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře a datové vědce, kteří chtějí vytvářet, nasazovat a spravovat pracovní postupy strojového učení na Kubernetes.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Kubeflow na místě a v cloudu pomocí AWS EKS (Elastic Kubernetes Service).
• Vytvářejte, nasazujte a spravujte pracovní postupy ML založené na Docker kontejnerech a Kubernetes.
• Spusťte celé kanály strojového učení na různých architekturách a cloudových prostředích.
• Použití Kubeflow k vytvoření a správě poznámkových bloků Jupyter.
• Vytvářejte školení ML, ladění hyperparametrů a obsluhu úloh na více platformách.

Toto instruktorem vedené živé školení (online nebo na místě) je určeno inženýrům, kteří se chtějí naučit nasazovat pracovní úlohy strojového učení na AWS EC2 serveru.

Na konci tohoto školení budou účastníci schopni:

• Nainstalovat a nakonfigurovat Kubernetes, Kubeflow a ostatní potřebný software na AWS.
• Používat EKS (Elastic Kubernetes Service) k zjednodušení inicializace clusteru Kubernetes na AWS.
• Vytvářet a nasazovat Kubernetes pipeline pro automatizaci a správu ML modelů v produkčním prostředí.
• Trénovat a nasazovat TensorFlow ML modely napříč více GPU a počítači běžícími paralelně.
• Využívat jiné spravované služby AWS k rozšíření aplikace ML.

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí jít nad rámec vytváření modelů ML a optimalizovat proces vytváření, sledování a nasazení modelu ML.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte MLflow a související knihovny a rámce ML.
• Oceňujte důležitost sledovatelnosti, reprodukovatelnosti a rozmístitelnosti modelu ML
• Nasaďte modely ML na různé veřejné cloudy, platformy nebo místní servery.
• Škálujte proces nasazení ML tak, aby vyhovoval více uživatelům spolupracujícím na projektu.
• Nastavte centrální registr pro experimentování s modely ML, jejich reprodukci a nasazení.

Toto vedené školení (online nebo na místě) je určeno pro vyvíjače, kteří chtějí použít Google ML Kit ke vytváření modelů strojového učení optimalizovaných pro zpracování na mobilních zařízeních.

Na konci tohoto školení budou účastníci schopni:

• Nastavit nezbytné vývojové prostředí pro začátek vytváření funkcí strojového učení pro mobilní aplikace.
• Integrovat nové technologie strojového učení do aplikací pro Android a iOS pomocí rozhraní API ML Kit. 
• Zlepšit a optimalizovat stávající aplikace pomocí sady SDK ML Kit pro zpracování a nasazení na zařízeních.

Pattern Matching je technika používaná k nalezení specifikovaných vzorů v obraze. Může být použit k určení existence specifikovaných charakteristik v pořízeném snímku, například očekávaný štítek na vadném produktu v tovární lince nebo specifikované rozměry součásti. Liší se od „Pattern Recognition“ (který rozpoznává obecné vzory založené na větších kolekcích příbuzných vzorků) v tom, že konkrétně určuje, co hledáme, a pak nám říká, zda očekávaný vzor existuje nebo ne.

Formát kurzu

• Tento kurz seznamuje s přístupy, technologiemi a algoritmy používanými v oblasti porovnávání vzorů, jak se vztahuje na Machine Vision.

Toto vedené školení na míste (online nebo na místě) je určeno datovým vědcům a softwarovým inženýrům, kteří chtějí použít Random Forest pro vytváření algoritmů strojového učení na velkých datech.

Na konci tohoto školení budou účastníci schopni:

• Nastavit potřebné vývojové prostředí pro začátek s vytvářením modelů strojového učení pomocí Random Forest.
• Pochopit výhody Random Forest a jak ho implementovat k řešení problémů klasifikace a regrese.
• Seznámit se s tím, jak pracovat s velkými daty a interpretovat několik rozhodovacích stromů v Random Forest.
• Posoudit a optimalizovat výkon modelu strojového učení úpravou hyperparametrů.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé datové analytiky, kteří se chtějí naučit používat RapidMiner k odhadování a projektování hodnot a využívat analytické nástroje pro prognózování časových řad.

Na konci tohoto školení budou účastníci schopni:

• Naučte se používat metodologii CRISP-DM, vyberte vhodné algoritmy strojového učení a vylepšete konstrukci a výkon modelu.
• Použijte RapidMiner k odhadu a projektování hodnot a použijte analytické nástroje pro prognózování časových řad.

RapidMiner je open source softwarová platforma pro vědu o datech pro rychlé prototypování a vývoj aplikací. Zahrnuje integrované prostředí pro přípravu dat, strojové učení, hluboké učení, dolování textu a prediktivní analytiku.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat RapidMiner Studio pro přípravu dat, strojové učení a nasazování prediktivních modelů.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte RapidMiner
• Připravte a vizualizujte data pomocí RapidMiner
• Ověřte modely strojového učení
• Mashup dat a vytváření prediktivních modelů
• Operacionalizujte prediktivní analytiku v rámci obchodního procesu
• Odstraňování problémů a optimalizace RapidMiner

Publikum

• Datoví vědci
• Inženýři
• Vývojáři

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

Poznámka

• Chcete-li požádat o školení na míru pro tento kurz, kontaktujte nás a domluvíme se.