Apache Airflow pro vědeckou práci s daty: Automatizace strojově učících se pipeline Počítačový Kurz

Toto školení vedené instruktorem v České republice (online či na místě) je určeno biologům, kteří chtějí porozumět principům fungování AlphaFoldu a používat jeho modely při svých výzkumech.

Na konci kurzu budou účastníci schopni:

• Pochopit základní principy AlphaFoldu.
• Porozumět mechanismům, na nichž systém pracuje.
• Umět interpretovat predikce a výsledky generované AlphaFoldem.

Toto živé školení vedené instruktorem (online či na místě) je určeno pro účastníky s různou úrovní znalostí, kteří chtějí využít nástroje Google AutoML k vytváření chatbotů určených k různým účelům.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základy tvorby chatbotů.
• Ovládat prostředí Google Cloud Platform a pracovat s nástrojem AutoML.
• Přípravit data potřebná k trénování modelů chatbotů.
• Trénovat a vyhodnocovat vlastní modely pomocí nástroje AutoML.
• Spouštět a integrovat chatboto do různých platforem a komunikačních kanálů.
• Průběžně sledovat a optimalizovat výkon chatbotů.

Toto živé školení pod vedením instruktora v České republice (online či na místě) poskytuje úvod do oblasti rozpoznávání vzorů a strojového učení. Zaměřuje se rovněž na praktické aplikace v statistice, informatice, zpracování signálů, počítačovém vidění, dolování dat a bioinformatice.

Po absolvování tohoto školení budou účastníci schopni:

• Používat základní statistické metody v kontextu rozpoznávání vzorů.
• Využívat důležité modely, jako jsou neuronové sítě a metody založené na jádrech k analýze dat.
• Aplikovat pokročilé techniky při řešení složitých úloh.
• Zvyšovat přesnost predikcí kombinací různých modelů.

Toto školení pod vedením instruktora (online nebo na místě) je určeno vývojářům, datovým analytikům a odborníkům na umělou inteligenci na středně pokročilé úrovni, kteří chtějí využít TensorFlow Lite pro realizaci projektů v oblasti Edge AI.

Po absolvování kurzu budou účastníci schopni:

• Pochopit základy fungování TensorFlow Lite a jeho roli při vývoji Edge AI modelů.
• Vytvářet a optimalizovat modely umělé inteligence pomocí TensorFlow Lite.
• Nasazovat modely TensorFlow Lite na různá okrajová zařízení.
• Využívat nástroje a postupy pro konverzi a optimalizaci modelů.
• Implementovat praktické aplikace v oblasti Edge AI s využitím TensorFlow Lite.

Tento kurš, vedený lektorem a probíhající živě v České republice (online nebo na místě), je určen vývojářům a data scientistům, kteří chtějí vytvářet, nasazovat a spravovat workflowy strojového učení v Kubernetes.

Na konci tohoto školení budou účastníci schopni:

• Instalovat a konfigurovat Kubeflow v lokálních (on-premise) i cloudových prostředích.
• Vytvářet, nasazovat a spravovat workflowy ML postavené na Docker kontejnerech a Kubernetes.
• Spouštět celé pipeline strojového učení na různých architekturách a v cloudových prostředích.
• Používat Kubeflow ke generování a správě Jupyter notebooků.
• Vytvářet zátěže pro trénink ML, ladění hyperparametrů a poskytování služeb (serving) napříč více platformami.

Toto školení vedené lektorem v České republice (online nebo prezenčně) je určeno pro analytiky dat středně pokročilé úrovně, kteří se chtějí naučit používat RapidMiner k odhadování a projekci hodnot a k využívání analytických nástrojů pro predikci časových řad.

Po absolvování tohoto kurzu budou účastníci schopni:

• Naučit se aplikovat metodiku CRISP-DM, vybírat vhodné algoritmy strojového učení a zlepšovat tvorbu i výkonnost modelů.
• Využívat RapidMiner k odhadování a projekci hodnot a k aplikaci analytických nástrojů pro předpovídání časových řad.

Tento výcvik pod vedením lektora v reálném čase v České republice (online nebo na místě) je určen pokročilým odborníkům, kteří chtějí prozkoumat špičkové techniky XAI pro modely hlubokého učení se zaměřením na tvorbu srozumitelných systémů AI.

Po ukončení tohoto kurzu budou účastníci schopni:

• Pochopit obtíže spojené s vysvětlitelností v hlubokém učení.
• Aplikovat pokročilé techniky XAI na neuronové sítě.
• Interpretovat rozhodnutí přijímaná modely hlubokého učení.
• Vyhodnotit kompromisy mezi výkonem a transparentností.