Návrh Školení

Úvod do aplikovaného Machine Learning

    Statistické učení vs. strojové učení Iterace a vyhodnocení Kompromis odchylky a odchylky Kontrolované vs. Nekontrolované učení Problémy řešené pomocí Machine Learning Tréninkový ověřovací test – pracovní postup ML, aby se zabránilo přeplnění Pracovní postup Machine Learning Algoritmy strojového učení Výběr vhodného algoritmu pro daný problém

Vyhodnocení algoritmu

    Vyhodnocení numerických predikcí Míry přesnosti: ME, MSE, RMSE, MAPE Stabilita parametrů a predikce
Hodnocení klasifikačních algoritmů Přesnost a její problémy
  • Matice zmatku
  • Problém nevyvážených tříd
  • Vizualizace výkonnosti modelu Křivka zisku
    • ROC křivka
  • Křivka zdvihu
  • Výběr modelu
  • Ladění modelu – grid search strategie
    • Příprava dat pro modelování
  • Import a ukládání dat Pochopit data – základní průzkumy Manipulace s daty s knihovnou pand Transformace dat – Data wrangling Průzkumná analýza Chybějící pozorování – detekce a řešení Odlehlé hodnoty – detekce a strategie Standardizace, normalizace, binarizace Kvalitativní překódování dat
  • Algoritmy strojového učení pro detekci odlehlých hodnot

    • Řízené algoritmy KNN Ensemble Gradient Boosting SVM

      Algoritmy bez dozoru Na základě vzdálenosti

    Metody založené na hustotě

      Pravděpodobnostní metody
    Metody založené na modelu
  • 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 učebních 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 Výuka and Feedback Neural Networks Porozumění dopřednému šíření a zpětnému šíření

    • 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 hluboké učení

      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
  • Aplikace Deep Learning při detekci anomálií
  • Autoencoder Encoder - Decoder Architecture Reconstruction loss
    • Variační Autencoder Variační inference
  • Generative Adversarial Network Generator – architektura diskriminátoru
  • Přístupy k AN pomocí GAN
    • Ensemble Frameworks
  • Kombinování výsledků z různých metod Bootstrap Agregování Průměrování odlehlého skóre
  •  

    • Požadavky

    • Zkušenosti s programováním Python
    • Základní znalost statistiky a matematických pojmů

    Publikum

    • Vývojáři
    • Datoví vědci
     28 hodiny

    Počet účastníků



    Price per participant

    Open Training Courses require 5+ participants.

    Související kurzy

    H2O AutoML

    14 hodiny

    H2O AutoML is an artificial intelligence platform that automates the process of building, selecting and optimizing large numbers of machine learning models.

    This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use H2O AutoML to automate the process of building and selecting the best machine learning algorithm and parameters.

    By the end of this training, participants will be able to:

    • Automate the machine learning workflow.
    • Automatically train and tune many machine learning models within a specified time range.
    • Train stacked ensembles to arrive at highly predictive ensemble models.

    Format of the Course

    • Interactive lecture and discussion.
    • Lots of exercises and practice.
    • Hands-on implementation in a live-lab environment.

    Course Customization Options

    • To request a customized training for this course, please contact us to arrange.
    Přečtěte si více...

    AutoML with Auto-sklearn

    14 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na praktiky strojového učení, kteří chtějí používat Auto-sklearn k automatizaci procesu výběru a optimalizace modelu strojového učení.

    Na konci tohoto školení budou účastníci schopni:

    • Automatizujte proces trénování vysoce účinných modelů strojového učení.
    • Vytvářejte vysoce přesné modely strojového učení a vyhýbejte se únavnějším úkolům výběru, školení a testování různých modelů.
    • Využijte sílu strojového učení k řešení skutečných obchodních problémů.
    Přečtěte si více...

    AutoML with Auto-Keras

    14 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce i 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.
    Přečtěte si více...

    Introduction to Stable Diffusion for Text-to-Image Generation

    21 hodiny

    Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, inženýry strojového učení a výzkumníky počítačového vidění, kteří chtějí využít Stable Diffusion k vytvoření vysoce kvalitních obrázků pro různé případy použití.

    Na konci tohoto školení budou účastníci schopni:

      Pochopte principy Stable Diffusion a jak to funguje pro generování obrázků. Vytvářejte a trénujte Stable Diffusion modely pro úlohy generování obrázků. Aplikujte Stable Diffusion na různé scénáře generování obrázků, jako je malování, překreslování a překlad z obrázku na obrázek. Optimalizujte výkon a stabilitu Stable Diffusion modelů.
    Přečtěte si více...

    Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

    21 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé datové vědce, inženýry strojového učení, výzkumníky hlubokého učení a odborníky na počítačové vidění, kteří si chtějí rozšířit své znalosti a dovednosti v oblasti hlubokého učení. pro generování textu na obrázek.

    Na konci tohoto školení budou účastníci schopni:

      Pochopte pokročilé architektury hlubokého učení a techniky pro generování textu na obrázek. Implementujte složité modely a optimalizace pro vysoce kvalitní syntézu obrazu. Optimalizujte výkon a škálovatelnost pro velké datové sady a složité modely. Vylaďte hyperparametry pro lepší výkon modelu a zobecnění. Integrujte Stable Diffusion s dalšími rámci a nástroji hlubokého učení
    Přečtěte si více...

    AlphaFold

    7 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na biology, kteří chtějí porozumět tomu, jak AlphaFold funguje, a používat modely AlphaFold jako průvodce ve svých experimentálních studiích.

    Na konci tohoto školení budou účastníci schopni:

    • Pochopit základní principy AlphaFold.
    • Přečtěte si, jak funguje AlphaFold.
    • Naučte se interpretovat AlphaFold předpovědi a výsledky.
    Přečtěte si více...

    TensorFlow Lite for Embedded Linux

    21 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí použít TensorFlow Lite k nasazení modelů hlubokého učení na vestavěných zařízeních.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte a nakonfigurujte Tensorflow Lite na vestavěném zařízení.
    • Porozumět základním konceptům a komponentám TensorFlow Lite.
    • Převeďte existující modely do formátu TensorFlow Lite pro spuštění na vestavěných zařízeních.
    • Pracujte v rámci omezení malých zařízení a TensorFlow Lite a zároveň se naučte, jak rozšířit rozsah operací, které lze provozovat.
    • Nasaďte model hlubokého učení na vestavěném zařízení se systémem Linux.
    Přečtěte si více...

    TensorFlow Lite for Android

    21 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí používat TensorFlow Lite k vývoji mobilních aplikací s možnostmi hlubokého učení.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte a nakonfigurujte TensorFlow Lite.
    • Pochopte principy TensorFlow, strojového učení a hlubokého učení.
    • Načtěte modely TensorFlow do zařízení Android.
    • Povolte v mobilní aplikaci funkce hlubokého učení a strojového učení, jako je počítačové vidění a rozpoznávání přirozeného jazyka.
    Přečtěte si více...

    Tensorflow Lite for Microcontrollers

    21 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na inženýry, kteří chtějí psát, načítat a spouštět modely strojového učení na velmi malých vestavěných zařízeních.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte TensorFlow Lite.
    • Nahrajte modely strojového učení do vestavěného zařízení, aby bylo možné detekovat řeč, klasifikovat obrázky atd.
    • Přidejte AI do hardwarových zařízení, aniž byste se spoléhali na síťové připojení.
    Přečtěte si více...

    TensorFlow Lite for iOS

    21 hodiny

    Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí používat TensorFlow Lite k vývoji mobilních aplikací pro iOS s možnostmi hlubokého učení.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte a nakonfigurujte TensorFlow Lite.
    • Pochopte principy TensorFlow a strojového učení na mobilních zařízeních.
    • Načtěte modely TensorFlow do zařízení iOS.
    • Spusťte aplikaci pro iOS schopnou detekovat a klasifikovat objekt zachycený prostřednictvím fotoaparátu zařízení.
    Přečtěte si více...

    Deep Learning Neural Networks with Chainer

    14 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na výzkumníky a vývojáře, kteří chtějí používat Chainer k budování a trénování neuronových sítí v Python a zároveň usnadňují ladění kódu.

    Na konci tohoto školení budou účastníci schopni:

    • Nastavte potřebné vývojové prostředí pro zahájení vývoje modelů neuronových sítí.
    • Definujte a implementujte modely neuronových sítí pomocí srozumitelného zdrojového kódu.
    • Provádějte příklady a upravujte stávající algoritmy, abyste optimalizovali tréninkové modely hlubokého učení a zároveň využili GPU pro vysoký výkon.
    Přečtěte si více...

    Distributed Deep Learning with Horovod

    7 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře nebo datové vědce, kteří chtějí používat Horovod ke spouštění distribuovaných školení hlubokého učení a jeho rozšíření tak, aby běželo paralelně na více GPU.

    Na konci tohoto školení budou účastníci schopni:

    • Nastavte potřebné vývojové prostředí, abyste mohli zahájit školení hlubokého učení.
    • Nainstalujte a nakonfigurujte Horovod pro trénování modelů pomocí TensorFlow, Keras, PyTorch a Apache MXNet.
    • Škálujte trénink hlubokého učení s Horovodem tak, aby běžel na více GPU.
    Přečtěte si více...

    Accelerating Deep Learning with FPGA and OpenVINO

    35 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí urychlit aplikace strojového učení v reálném čase a nasadit je ve velkém měřítku.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte sadu nástrojů OpenVINO.
    • Urychlete aplikaci počítačového vidění pomocí FPGA.
    • Proveďte různé vrstvy CNN na FPGA.
    • Škálujte aplikaci na více uzlech v clusteru Kubernetes.
    Přečtěte si více...

    Building Deep Learning Models with Apache MXNet

    21 hodiny

    Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí použít Apache MXNet k vytvoření a nasazení modelu hlubokého učení pro rozpoznávání obrázků.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte a nakonfigurujte Apache MXNet a jeho součásti.
    • Pochopte architekturu a datové struktury MXNet.
    • Používejte nízkoúrovňová a vysokoúrovňová rozhraní API Apache MXNet k efektivnímu vytváření neuronových sítí.
    • Vybudujte konvoluční neuronovou síť pro klasifikaci obrázků.
    Přečtěte si více...

    Deep Learning with Keras

    21 hodiny

    Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na technické osoby, které chtějí aplikovat model hlubokého učení na aplikace pro rozpoznávání obrázků.

    Na konci tohoto školení budou účastníci schopni:

    • Nainstalujte a nakonfigurujte Keras.
    • Rychle vytvořte prototyp modelů hlubokého učení.
    • Implementujte konvoluční síť.
    • Implementujte rekurentní síť.
    • Spusťte model hlubokého učení na CPU i GPU.
    Přečtěte si více...

    Související kategorie

    Image for Python category
    Python
    Image for Machine Learning category
    Machine Learning