Machine Learning on iOS Training Course

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce a softwarové inženýry, kteří chtějí použít AdaBoost k vytvoření posilovacích algoritmů pro strojové učení s Python.

Na konci tohoto školení budou účastníci schopni:

• Nastavte potřebné vývojové prostředí, abyste mohli začít vytvářet modely strojového učení pomocí AdaBoost.
• Pochopte přístup k souborovému učení a jak implementovat adaptivní posilování.
• Přečtěte si, jak sestavit modely AdaBoost pro posílení algoritmů strojového učení v Python.
• Použijte ladění hyperparametrů ke zvýšení přesnosti a výkonu AdaBoost modelů.

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 živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na technické osoby se zkušenostmi v oblasti strojového učení, které chtějí optimalizovat modely strojového učení používané pro detekci složitých vzorů ve velkých datech.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a vyhodnoťte různé open source AutoML nástroje (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA atd.)
• Trénujte vysoce kvalitní modely strojového učení.
• Efektivně řešte různé typy problémů strojového učení pod dohledem.
• Napište pouze nezbytný kód pro zahájení procesu automatického strojového učení.

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 začátečníky až středně pokročilé datové analytiky a datové vědce, kteří chtějí používat Weka k provádění úloh dolování dat.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Weka.
• Pochopte Weka prostředí a pracovní plochu.
• Provádějte úlohy dolování dat pomocí Weka.

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 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 živé školení vedené instruktorem (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí používat Google's ML Kit k vytváření modelů strojového učení, které jsou optimalizovány pro zpracování na mobilních zařízeních.

Na konci tohoto školení budou účastníci schopni:

• Nastavte potřebné vývojové prostředí, abyste mohli začít vyvíjet funkce strojového učení pro mobilní aplikace.
• Integrujte nové technologie strojového učení do Android a iOS aplikací pomocí ML Kit API.
• Vylepšete a optimalizujte stávající aplikace pomocí ML Kit SDK pro zpracování a nasazení na zařízení.

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 živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce a softwarové inženýry, kteří chtějí používat Random Forest k vytváření algoritmů strojového učení pro velké datové sady.

Na konci tohoto školení budou účastníci schopni:

• Nastavte potřebné vývojové prostředí, abyste mohli začít vytvářet modely strojového učení s náhodnou doménovou strukturou.
• Pochopte výhody Random Forest a jak jej implementovat k vyřešení problémů klasifikace a regrese.
• Naučte se, jak zacházet s velkými datovými sadami a interpretovat více rozhodovacích stromů v Random Forest.
• Vyhodnoťte a optimalizujte výkon modelu strojového učení vyladěním 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.