Machine Learning for Business and AI Systems Počítačový Kurz
Machine Learning je výkonný AI-číhaný nástroj používaný k posílení rozhodování podniku, automatizaci procesů a generování datově podložených předpisů.
Tato instruktážní školení (online nebo na místě) je určeno středně pokročilým odborníkům v oblasti podnikání a technologií, kteří chtějí použít metody strojového učení k řešení skutečných problémů podniku pomocí praktických případových studií a ručních nástrojů.
Konec tohoto školení budou účastníci schopni:
- Pochopit, jak se strojové učení vejde do moderních AI systémů a strategií podniku.
- Identifikovat vhodné metody strojového učení pro různé problémy podniku.
- Předzpracovávat a transformovat data podniku pro úkoly strojového učení.
- Aplikovat základní techniky strojového učení jako je klasifikace, regrese, shlukování a prognózy časových řad.
- Interpretovat a hodnotit modely strojového učení v kontextu rozhodování podniku.
- Získat praxi prostřednictvím případových studií a aplikovat naučené techniky do praktických scénářů.
Formát kurzu
- Interaktivní přednáška a diskuse.
- Mnoho cvičení a praxe.
- Ruční implementace v prostředí živé laboratoře.
Možnosti individualizace kurzu
- Pro požadavek na individualizované školení tohoto kurzu, prosím kontaktujte nás pro uspořádání.
Návrh Školení
Vstup do Machine Learning v Business
- Studium strojového učení jako základního složky umělé inteligence
- Druhy strojového učení: nadzorované, nenadzorované, reforční a půlnadzorované
- Běžné algoritmy ML používané v obchodních aplikacích
- Výzvy, rizika a potenciální uplatnění ML v AI
- Přetrenování a kompromis mezi biasem a variací
Techniky a Pracovní Postup Machine Learning
- Kyklus Machine Learning: od problému k nasazení
- Klasifikace, regrese, shlukování, detekce anomálií
- Čas použití nadzorovaného vs. nenadzorovaného učení
- Pochopení reforčního učení v automatizaci podniku
- Zvážení při rozhodování založeném na ML
Preprocessing Dat a Inženýrství Vlastností
- Příprava dat: nahrávání, čištění, transformace
- Inženýrství vlastností: kódování, transformace, tvorba
- Škálování vlastností: normalizace, standardizace
- Změna dimenzionality: PCA, výběr proměnných
- Explorační analýza dat a vizualizace obchodních dat
Případové Studie v Aplikacích Business
- Pokročilé inženýrství vlastností pro zlepšení predikce pomocí lineární regrese
- Analýza časových řad a prognózy měsíčního objemu prodeje: sezónní úpravy, regrese, exponenciální vyrovnávání, ARIMA, neuronové sítě
- Analýza segmentace pomocí shlukování a samoorganizujících se map
- Analýza košíků nákupů a vytváření pravidel asociací pro zisky ve obchodě
- Klasifikace zákaznického defaktu pomocí logistické regrese, rozhodovacích stromů, XGBoost, SVM
Souhrn a Další Kroky
Požadavky
- Základní pochopení konceptů a terminologie strojového učení
- Znalost analýzy dat nebo práce s datovými soubory
- Nějaké zkušenosti s programovacím jazykem (např. Python) jsou prospěšné, ale nejsou povinné
Cílová skupina
- Business analytici a odborníci na data
- Rozhodovatelé zainteresovaní v přijetí umělé inteligence
- Odborníci v IT, kteří zkoumají aplikace strojového učení ve firmách
Open Training Courses require 5+ participants.
Machine Learning for Business and AI Systems Počítačový Kurz - Booking
Machine Learning for Business and AI Systems Počítačový Kurz - Enquiry
Reference (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurz - Kubeflow
Upcoming Courses
Související kurzy
AdaBoost Python for Machine Learning
14 hodinyToto 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.
AutoML with Auto-Keras
14 hodinyToto 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.
AutoML
14 hodinyToto 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.
Creating Custom Chatbots with Google AutoML
14 hodinyToto 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.
Pattern Recognition
21 hodinyThis instructor-led, live training in České republice (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
- Apply core statistical methods to pattern recognition.
- Use key models like neural networks and kernel methods for data analysis.
- Implement advanced techniques for complex problem-solving.
- Improve prediction accuracy by combining different models.
DataRobot
7 hodinyToto 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.
Data Mining with Weka
14 hodinyToto 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.
Google Cloud AutoML
7 hodinyToto 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.
Kubeflow
35 hodinyToto 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.
MLflow
21 hodinyToto 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.
Machine Learning for Mobile Apps using Google’s ML Kit
14 hodinyToto 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
14 hodinyPattern 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.
Machine Learning with Random Forest
14 hodinyToto 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.
Advanced Analytics with RapidMiner
14 hodinyToto 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 for Machine Learning and Predictive Analytics
14 hodinyRapidMiner 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.