Online Machine Learning Training in České republice

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky na úrovni profesionálů, kteří chtějí porozumět konceptu předem vyškolených modelů a naučit se je používat k řešení problémů v reálném světě bez vytváření modelů z poškrábat.

Na konci tohoto školení budou účastníci schopni:

• Pochopte koncept a výhody předem vyškolených modelů.
• Prozkoumejte různé předem trénované architektury modelů a jejich případy použití.
• Vylaďte předem trénovaný model pro konkrétní úkoly.
• Implementujte předem trénované modely v jednoduchých projektech 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 instruktorův trénink v České republice (online nebo na místě) je určen pro středně pokročilé AI vývojáře, inženýry strojového učení a architekty systémů, kteří chtějí optimalizovat AI modely pro nasazení na hraniční zařízení.

Po absolvování tohoto tréninku budou účastníci moci:

• Porozumět výzvám a požadavkům nasazování AI modelů na hraniční zařízení.
• Používat techniky kompresi modelu pro zmenšení velikosti a složitosti AI modelů.
• Využívat kvantizační metody k posílení efektivity modelu na hraničním hardware.
• Implementovat odstraňování a další optimalizační techniky pro zlepšení výkonu modelu.
• Nasazovat optimalizované AI modely na různá hraniční zařízení.

Tento instruktorově řízený živý školení v České republice (online nebo na místním místě) je určen pro středně pokročilé vývojáře, datové vědce a fanoušky technologií, kteří chtějí získat praktické dovednosti ve vývoji AI modelů pro nasazení na okrajových zařízeních s různými aplikacemi.

Po absolvování tohoto školení budou účastníci moci:

• Porozumět principům okrajové AI a jejím výhodám.
• Nastavit a konfigurovat prostředí pro okrajové výpočty.
• Vytvářet, školení a optimalizace AI modelů pro nasazení na okraj.
• Implementovat praktické AI řešení na okrajových zařízeních.
• Hodnotit a zlepšovat výkon nasazených modelů na okraji.
• Zodpovědět etické a bezpečnostní aspekty aplikací Edge AI.

Tento instruktorův živý kurz v České republice (online nebo na místě) je určen pro pokročilé profesionály, kteří chtějí ovládnout technologie za autonомními systémy.

Po ukončení tohoto kurzu budou účastníci schopni:

• Navrhnout a implementovat AI modely pro autonómí rozhodování.
• Vytvářet ovládací algoritmy pro autonomní navigaci a vyhýbání se překážkám.
• Zajišťovat bezpečnost a spolehlivost v AI-podporovaných autonómích systémech.
• Integrace autonómích systémů s existujícími robotickými a AI rámci.

Tento instruktážní, živý kurz v České republice (online nebo na místě) je určen pro pokročilé profesionály, kteří chtějí posílit své znalosti strojového učení, zlepšit své dovednosti v optimalizaci hyperparametrů a naučit se efektivně nasazovat modely pomocí Google Colab.

Po ukončení tohoto kurzu budou účastníci schopni:

• Implementovat pokročilé modely strojového učení pomocí populárních frameworků jako je Scikit-learn a TensorFlow.
• Optimalizovat výkon modelu prostřednictvím tuningu hyperparametrů.
• Nasazovat modely strojového učení ve skutečných aplikacích pomocí Google Colab.
• Spolupracovat a spravovat velká projekta strojového učení v prostředí Google Colab.

Tento instruktorův živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé odborníky, kteří chtějí použít techniky umělé inteligence ke optimalizaci správy výnosu v výrobě polovodičů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Analyzovat produkční data pro identifikaci faktorů ovlivňujících výnosy.
• Implementovat algoritmy umělé inteligence ke zlepšení procesů správy výnosu.
• Optimalizovat produkční parametry k snížení chyb a zlepšení výnosů.
• Integrace umělou inteligencí řízené správy výnosu do stávajících produkčních pracovních postupů.

Umělá inteligence a strojové učení jsou rychle se vyvíjející technologie s významnými implikacemi pro správu dat a organizační soulad.

Toto školení vedené instruktorem (online nebo prezenčně) je určeno středně pokročilým odborníkům na správu, ochranu soukromí a soulad, kteří chtějí porozumět tomu, jak implementovat robustní praktiky správy informací v prostředích používajících umělou inteligenci a strojové učení.

Na konci tohoto školení budou účastníci schopni:

• Porozumět klíčovým pojmům umělé inteligence a strojového učení v kontextu správy informací.
• Identifikovat běžné oblasti, kde jsou technologie AI/ML nasazeny v organizacích a související rizika v oblasti správy informací (IG).
• Posoudit, jak se AI/ML vztahuje ke Zásadám ochrany osobních údajů, správě dokumentů a kvalitě dat.
• Aplikovat hodnocení dopadu na soukromí (DPIAs), rámce správy a přístupy k zmírňování rizik v projektech AI/ML.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Příklady z praxe a analýza rámce.
• Skupinové aktivity a vedené procházení dokumentů.

Možnosti přizpůsobení kurzu

• Pro požadavek na přizpůsobené školení se obraťte na nás pro uspořádání.

Tento instruktážní, živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé odborníky z oblasti podnikání a umělé inteligence, kteří chtějí použít strojové učení v podnikání, prognózách a systémech řízených umělou inteligencí s využitím skutečných případů a nástrojů založených na Pythonu.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět, jak se strojové učení vejde do umělé inteligence a podnikatelské strategie.
• Používat techniky řízeného a neurčitého učení pro strukturovaná podnikatelská problémy.
• Předzpracovávat a transformovat data pro modelování.
• Používat neuronové sítě pro úlohy klasifikace a predikce.
• Provádět prognózy prodeje pomocí statistických metod a metod založených na strojovém učení.
• Implementovat shlukování a výzkum pravidel asociací pro segmentaci zákazníků a objevování vzorů.

Tento instruktorův živý kurz v České republice (online nebo na místě) je určen pro pokročilé profesionály, kteří chtějí aplikovat aktuální AI techniky do automatisace návrhu polovodivových čipů, zlepšující efektivitu, přesnost a inovativní aspekty v návrhu a ověřování čipů.

Po ukončení tohoto kurzu budou účastníci schopni:

• Aplikovat pokročilé AI techniky pro optimalizaci procesů návrhu polovodivových čipů.
• Integrativní připojit modely strojového učení do EDA nástrojů pro zlepšené ověřování návrhů.
• Vytvářet AI podporované řešení pro komplexní výzvy v výrobě čipů.
• Využívat neuronové sítě k zlepšení přesnosti a rychlosti automatisace návrhů.

Tento instruktorům vedený živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé profesionály, kteří chtějí porozumět a aplikovat techniky umělé inteligence pro optimalizaci procesů výroby polovodičových čipů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět metodologiím umělé inteligence pro optimalizaci procesů výroby čipů.
• Implementovat modely umělé inteligence pro zlepšení úrody a snížení vad.
• Analyzovat data o procesech k identifikaci klíčových parametrů pro optimalizaci.
• Používat techniky strojového učení k preciznímu nastavení procesů výroby polovodičů.

Toto instruktorem vedené živé školení v České republice (online nebo na místě) je zaměřeno na účastníky středně pokročilé úrovně, kteří chtějí automatizovat a spravovat pracovní postupy strojového učení, včetně tréninku modelů, validace a nasazení pomocí Apache Airflow.

Na konci tohoto školení budou účastníci schopni:

• Nastavit Apache Airflow pro orchestraci pracovních postupů strojového učení.
• Automatizovat úkoly předzpracování dat, tréninku modelů a validace.
• Integrovat Airflow s rámci a nástroji pro strojové učení.
• Nasadit modely strojového učení pomocí automatizovaných kanálů.
• Monitorovat a optimalizovat pracovní postupy strojového učení v produkci.

Tento instruktorův vedený,živý trénink (online nebo na místě) je zaměřen na středně pokročilé datové vědce a programátory, kteří chtějí efektivně aplikovat algoritmy strojového učení pomocí prostředí Google Colab.

Konec tréninku budou účastníci schopni:

• Nastavit a orientovat se v prostředí Google Colab pro projekty strojového učení.
• Pochopit a aplikovat různé algoritmy strojového učení.
• Použít knihovny jako Scikit-learn pro analýzu a predikci dat.
• Implementovat modely supervizovaného a nesupervizovaného učení.
• Efektivně optimalizovat a vyhodnotit modely strojového učení.

Tato vedená instruktorem, živá školení v České republice (online nebo na místě) je určená datovým vedcům a vývojářům, kteří chtějí použít modely strojového učení ML.NET k automatickému odvozování projekcí z provedených analýz dat pro podnikové aplikace.

Na konci tohoto školení budou účastníci schopni:

• Nainstalovat ML.NET a integrovat ho do vývojového prostředí aplikací.
• Chápat principy strojového učení za algoritmy a nástroje ML.NET.
• Vytvářet a trénovat modely strojového učení k provedení předpovědí s poskytnutými daty efektivně.
• Hodnotit výkon modelu strojového učení pomocí metrik ML.NET.
• Optimalizovat přesnost stávajících modelů strojového učení na základě frameworku ML.NET.
• Používat koncepty strojového učení ML.NET v jiných aplikacích datové analýzy.

Toto školení vedené instruktorem a probíhající v České republice (online nebo na místě) je určeno prodatelsky zaměřeným datovým profesionálům střední úrovně, kteří chtějí použít techniky strojového učení na problémy založené na datech, včetně prognóz prodeje a prediktivního modelování pomocí neuronových sítí.

Na konci tohoto školení budou účastníci schopni:

• Chápat základní pojętí a typy strojového učení.
• Používat klíčové algoritmy pro klasifikaci, regresi, shlukovou analýzu a asociativní analýzy.
• Provádět explorativní analýzy dat a přípravu dat pomocí Pythonu.
• Používat neuronové sítě pro nelineární modelovací úkoly.
• Implementovat prediktivní analýzy pro obchodní prognózy, včetně dat o prodeji.
• Evaluovat a optimalizovat výkon modelů pomocí vizuálních a statistických technik.

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

Tento instruktorově vedený, živý kurz v České republice (online nebo na místním pracovišti) je určen pro středně pokročilé a pokročilé odborníky na kybernetickou bezpečnost, kteří chtějí rozšířit své dovednosti v oblasti AI-založeného detekce hrozeb a reakce na incidenty.

Do konce tohoto kurzu budou účastníci schopni:

• Implementovat pokročilé AI algoritmy pro detekci hrozeb v reálném čase.
• Prizpůsobit AI modely specifickým výzvám kybernetické bezpečnosti.
• Vytvořit automatizační pracovní postupy pro reakci na hrozby.
• Ochránit AI-založená bezpečnostní nástroje před protivými útoky.

Tento instruktážní, živý školení v České republice (online nebo na místě) je určen pro začínající odborníky v oblasti kybernetické bezpečnosti, kteří chtějí naučit se, jak využít umělou inteligenci k zlepšení schopností detekce a reakce na hrozby.

Po absolvování tohoto školení budou účastníci schopni:

• Pochopit aplikace umělé inteligence v kybernetické bezpečnosti.
• Implementovat AI algoritmy pro detekci hrozeb.
• Automatizovat odpovědnost za incidenty pomocí nástrojů umělé inteligence.
• Integrace umělé inteligence do stávající infrastruktury kybernetické bezpečnosti.

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 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.

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.

Cílem tohoto kurzu je poskytnout základní dovednosti při uplatňování Machine Learning metod v praxi. Prostřednictvím používání Python programovacího jazyka a jeho různých knihoven a na základě mnoha praktických příkladů se tento kurz učí, jak používat nejdůležitější stavební bloky Machine Learning, jak činit data modelování rozhodnutí, interpretovat výstupy algoritmů a validovat výsledky.

Naším cílem je poskytnout vám dovednosti k pochopení a důvěryhodnému používání nejzákladnějších nástrojů z nástrojové krabice Machine Learning a vyhnout se běžným úderům aplikací Data Science.

Cílem tohoto kurzu je poskytnout obecné znalosti v aplikaci metod strojového učení v praxi. Pomocí programovacího jazyka Python a jeho různých knihoven a na základě množství praktických příkladů tento kurz učí, jak používat nejdůležitější stavební bloky strojového učení, jak se rozhodovat o datovém modelování, interpretovat výstupy algoritmy a ověřovat výsledky.

Naším cílem je poskytnout vám dovednosti, abyste rozuměli a používali nejzákladnější nástroje z Machine Learning sady nástrojů s jistotou a vyhnuli se běžným nástrahám aplikací Data Sciences.

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 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.

Tento kurz bude kombinací teorie a praktické práce s konkrétními příklady použitými v průběhu akce.

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 inženýry, kteří chtějí použít techniky inženýrství funkcí k lepšímu zpracování dat a dosažení lepších modelů strojového učení.

Na konci tohoto školení budou účastníci schopni:

• Nastavte optimální vývojové prostředí, včetně všech potřebných Python balíčků.
• Získejte důležité poznatky analýzou funkcí sady dat.
• Optimalizujte modely strojového učení úpravou samotných nezpracovaných dat.
• Vyčistěte a transformujte datové sady v rámci přípravy na strojové učení.

Strojové učení je větví umělé inteligence, ve které počítače mají schopnost se učit bez explicitního programování.

Hluboké učení (Deep learning) je podoborem strojového učení, které využívá metody založené na učení reprezentací a strukturách jako jsou neuronové sítě.

Python je vysokou úrovňový programovací jazyk proslulý svou čitelnou syntaxí a kódem.

V tomto instruktorem vedeném, živém tréninku se účastníci naučí implementovat modely hlubokého učení pro telekomunikace pomocí Pythonu, zatímco postupují při vytváření modelu kreditního rizika.

Na konci tohoto tréninku budou účastníci schopni:

• Porozumět fundamentálním konceptům hlubokého učení.
• Naučit se aplikace a použití hlubokého učení v telekomunikacích.
• Použít Python, Keras a TensorFlow k vytváření modelů hlubokého učení pro telekomunikace.
• Vytvořit svůj vlastní model předpovědi zákaznické rotace pomocí Pythonu.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Množství cvičení a praktické praxe.
• Praktická implementace v živé laboratoři.

Možnosti přizpůsobení kurzu

• Pro požadavek na přizpůsobený trénink pro tento kurz, prosím kontaktujte nás k zajištění.

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.

Tento kurz je určený pro lidi, kteří již mají základní znalosti v oblasti datové analýzy a statistiky. Vysvětlení jsou navržena tak, aby sloužila buď jako připomenutí těm, kteří s koncepty již jsou obeznámeni, nebo informace pro ty, kteří mají vhodný základ.

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 v České republice (online nebo na místě) je zaměřeno na inženýry, kteří chtějí nasadit Machine Learning pracovní zátěže na server AWS EC2.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Kubernetes, Kubeflow a další potřebný software na AWS.
• Použijte EKS (Elastic Kubernetes Service) ke zjednodušení práce s inicializací clusteru Kubernetes na AWS.
• Vytvořte a nasaďte kanál Kubernetes pro automatizaci a správu modelů ML v produkci.
• Trénujte a nasazujte TensorFlow modely ML na více GPU a paralelně běžících počítačích.
• Využijte další spravované služby AWS k rozšíření aplikace ML.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na inženýry, kteří chtějí nasadit Machine Learning úlohy do cloudu Azure.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Kubernetes, Kubeflow a další potřebný software v Azure.
• Použijte Azure Kubernetes Service (AKS) ke zjednodušení práce s inicializací clusteru Kubernetes v Azure.
• Vytvořte a nasaďte kanál Kubernetes pro automatizaci a správu modelů ML v produkci.
• Trénujte a nasazujte TensorFlow modely ML na více GPU a paralelně běžících počítačích.
• Využijte další spravované služby AWS k rozšíření aplikace ML.

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.
• 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.

Machine Learning je odvětví umělé inteligence, kde počítače mají schopnost učit se, aniž by byly výslovně naprogramovány. Python je programovací jazyk známý svou jasnou syntaxí a čitelností. Nabízí vynikající sbírku dobře otestovaných knihoven a technik pro vývoj aplikací strojového učení.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak aplikovat techniky a nástroje strojového učení pro řešení reálných problémů v bankovním průmyslu.

Účastníci se nejprve naučí klíčové principy, poté své znalosti uplatní v praxi tím, že vytvoří vlastní modely strojového učení a použijí je k dokončení řady týmových projektů.

Publikum

• Vývojáři
• Datoví vědci

Formát kurzu

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

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na technické osoby, které se chtějí naučit implementovat strategii strojového učení a zároveň maximalizovat využití velkých dat.

Na konci tohoto školení účastníci:

• Pochopte vývoj a trendy strojového učení.
• Zjistěte, jak se strojové učení používá v různých odvětvích.
• Seznamte se s nástroji, dovednostmi a službami dostupnými pro implementaci strojového učení v rámci organizace.
• Pochopte, jak lze strojové učení využít ke zlepšení dolování a analýzy dat.
• Zjistěte, co je to datový střední backend a jak jej používají podniky.
• Pochopte, jakou roli hrají velká data a inteligentní aplikace napříč odvětvími.

Tento školicí kurz je určen pro lidi, kteří by chtěli uplatnit Machine Learning v praktických aplikacích pro svůj tým. Školení se nebude ponořit do technických záležitostí a bude se točit kolem základních konceptů a jejich obchodních/provozních aplikací.

Cílová skupina

Investoři a podnikatelé v oblasti umělé inteligence Manažeři a inženýři, jejichž společnost se pouští do prostoru umělé inteligence Business Analysts & Investors

Strojové učení je odvětví umělé inteligence, kde počítače mají schopnost učit se, aniž by byly explicitně naprogramovány. Python je programovací jazyk známý svou jasnou syntaxí a čitelností. Nabízí vynikající sbírku dobře otestovaných knihoven a technik pro vývoj aplikací strojového učení.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat techniky a nástroje strojového učení pro řešení skutečných problémů ve finančním průmyslu.

Účastníci se nejprve naučí klíčové principy, poté své znalosti uplatní v praxi tím, že vytvoří vlastní modely strojového učení a použijí je k dokončení řady týmových projektů.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základní koncepty strojového učení
• Naučte se aplikace a využití strojového učení ve financích
• Vyvinout vlastní algoritmickou obchodní strategii pomocí strojového učení s Python

Publikum

• Vývojáři
• Datoví vědci

Formát kurzu

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

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.

Tento školicí kurz je určen pro lidi, kteří chtějí aplikovat základní Machine Learning techniky v praktických aplikacích.

Publikum

Datoví vědci a statistici, kteří mají určité znalosti o strojovém učení a vědí, jak programovat R. Důraz tohoto kurzu je kladen na praktické aspekty přípravy dat/modelu, provádění, post hoc analýzy a vizualizace. Účelem je poskytnout praktický úvod do strojového učení účastníkům se zájmem o aplikaci metod v práci

Aby bylo školení relevantní pro publikum, používají se příklady specifické pro daný sektor.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat sadu technologií iOS Machine Learning (ML) při vytváření a nasazení mobilní aplikace pro iOS.

Na konci tohoto školení budou účastníci schopni:

Vytvořte mobilní aplikaci schopnou zpracování obrazu, analýzy textu a rozpoznávání řeči Získejte přístup k předtrénovaným modelům ML pro integraci do aplikací pro iOS Vytvořte si vlastní model ML Přidejte podporu Siri Voice do aplikací pro iOS Pochopte a používejte rámce jako coreML, Vision, CoreGraphics a GamePlayKit Používejte jazyky a nástroje jako Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda a Spyder

Publikum

Vývojáři

Formát kurzu

Část přednáška, část diskuse, cvičení a těžké praktické cvičení

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.

Tento instruktážní živý školení na místě nebo online (v závislosti na lokalitě České republice) je určen pro středně pokročilé odborníky v oblasti podnikání a technologií, kteří chtějí použít metody strojového učení k řešení skutečných podnikatelských výzv prostřednictvím praktických případových studií a nástrojů.

Koncem tohoto školení budou účastníci schopni:

• Pochopit, jak se strojové učení zapojuje do moderních AI systémů a podnikatelských strategií.
• Identifikovat vhodné metody strojového učení pro různé podnikatelské problémy.
• Předzpracovávat a transformovat podnikatelská data pro úlohy strojového učení.
• Aplikovat základní techniky strojového učení, jako je klasifikace, regrese, shlukování a predikce časových řad.
• Interpretovat a hodnotit modely strojového učení v kontextu podnikatelské rozhodovací procesy.
• Získat praktický zážitek prostřednictvím případových studií a aplikovat naučené techniky do skutečných scénářů.

Tento kurz představuje metody strojového učení v aplikacích pro robotiku.

Poskytuje široký přehled stávajících metod, motivací a hlavních myšlenek v kontextu rozpoznávání vzorů.

Po krátkém teoretickém základu budou účastníci provádět jednoduché cvičení pomocí open source (obvykle R) nebo jakýchkoli jiných populárních softwarů.

Tento instruktorův kurz vedený živě na místě nebo online je určen pro středně pokročilé analytiky dat, vývojáře nebo aspirující data scientisti, kteří chtějí použít techniky strojového učení v Python na extrakci přínosů, predikce a automatizaci rozhodování založeného na datech.

Koncem tohoto kurzu budou účastníci schopni:

• Pochopit a rozlišovat klíčové paradigmat strojového učení.
• Prozkoumat techniky předzpracování dat a metriky hodnocení modelů.
• Zapouštět algoritmy strojového učení pro řešení skutečných problémů s daty.
• Používat knihovny Python a Jupyter notebooky pro praktický vývoj.
• Vytvářet modely pro predikci, klasifikaci, doporučení a shlukování.

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.

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.