Online vzdělávání Machine Learning v České republice

Tento kurz s instruktorem, probíhající živě v České republice (online nebo na místě), je určen začínajícím profesionálům, kteří si chtějí osvojit koncept předtrénovaných modelů a naučit se je prakticky využít k řešení reálných problémů bez nutnosti stavět modely od nuly.

Po dokončení kurzu budou účastníci schopni:

• Pochopit koncept a výhody předtrénovaných modelů.
• Seznámit se s různými architekturami předtrénovaných modelů a jejich využitím.
• Dalším laděním upravit předtrénované modely pro konkrétní úkoly.
• Využít předtrénované modely v jednoduchých projektech strojového učení.

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 školení pod vedením lektora České republice (online nebo na místě) je určeno pro AI vývojáře, odborníky na strojové učení a systémové architekty se středně pokročilými znalostmi, kteří chtějí optimalizovat AI modely pro nasazení na okraji sítě.

Po absolvování kurzu budou účastníci schopni:

• Pochopit výzvy a požadavky spojené s nasazením AI modelů na zařízeních na okraji sítě.
• Využívat techniky komprese modelů ke snížení jejich velikosti a složitosti.
• Používat metody kvantizace k zvýšení efektivity modelů na okrajovém hardwaru.
• Aplikovat techniky odstranění nepotřebných částí modelu a další optimalizační postupy ke zlepšení jejich výkonu.
• Nasazovat optimalizované AI modely na různá zařízení nacházející se na okraji sítě.

Tento instruktorem vedený živý školicí program v České republice (online nebo na místě) je určen vývojářům střední úrovně, data scientistům a nadšeným technickým entuziastům, kteří si chtějí osvojit praktické dovednosti v nasazování AI modelů na edge zařízení pro různé aplikace.

Na konci tohoto školení budou účastníci schopni:

• Pochopit principy Edge AI a jejich výhody.
• Nastavit a nakonfigurovat prostředí pro edge výpočet.
• Vyvíjet, trénovat a optimalizovat AI modely pro nasazení na edge.
• Implementovat praktická AI řešení na edge zařízeních.
• Hodnotit a zlepšovat výkon modelů nasazených na edge.
• Zohlednit etické a bezpečnostní aspekty v aplikacích Edge AI.

Toto školení pod vedením instruktora České republice (online či na místě) je určeno pro zkušené inženýry AI a datové vědce, kteří si přejí zvýšit výkonnost modelů DeepSeek, minimalizovat latenci a efektivně nasazovat řešení umělé inteligence s využitím moderních postupů MLOps.

Po absolvování tohoto kurzu budou účastníci schopni:

• Optimalizovat modely DeepSeek z hlediska efektivity, přesnosti a škálovatelnosti.
• Aplikovat osvědčené postupy v oblasti MLOps a správy verzí modelů.
• Nasazovat modely DeepSeek jak do cloudových, tak i lokálních prostředí.
• Efektivně monitorovat, udržovat a škálovat řešení založená na umělé inteligenci.

Toto školení vedené instruktorem v oblasti České republice vybaví pokročilé profesionály dovednostmi pro navrhování, optimalizaci a nasazování kompletních TinyML potrubí. Účastníci se naučí sbírat data, trénovat nízkoproudé modely a testovat reálné aplikace pomocí praktických laboratoří.

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.

Toto školení pod vedením lektora v <lok> (online nebo na místě) je určeno pro odborníky s pokročilými znalostmi, kteří si chtějí osvojit technologie stojící za autonomními systémy.

Po absolvování tohoto kurzu budou účastníci schopni:

• Navrhnout a implementovat AI modely pro autonomní rozhodování.
• Vyvinout řídicí algoritmy určené k autonomní navigaci a vyhýbání se překážkám.
• Zajistit bezpečnost a spolehlivost AI řízených autonomních systémů.
• Integrovat autonomní systémy s již existujícími robotickými a AI rámci.

Toto živé školení pod vedením instruktora České republice (online nebo na místě) je určeno profesionálům na pokročilé úrovni, kteří si chtějí prohloubit znalosti v oblasti počítačového vidění a seznámit se s možnostmi TensorFlow při tvorbě sofistikovaných modelů za pomoci Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vytvářet a trénovat konvoluční neurální sítě (CNN) pomocí TensorFlow.
• Využívat Google Colab k škálovatelnému a efektivnímu vývoji modelů v cloudovém prostředí.
• Aplikovat techniky předzpracování obrazu při řešení úloh počítačového vidění.
• Nasazovat modely počítačového vidění do reálných aplikací.
• Využívat přenosové učení ke zvýšení výkonnosti modelů CNN.
• Vizualizovat a interpretovat výsledky modelů určených k klasifikaci obrazu.

Toto školení vedené instruktorem v České republice umožňuje pokročilým profesionálům zabezpečit pipeline TinyML na edge zařízeních. Naučíte se implementovat techniky chránící soukromí, zvýšit odolnost modelů vůči adversariálním hrozbám a uplatnit nejlepší postupy pro bezpečné zpracování dat v omezených prostředích.

Toto praktické školení pod vedením lektora (online nebo na místě) je určeno pokročilým profesionálům, kteří si chtějí prohloubit znalosti o modelech strojového učení, zdokonalit dovednosti v ladění parametrů a naučit se efektivně nasazovat modely pomocí nástroje Google Colab.

Po absolvování kurzu budou účastníci schopni:

• Vytvářet pokročilé modely strojového učení s využitím populárních nástrojů jako Scikit-learn a TensorFlow.
• Optimalizovat výkon modelů prostřednictvím ladění jejich parametrů.
• Nasazovat modely strojového učení do praktických aplikací pomocí Google Colab.
• Spolupracovat na rozsáhlých projektech v oblasti strojového učení a spravovat je v prostředí Google Colab.

Tento kurz pod vedením instruktora v České republice (online nebo prezenčně) je určen pro profesionály střední úrovně, kteří chtějí uplatnit metody umělé inteligence při optimalizaci řízení výtěžnosti ve výrobě polovodičů.

Po absolvování kurzu budou účastníci schopni:

• Analyzovat výrobní data za účelem identifikace faktorů ovlivňujících výtěžnost.
• Implementovat algoritmy umělé inteligence pro zdokonalení procesů řízení výtěžnosti.
• Optimalizovat výrobní parametry tak, aby se snížil počet vad a zvýšila se výtěžnost.
• Integrovat systémy řízení výtěžnosti s podporou umělé inteligence do stávajících výrobních procesů.

Toto školení vedené instruktorem České republice (online či prezenčně) je určeno pro profesionály ze střední úrovně z oblasti obchodu a umělé inteligence, kteří chtějí využívat strojové učení při řešení obchodních výzev, prognózování i tvorbě systémů s využitím skutečných případových studií a nástrojů založených na jazyce Python.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit, jak se strojové učení zařazuje do rámce umělé inteligence a obchodní strategie.
• Aplikovat techniky učení s učitelem i bez učitele na strukturované obchodní problémy.
• Předzpracovávat a transformovat data pro potřeby modelování.
• Využívat neuronové sítě k zařazování do kategorií a predikci výsledků.
• Provádět prognózování prodeje pomocí statistických metod i modelů strojového učení.
• Implementovat techniky seskupování a těžbu asociačních pravidel za účelem segmentace zákazníků a objevování vzorců chování.

Tento kurz veden instruktorem v <lok> (online nebo prezenčně) je určen pro odborníky na střední úrovni, kteří chtějí využít metody prediktivní údržby založené na umělé inteligenci ve výrobě polovodičů s cílem zvýšit efektivitu výroby a snížit počet neplánovaných poruch zařízení.

Po absolvování tohoto kurzu budou účastníci schopni:

• Implementovat modely umělé inteligence pro předpovídání selhání zařízení ve výrobě polovodičů.
• Analyzovat údaje o údržbě s cílem identifikovat vzorce a trendy, které mohou signalizovat možné problémy.
• Začlenit prediktivní údržbu založenou na umělé inteligenci do stávajících výrobních procesů.
• Snižovat prostojy a náklady na údržbu díky proaktivnímu řízení zařízení.

Toto školení vedené instruktorem probíhá online nebo na místě a je určeno pro profesionály na pokročilé úrovni, kteří chtějí využít nejmodernější techniky umělé inteligence při automatizaci návrhu polovodičů – s cílem zvýšit efektivitu, přesnost a inovativnost celého procesu.

Po absolvování školení budou účastníci schopni:

• Aplikovat pokročilé techniky umělé inteligence k optimalizaci procesů navrhování polovodičů.
• Integrovat modely strojového učení do nástrojů EDA za účelem lepšího ověřování návrhů.
• Vytvářet řešení založená na umělé inteligenci pro složité problémy spojené s výrobou čipů.
• Využívat neuronové sítě ke zvýšení přesnosti a rychlosti automatizace návrhu.

Toto živé školení pod vedením instruktora České republice (online nebo na místě) je určeno pro datové vědce a vývojáře středně pokročilé úrovně, kteří chtějí porozumět a uplatňovat techniky hlubokého učení v prostředí Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit a ovládat prostředí Google Colab pro projekty v oblasti hlubokého učení.
• Porozumět základům neuronových sítí.
• Vytvářet modely hlubokého učení pomocí knihovny TensorFlow.
• Trénovat a vyhodnocovat modely hlubokého učení.
• Využívat pokročilé funkce knihovny TensorFlow při práci s hlubokým učením.

Toto školení vedené instruktorem v České republice (online nebo prezenčně) je určeno pro profesionály na středně pokročilé úrovni, kteří chtějí porozumět a uplatňovat metody umělé inteligence při optimalizaci výrobních procesů polovodičů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět metodám umělé inteligence určeným k optimalizaci výrobních procesů v čipové výrobě.
• Implementovat modely umělé inteligence za účelem zvýšení výtěžnosti a snížení počtu vad.
• Analyzovat výrobní data za účelem identifikace klíčových parametrů pro optimalizaci.
• Využít techniky strojového učení k vyladění procesů výroby polovodičů.

Toto školení vedené lektorem České republice (online či prezenčně) je určeno pro účastníky středně pokročilé úrovně, kteří si přejí automatizovat a spravovat pracovní postupy strojového učení – včetně trénování modelů, jejich validace a nasazení pomocí Apache Airflow.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit Apache Airflow pro orchestraci pracovních postupů strojového učení.
• Automatizovat úkony spojené s předzpracováním dat, trénováním modelů a jejich validací.
• Integrovat Airflow s nástroji a frameworky pro strojové učení.
• Nasazovat modely strojového učení pomocí automatizovaných pipeline.
• Monitorovat a optimalizovat pracovní postupy strojového učení v produkci.

Tento kurz vedený lektorem (online nebo na místě) je určen pro datové vědce a programátory středně pokročilé úrovně, kteří chtějí efektivně využívat algoritmy strojového učení v prostředí Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit a ovládat Google Colab pro projekty strojového učení.
• Porozumět různým algoritmům strojového učení a umět je uplatnit.
• Využívat knihovny jako Scikit-learn k analýze a predikci dat.
• Implementovat modely strojového učení s učením pod dohledem i bez něj.
• Účinně optimalizovat a vyhodnocovat modely strojového učení.

Tento kuráz vedený lektorem, živý trénink v České republice připraví pokročilé praktiky k optimalizaci modelů TinyML pro vestavěná zařízení s omezenými zdroji. Účastníci aplikují kvantizaci a ořez, implementují inferenční potrubí s nízkou latencí a benchmarkují výkon v souladu s limity paměti a energie.

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.

Toto školení vedené instruktorem České republice (online či na místě) je určeno pro začátečníky, kteří chtějí porozumět a uplatnit technologie umělé inteligence v oblasti výroby polovodičů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základní principy umělé inteligence a jejich využití ve výrobě polovodičů.
• Identifikovat oblasti výroby polovodičů, kde lze umělou inteligenci efektivně využít.
• Využívat nástroje a techniky umělé inteligence ke zvýšení efektivity výroby a kontrole kvality.
• Implementovat jednoduché modely umělé inteligence pro optimalizaci výrobních procesů.

Toto školení vedené instruktorem České republice (online nebo prezenčně) je určeno datovým vědcům a vývojářům, kteří chtějí využít modely ML.NET ke generování predikcí na základě analýz firemních dat.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nainstalovat ML.NET a začlenit jej do svého vývojového prostředí.
• Porozumět zásadám strojového učení, na kterých jsou postaveny nástroje a algoritmy ML.NET.
• Vytvářet a trénovat modely strojového učení tak, aby efektivně predikovaly na základě poskytnutých dat.
• Hodnotit výkonnost modelů pomocí metrik dostupných v rámci ML.NET.
• Optimalizovat přesnost stávajících modelů strojového učení s využitím frameworku ML.NET.
• Aplikovat koncepty strojového učení z ML.NET i na jiné datově-vědecké úlohy.

Toto školení vedené lektorem České republice (online nebo prezenčně) je určeno pro datové profesionály střední úrovně, kteří chtějí aplikovat metody machine learningu na řešení obchodních problémů založených na datech – včetně prognózování prodeje a prediktivního modelování s využitím neuronových sítí.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základním konceptům a typům machine learningu.
• Používat klíčové algoritmy pro klasifikaci, regresi, shlukování a asociační analýzu.
• Provádět exploratorickou analýzu dat a jejich přípravu pomocí Pythonu.
• Využívat neuronové sítě k řešení nelineárních modelovacích úloh.
• Implementovat prediktivní analýzu pro obchodní prognózy, včetně dat o prodejích.
• Hodnotit a optimalizovat výkonnost modelů pomocí vizuálních i statistických metod.

Toto školení s přítomností lektora v místě České republice (online nebo prezenčně) je určeno pro datové vědce, odborníky na strojové učení, výzkumníky v oblasti hlubokého učení a experty na počítačové vidění středně pokročilé a pokročilé úrovně, kteří si přejí prohloubit své znalosti o generování obrazů pomocí hlubokého učení.

Po ukončení školení budou účastníci schopni:

• Pochopit pokročilé architektury a techniky hlubokého učení určené k generování obrazů z textu.
• Implementovat složité modely a optimalizace pro vytváření kvalitních obrazů.
• Optimalizovat výkonnost a škálovatelnost při práci s rozsáhlými datovými sadami a komplexními modely.
• Upravovat hyperparametry tak, aby model dosahoval lepšího výkonu a obecnější platnosti.
• Integrovat Stable Diffusion s dalšími frameworky a nástroji hlubokého učení.

Toto školení vedené lektorem v <lok> (online nebo na místě) je určeno pro profesionály v oblasti kybernetické bezpečnosti se středně pokročilými až pokročilými znalostmi, kteří si chtějí rozšířit dovednosti v detekci hrozeb a reakci na incidenty pomocí umělé inteligence.

Po absolvování tohoto kurzu budou účastníci schopni:

• Implementovat pokročilé algoritmy AI pro detekci hrozeb v reálném čase.
• Přizpůsobit modely AI konkrétním výzvám v oblasti kybernetické bezpečnosti.
• Vytvořit automatizované pracovní postupy pro reakci na hrozby.
• Zajistit ochranu bezpečnostních nástrojů založených na AI před protivníkovými útoky.

Tento kurz vedený instruktorem (v online formátu nebo prezenčně) je určen pro inženýry vestavěných systémů a vývojáře AI na středně pokročilé úrovni, kteří chtějí nasazovat modely strojového učení na mikrokontroléry pomocí nástrojů TensorFlow Lite a Edge Impulse.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základy TinyML a jeho výhody pro aplikace umělé inteligence na okraji sítě.
• Nastavit vývojové prostředí určené k tvorbě projektů v rámci TinyML.
• Trénovat, optimalizovat a nasazovat modely umělé inteligence na mikrokontroléry s nízkou spotřebou energie.
• Využívat nástroje TensorFlow Lite a Edge Impulse k realizaci reálných aplikací využívajících TinyML.
• Optimalizovat modely AI tak, aby byly energeticky efektivní a vyhovovaly omezením paměti zařízení.

Tento živý školicí kurz pod vedením lektora České republice (online nebo prezenčně) je určen začínajícím profesionálům v oblasti kybernetické bezpečnosti, kteří si chtějí osvojit způsoby využití umělé inteligence ke zlepšení schopností detekce a reakce na hrozby.

Na konci kurzu budou účastníci schopni:

• Pochopit, jak lze umělou inteligenci využít v kybernetické bezpečnosti.
• Implementovat algoritmy AI určené k detekci hrozeb.
• Automatizovat reakce na incidenty pomocí nástrojů založených na AI.
• Integrovat technologie umělé inteligence do stávajících systémů kybernetické ochrany.

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 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 kurz s přímým vedením instruktora – dostupný online i prezenčně – je určen datovým vědcům, inženýrům strojového učení a výzkumníkům počítačového vidění, kteří chtějí využít Stable Diffusion k tvorbě kvalitních obrázků pro různé účely.

Po absolvování kurzu budou účastníci schopni:

• Pochopit principy fungování Stable Diffusion a způsob, jakým generuje obrázky.
• Vytvořit a vyškolit modely Stable Diffusion určené k tvorbě obrázků.
• Aplikovat tento model v různých situacích – např. při opravě částí obrázku, rozšíření obsahu mimo jeho hranice nebo převodu jednoho typu obrázku na druhý.
• Optimalizovat výkon a stabilitu modely Stable Diffusion.

Tento osmidenní kurz nabízí komplexní cestu od pevných základů v programování v Pythonu až po pokročilý návrh systémů s AI. Účastníci si osvojí disciplinované postupy při psaní kódu, ovládnou statistické metody i hluboké učení a vytvoří funkční generativní modely AI i systémy s agenty. Kurz klade důraz na spolehlivost, vyhodnocování výsledků, bezpečnost a nasazení do reálného prostředí namísto pouhých experimentů.

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 v <lok> (online či prezenčně) je určeno datovým vědcům, kteří chtějí využít TensorFlow k analýze dat s potenciálními projevy podvodů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vytvořit model na detekci podvodů v Pythonu a s využitím TensorFlow.
• Sestavit lineární regresní modely určené k predikci podvodů.
• Navrhnout kompletní aplikaci založenou na umělé inteligenci pro analýzu dat o podvodech.

Toto praktické školení vedené lektorem je přirozeným pokračováním kurzu Python pro analytiku dat.

Seznamuje účastníky s základními koncepty strojového učení a ukazuje, jak je lze přímo využít při analýze dat – např. k predikci, klasifikaci či segmentaci.

Cílem kurzu je poskytnout praktické pochopení toho, jak strojové učení funguje v reálném prostředí. Využívají se přitom nástroje, které účastníci již znají – Python, Pandas a Jupyter Notebook – aniž by vyžadovaly hluboké matematické znalosti.

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.

Tento praktický kurz vedený instruktorem České republice (online či na místě) je určen pro inženýry, kteří chtějí posoudit dostupné přístupy a nástroje a učinit informované rozhodnutí ohledně zavádění MLOps do svých organizací.

Po absolvování tohoto kurzu budou účastníci schopni:

• Instalovat a konfigurovat různé frameworky a nástroje MLOps.
• Sestavit tým s potřebnými dovednostmi pro vytvoření a podporu systému MLOps.
• Přípravovat, ověřovat a verzovat data určená k použití v modelech strojového učení.
• Rozumět jednotlivým částem ML pipeline a nástrojům potřebným k jejímu sestavení.
• Experimentovat s různými frameworky pro strojové učení i servery určenými k nasazení do produkce.
• Zapracovat celý proces strojového učení tak, aby byl opakovatelný a snadno udržovatelný.

Tento kurz vedený instruktorem České republice (online nebo prezenčně) je určen pro data analytiky, vývojáře a budoucí odborníky na datovou vědu na středně pokročilé úrovni, kteří chtějí uplatnit metody machine learningu v Pythonu k získávání poznatků, předpovídání a automatizaci rozhodování na základě dat.

Po absolvování kurzu budou účastníci schopni:

• Rozumět hlavním paradigmatům machine learningu a mezi nimi rozlišovat.
• Seznámit se s technikami předzpracování dat a metrikami pro vyhodnocení modelů.
• Aplikovat algoritmy machine learningu na řešení reálných problémů spojených s daty.
• Využívat knihovny v Pythonu a Jupyter Notebooks k praktickému vývoji.
• Vytvářet modely určené k predikci, klasifikaci, doporučování a shlukování dat.

Tento výuku vedoucí trenér v České republice (online nebo osobně) je určen pro vývojáře a data scientisty, kteří chtějí pomocí TensorFlowu 2.x stavět prediktory, klasifikátory, generativní modely, neuronové sítě a další aplikace.

Na konci této výuky budou účastníci schopni:

• Nainstalovat a nakonfigurovat TensorFlow 2.x.
• Pochopit výhody TensorFlowu 2.x oproti předchozím verzím.
• Vytvářet modely pro hluboké učení.
• Implementovat pokročilý klasifikátor obrázků.
• Nasazovat model hlubokého učení do cloudu, na mobilní zařízení a zařízení pro Internet věcí (IoT).