Machine Learning Školení v Prague

Toto živé školení vedené instruktorem v Prague (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 Prague (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 Prague (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.

Tato vedená školení (online nebo osobně) je určena pro středně pokročilé programátory, datové analytiky a technické nadšence, kteří si přejí získat praktické dovednosti v nasazení AI modelů na periferních zařízeních pro různá použití.

Na konci tohoto školení budou účastníci schopni:

• Chápět principy Edge AI a jejich výhody.
• Nastavit a nakonfigurovat prostředí pro edge computing.
• Vytvářet, trénovat a optimalizovat AI modely pro nasazení na periferii.
• Implementovat praktické AI řešení na periferních zařízeních.
• Posoudit a zlepšit výkon modelů nasazených na periferii.
• Řešit etické a bezpečnostní otázky týkající se Edge AI aplikací.

Kubeflow je open-source platforma navržená k zjednodušení vytváření, trénování a nasazování pracovních úloh strojového učení na Kubernetes.

Tato školení pod vedením instruktora (online nebo na místě) je určena začátečním až středně pokročilým profesionálům, kteří se chtějí naučit sestavovat spolehlivé pracovní postupy strojového učení pomocí Kubeflow.

Po absolvování tohoto školení budou účastníci získávat dovednosti k:

• Pohybu v ekosystému Kubeflow a jeho hlavních komponentách.
• Sestavování reproducibilních pracovních postupů pomocí Kubeflow Pipelines.
• Spouštění škálovatelných tréninkových úloh na Kubernetes.
• Efektivnímu nasazování modelů strojového učení pomocí Kubeflow Serving.

Formát kurzu

• Řízená prezentace a společná diskuse.
• Praktické laboratoře s reálnými komponentami Kubeflow.
• Praktické cvičení k vytváření pracovních postupů ML od konce do konce.

Možnosti přizpůsobení kurzu

• Přizpůsobené verze tohoto školení mohou být upraveny tak, aby odpovídaly technologickému stacku a požadavkům vašeho týmu.

Tento instruktorův živý kurz v Prague (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.

Toto instruktorem vedeno živé školení v Prague (online nebo na místě) je určeno pokročilým profesionálům, kteří si přejí rozšířit své znalosti modelů strojového učení, zlepšit své dovednosti v optimalizaci hyperparametrů a naučit se, jak efektivně nasazovat modely pomocí Google Colab.

Na konci tohoto školení budou účastníci schopni:

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

Tento instruktorův živý kurz v Prague (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.

Tento instruktážní, živý kurz v Prague (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 Prague (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 Prague (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 Prague (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.

Toto instruktorem vedené živé školení v Prague (online nebo na místě) je určeno středně pokročilým datovým vědcům a programátorům, kteří chtějí efektivně používat algoritmy strojového učení v prostředí Google Colab.

Na konci tohoto školení budou účastníci schopni:

• Nastavit a navigovat v Google Colab pro projekty strojového učení.
• Porozumět a aplikovat různé algoritmy strojového učení.
• Používat knihovny jako Scikit-learn k analýze a predikci dat.
• Implementovat nadzorované a nezásahové modely učení.
• Optimalizovat a vyhodnocovat modely strojového učení efektivně.

Tato vedená instruktorem, živá školení v Prague (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 Prague (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 Prague (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 Prague (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 Prague (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 Prague (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:

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

Toto vedení instruktorem, živé školení (online nebo na místě) je určeno technickým účastníkům s předchozími znalostmi strojového učení, kteří chtějí optimalizovat modely pro detekci komplexních vzorů v big data pomocí rámce AutoML.

Toto živé školení vedené instruktorem v Prague (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 Prague (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 Prague (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.

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

Tento instruktorováné živé školení v Prague (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 Prague (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 vedené školení (online nebo prezenčně) je určeno inženýrům, kteří chtějí použít techniky feature engineeringu k lepšímu zpracování dat a dosažení lepších modelů strojového učení.

Na konci tohoto školení budou účastníci schopni:

• Nastavit optimální vývojové prostředí, včetně všech potřebných balíčků Pythonu.
• Získat důležité poznatky analýzou vlastností datové sady.
• Optimalizovat modely strojového učení prostřednictvím adaptace samotných surových dat.
• Čistit a transformovat datové sady připravením k použití v strojovém učení.

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

Hloubkové učení (deep learning) je podobor strojového učení, který používá metody založené na učení reprezentací a strukturách, jako jsou neuronové sítě.

Python je vysokoúrovňový programovací jazyk proslulý svou čitelností kódu a zřejmostí syntaxe.

V tomto instruktorem vedeném živém tréninku se účastníci naučí implementovat modely hloubkového učení pro telekomunikace, kdy postupně projdou vytvořením modelu hloubkového učení pro hodnocení kreditních rizik.

Na konci tohoto tréninku budou účastníci schopni:

• Chápat základní pojmy hloubkového učení.
• Znát aplikace a použití hloubkového učení v telekomunikacích.
• Používat Python, Keras a TensorFlow k vytváření modelů hloubkového učení pro telekomunikace.
• Vytvořit svůj vlastní model predikce odchodu zákazníků pomocí Pythonu.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Spousta cvičení a praktické práce.
• Praktická implementace v živém laboratorním prostředí.

Možnosti přizpůsobení kurzu

• Pro požadavek na přizpůsobený trénink pro tento kurz nás kontaktujte, abychom se domluvili.

Toto živé školení vedené instruktorem v Prague (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 určen osobám, které již mají základní znalosti datové analýzy a statistiky. Vysvětlení jsou navržena tak, aby sloužila jako připomenutí těm, kteří se s koncepty již obeznámili, nebo informovala osoby s vhodnými znalostmi.

Toto živé školení vedené instruktorem v Prague (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 instruktorem vedené živé školení (online nebo na místě) je určeno inženýrům, kteří se chtějí naučit nasazovat pracovní úlohy strojového učení na AWS EC2 serveru.

Na konci tohoto školení budou účastníci schopni:

• Nainstalovat a nakonfigurovat Kubernetes, Kubeflow a ostatní potřebný software na AWS.
• Používat EKS (Elastic Kubernetes Service) k zjednodušení inicializace clusteru Kubernetes na AWS.
• Vytvářet a nasazovat Kubernetes pipeline pro automatizaci a správu ML modelů v produkčním prostředí.
• Trénovat a nasazovat TensorFlow ML modely napříč více GPU a počítači běžícími paralelně.
• Využívat jiné spravované služby AWS k rozšíření aplikace ML.

Toto vedené školení (online či prezenčně) je určeno inženýrům, kteří chtějí nasadit pracovní zatížení strojového učení do cloudu Azure.

Po absolvování tohoto školení budou účastníci schopni:

• Nainstalovat a nakonfigurovat Kubernetes, Kubeflow a ostatní potřebné software na Azure.
• Použít službu Azure Kubernetes Service (AKS) pro zjednodušení inicializace clusteru Kubernetes v cloudu Azure.
• Vytvořit a nasadit Kubernetes pipeline pro automatizaci a správu ML modelů ve výrobním prostředí.
• Trénovat a nasazovat TensorFlow ML modely na více GPU a strojích běžících paralelně.
• Využít další spravované služby AWS k rozšíření ML aplikace.

Toto živé školení vedené instruktorem v Prague (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

Tato instruktorem vedená, živá školení v Prague (online nebo na místě) je určena technickým osobám, které chtějí naučit implementovat strategii strojového učení s maximalizací používání big data.

Na konci tohoto školení budou účastníci:

• Pochopí evoluci a trendy v oblasti strojového učení.
• Vědět, jak se strojové učení používá ve různých odvětvích.
• Poznají nástroje, dovednosti a služby dostupné pro implementaci strojového učení v organizaci.
• Porozumí, jak se strojové učení používá k posílení datového těžebního procesu a analýzy.
• Přijmou pojem datové střední vrstvy zadní části (backend) a způsob, jak se používá v podnicích.
• Porozumí roli, kterou hrají big data a inteligentní aplikace ve různých odvětvích.

Tento školení je určené osobám, které by rády aplikovaly strojové učení v praktických případech pro svůj tým. Školení se nezabývá technickými detaily a zaměřuje se na základní koncepty a obchodní/operační aplikace strojového učení.

Cílová skupina

1. Investoři a AI podnikatelé
2. Manažeři a inženýři, jejichž společnost vstupuje do oblasti umělé inteligence
3. Business analytici & investoři

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.

Toto školení je určeno osobám, které by rády aplikovaly základní techniky strojového učení v praktických případech.

Cílová skupina

Data scientisti a statistici, kteří mají nějaké zkušenosti se strojovým učením a znají programování v R. Důraz tohoto kurzu je položen na praktické aspekty přípravy dat/modelu, provedení, postupné analýzy a vizualizace. Cílem je poskytnout praktický úvod do strojového učení pro účastníky zájemce o aplikaci těchto metod v praxi.

Používají se odvětví specifické příklady, aby bylo školení relevantní pro cílovou skupinu.

V tomto instruktorem vedeném tréninku se účastníci naučí používat technologický zásobník strojového učení (ML) pro iOS, zatímco projdou vytvořením a nasazením mobilní aplikace pro iOS.

Po absolvování tohoto školení budou účastníci schopni:

• Vytvářet mobilní aplikace schopné zpracování obrazu, analýzy textu a rozpoznávání řeči
• Používat předem trénované ML modely pro integraci do iOS aplikací
• Vytvářet vlastní ML model
• Přidávat podporu hlasových příkazů Siri do iOS aplikací
• Porozumět a používat frameworky jako coreML, Vision, CoreGraphics a GamePlayKit
• Používat jazyky a nástroje jako Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda a Spyder

Cílová skupina

• Vývojáři

Formát kurzu

• Část přednášky, část diskuse, cvičení a intenzivní praktické procvičování

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.

Tato instruktorem vedená živá školení v Prague (online nebo na místě) je určena středně pokročilým obchodním a technickým odborníkům, kteří chtějí aplikovat metody strojového učení k řešení reálných obchodních výzev s praktickými případovými studiemi a praktickými nástroji.

Na konci tohoto školení budou účastníci schopni:

• Pochopit, jak se strojové učení vkládá do moderních AI systémů a obchodních strategií.
• Identifikovat vhodné metody strojového učení pro různé obchodní problémy.
• Připravovat a transformovat obchodní data pro úkoly v oblasti strojového učení.
• Aplikovat základní metody strojového učení, jako jsou klasifikace, regrese, shlukování a časové řady.
• Interpretovat a hodnotit modely strojového učení v kontextu obchodních rozhodnutí.
• Získat praktické zkušenosti přes případová studia a aplikovat naučené techniky do praktických 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 instruktorem vedený, živý školení v Prague (online nebo přítomně) je určen pro data analytiky, vývojáře nebo aspirující datové vědce středního úrovně, kteří si přejí používat strojové učení v Pythonu ke získávání inzercí, dělání predikcí a automatizaci data ovládaných rozhodnutí.

Na konci tohoto kurzu budou účastníci schopni:

• Pochopit a rozlišovat klíčové paradigmy strojového učení.
• Zkoumat techniky předzpracování dat a metriky hodnocení modelů.
• Používat algoritmy strojového učení k řešení praktických problémů s daty.
• Pracovat s Python knihovnami a Jupyter notebooky pro praxi.
• Vytvářet modely pro predikci, klasifikaci, doporučování 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.