Machine Learning for Business og AI-ansøkninger Treningskurs

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot datavitere og softwareutviklere som ønsker å bruke AdaBoost til å bygge boosting-algoritmer for maskinlæring med Python.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Opprette det nødvendige utviklingsmiljøet for å begynne å bygge maskinlæringsmodeller med AdaBoost.
• Forstå ensemblæringsmetoden og hvordan man implementerer adaptiv boosting.
• Lære å bygge AdaBoost-modeller for å forbedre maskinlæringsalgoritmer i Python.
• Bruke hyperparameterjustering for å øke nøyaktigheten og ytelsen til AdaBoost-modeller.

Dette kurset dekker AI (emphasizing Machine Learning og Deep Learning) i Automotive Industri. Det bidrar til å bestemme hvilken teknologi som kan (potentielt) brukes i flere situasjoner i en bil: fra enkel automatisering, bildeoppdagelse til selvstendig beslutningstaking.

Utforskning av KI-fundamentene viser hvordan intelligent teknologi former digital strategi, automatisering og beslutningstaking i virksomhetsdrift. Undersøker grunnleggende konsepter som spenner over KI-historie, problemløsingsrammeverk, kunnskapsreprersentasjon, usikker resonnement og maskinlæringsparadigmer i sammenheng med kommunikasjon, persepsjon og autonom handling. Veileder ledere og arkitekter i å vurdere muligheter for KI-drevet transformasjon, analysere trendene i ny teknologi og integrere praktiske intelligente løsninger for å akselerere forretningsagilitet.

Denne instruktørledede, live-opplæringen i <lok> (online eller på stedet) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruke AlphaFold-modeller som veiledning i deres eksperimentelle studier.

Et sluttføringen av denne opplæringen, deltakerne vil være i stand til å:

• Forstå de grunnleggende prinsippene bak AlphaFold.
• Lære hvordan AlphaFold fungerer.
• Lære hvordan man tolker AlphaFold-prediksjoner og resultater.

Artificial Neural Network er en beregningsdatamodell som brukes i utviklingen av Artificial Intelligence (AI) systemer som er i stand til å utføre "intelligente" oppgaver. Neural Networks brukes ofte i Machine Learning (ML) applikasjoner, som i seg selv er en implementering av AI. Deep Learning er en undergruppe av ML.

Kurs i anvendt AI fra bunnen av i Python utstyrer programvareutviklere og dataanalytikere med grunnleggende teknikker for å bygge maskinlæringsløsninger fra grunnen av ved hjelp av Python. Omhandler grunnleggende prinsipper for veiledet læring (klassifisering og regresjon), ulvetet læring (klustering og unormalitetsdeteksjon) avanserte neuronettverksarkitekturer. Gjennomgår dokumenterte metoder for bruk av scikit-learn, Apache Spark MLlib og Jupyter-notbøker i praktisk AI-utvikling. Hjelper fagfolk med å implementere praktiske ML-modeller, evaluere algoritmenes begrensninger og gjennomføre anvendte prosjekter for å løse virkelige problemer.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot deltakere med varierende ekspertisenivåer som ønsker å utnytte Googles AutoML-plattform for å bygge tilpassede chatbots for ulike applikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om chatbot-utvikling.
• Naviger i Googgle Cloud Platform og få tilgang til AutoML.
• Forbered data for trening av chatbot-modeller.
• Tren og evaluer tilpassede chatbot-modeller ved å bruke AutoML.
• Distribuer og integrer chatbots i ulike plattformer og kanaler.
• Overvåk og optimaliser chatbot-ytelsen over tid.

Denne instruktørledede, live opplæring i Norge (online eller på sted) gir en introduksjon til feltet med mønstergjenkjenning og maskinlæring. Den berører praktiske anvendelser innen statistikk, datavitenskap, signalbehandling, datasyntese, datamining og bioinformasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruke kjerne statistiske metoder til mønstergjenkjenning.
• Bruk nøkkelmodeller som neurale nettverk og kjerne-metoder for dataanalyse.
• Implementere avanserte teknikker for komplekse problemstillinger.
• Forbedre prediksjonsnøyaktigheten ved å kombinere forskjellige modeller.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot mellomnivåutviklere, datavitere og AI-praktikere som ønsker å utnyttet TensorFlow Lite for Edge AI-applikasjoner.

Etter denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for TensorFlow Lite og dens rolle i Edge AI.
• Utvikke og optimalisere AI-modeller ved hjelp av TensorFlow Lite.
• Implementere TensorFlow Lite-modeller på forskjellige kantenheter.
• Bruk verktøy og teknikker for modellkonvertering og optimalisering.
• Implementere praktiske Edge AI-applikasjoner ved hjelp av TensorFlow Lite.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere, dataanalytikere og utviklere som ønsker å utforske AutoML-produkter og funksjoner for å lage og distribuere tilpassede ML-treningsmodeller med minimal innsats.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Utforsk produktlinjen AutoML for å implementere forskjellige tjenester for ulike datatyper.
• Forbered og merk datasett for å lage tilpassede ML-modeller.
• Tren og administrer modeller for å produsere nøyaktige og rettferdige maskinlæringsmodeller.
• Lag spådommer ved å bruke opplærte modeller for å møte forretningsmål og behov.

Kubeflow er et open-source-plattform designet for å forenkle bygging, trening og distribusjon av maskinlæringsoppgaver på Kubernetes.

Dette instruktørbaserte, live-treningen (online eller på sted) er rettet mot beginner- til mellomnivå profesjonelle som ønsker å bygge pålitelige ML-arbeidsflyter ved hjelp av Kubeflow.

Etter fullføring av denne treningen, vil deltakerne ha oppnådd ferdighetene til å:

• Navigere i Kubeflow-økosystemet og kjernekomponenter.
• Bygge gjentakelige arbeidsflyter med Kubeflow Pipelines.
• Kjøre skalerbare treningstasker på Kubernetes.
• Serve maskinlæringsmodeller effektivt ved hjelp av Kubeflow Serving.

Kursformat

• Veiledede presentasjoner og kolaborative diskusjoner.
• Hands-on lab med reelle Kubeflow-komponenter.
• Praktiske øvelser for å bygge end-to-end ML-arbeidsflyter.

Kursanpassningsalternativer

• Tilpassede versjoner av denne treningen kan arrangeres for å tilpasses teamets teknologistakk og prosjektbehov.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bygge, distribuere og administrere arbeidsflyter for maskinlæring på Kubernetes.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubeflow på stedet og i skyen.
• Bygg, distribuer og administrer ML-arbeidsflyter basert på Docker containere og Kubernetes.
• Kjør hele maskinlæringspipelines på forskjellige arkitekturer og skymiljøer.
• Bruke Kubeflow til å skape og administrere Jupyter-notatbøker.
• Bygg ML-trening, justering av hyperparametere og betjening av arbeidsbelastninger på tvers av flere plattformer.

Dette instruktørledede, live trening (online eller på sted) er rettet mot utviklere som ønsker å bruke Google’s ML Kit til å bygge maskinlæringsmodeller som er optimalisert for prosessering på mobile enheter.

Ved slutten av denne treningen vil deltakerne være i stand til:

• Sette opp den nødvendige utviklingsmiljøet for å begynne med utvikling av maskinlæringsfunksjoner for mobile apps.
• Integrere nye maskinlæringsteknologier i Android- og iOS-apper ved bruk av ML Kit APIs.
• Forbedre og optimalisere eksisterende appar ved bruk av ML Kit SDK for on-device prosessering og utplassering.

Denne instruktørledede, live-treningen (online eller på sted) er rettet mot dataforskere og programvareutviklere som ønsker å bruke Random Forest til å bygge maskinlæringsalgoritmer for store datasett.

Ved slutten av denne treningen vil deltakerne kunne:

• Opprette den nødvendige utviklingsmiljøet for å begynne å bygge maskinlæringsmodeller med Random Forest.
• Forstå fordelene med Random Forest og hvordan man implementerer den for å løse klassifiserings- og regresjonsproblemer.
• Lære å håndtere store datasett og tolke flere beslutningstre i Random Forest.
• Vurdere og optimalisere maskinlæringsmodellens ytelse ved å justere hyperparametrene.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataanalytikere på middels nivå som ønsker å lære å bruke RapidMiner til å estimere og projisere verdier og bruke analytiske verktøy for tidsserieprognoser.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lær å bruke CRISP-DM-metodikken, velg passende maskinlæringsalgoritmer og forbedre modellkonstruksjon og ytelse.
• Bruk RapidMiner til å estimere og projisere verdier, og bruk analytiske verktøy for tidsserieprognoser.