Maskinlæring med Python – 2 Dager Treningskurs

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.

Pattern Matching er en teknikk som brukes til å lokalisere spesifiserte mønstre i et bilde. Den kan brukes til å bestemme eksistensen av spesifiserte egenskaper i et tatt bilde, for eksempel forventet etikett på et defekt produkt i en fabrikklinje eller de spesifiserte dimensjonene til en komponent. Det er forskjellig fra "Pattern Recognition" (som gjenkjenner generelle mønstre basert på større samlinger av relaterte prøver) ved at det spesifikt dikterer hva vi leter etter, og deretter forteller oss om det forventede mønsteret eksisterer eller ikke.

Kursets format

• Dette kurset introduserer tilnærmingene, teknologiene og algoritmene som brukes innen mønstertilpasning slik det gjelder Machine Vision.

RapidMiner er en åpen kildekode datavitenskap programvareplattform for rask applikasjonsprototyping og utvikling. Det inkluderer et integrert miljø for dataforberedelse, maskinlæring, dyp læring, tekstutvinning og prediktiv analyse.

I denne instruktørledede, direkteopplæringen vil deltakerne lære hvordan de bruker RapidMiner Studio for dataforberedelse, maskinlæring og prediktiv modellimplementering.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer RapidMiner
• Forbered og visualiser data med RapidMiner
• Validere maskinlæringsmodeller
• Mashup data og lag prediktive modeller
• Operasjonaliser prediktiv analyse i en forretningsprosess
• Feilsøk og optimaliser RapidMiner

Publikum

• Dataforskere
• Ingeniører
• Utviklere

Kursets format

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Note

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live treningen (online eller på sted) er rettet mot tekniske deltakere med bakgrunn i maskinlæring som ønsker å optimalisere modeller for å oppdage komplekse mønstre i store datasett ved hjelp av AutoML-rammer.

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot dataforskere så vel som mindre tekniske personer som ønsker å bruke Auto-Keras til å automatisere prosessen med å velge og optimalisere en maskinlæringsmodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Automatiser prosessen med å trene opp svært effektive maskinlæringsmodeller.
• Søk automatisk etter de beste parametrene for dyplæringsmodeller.
• Bygg svært nøyaktige maskinlæringsmodeller.
• Bruk kraften til maskinlæring for å løse virkelige forretningsproblemer.

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 ved å bruke AWS EKS (Elastic Kubernetes Service).
• 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 hyperparameter og betjening av arbeidsbelastninger på tvers av flere plattformer.

Dette instruktørførte, live-kurset i Norge (online eller plassert) er rettet mot ingeniører som ønsker å deploye maskinlæringslast til en AWS EC2 server.

Ved slutten av dette kurset vil deltakerne kunne:

• Installer og konfigurere Kubernetes, Kubeflow og andre nødvendige programvare på AWS.
• Bruk EKS (Elastic Kubernetes Service) for å forenkle initialiseringen av en Kubernetes-klynge på AWS.
• Opprette og deploye en Kubernetes-pipeline for automatisering og administrasjon av ML-modeller i produksjon.
• Trene og deploye TensorFlow-ML-modeller over flere GPUs og maskiner som kjører parallelt.
• Utnytte andre AWS-håndterte tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere som ønsker å gå lenger enn å bygge ML-modeller og optimalisere ML-modelloppretting, sporing og distribusjonsprosessen.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer MLflow og relaterte ML-biblioteker og rammeverk.
• Sett pris på viktigheten av sporbarhet, reproduserbarhet og distribusjon av en ML-modell
• Distribuer ML-modeller til forskjellige offentlige skyer, plattformer eller lokale servere.
• Skaler ML-implementeringsprosessen for å imøtekomme flere brukere som samarbeider om et prosjekt.
• Sett opp et sentralt register for å eksperimentere med, reprodusere og distribuere ML-modeller.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere og dataanalytikere som ønsker å automatisere, evaluere og administrere prediktive modeller ved å bruke DataRobots maskinlæringsfunksjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Last inn datasett i DataRobot for å analysere, vurdere og kvalitetssjekke data.
• Bygg og tren modeller for å identifisere viktige variabler og møte prediksjonsmål.
• Tolke modeller for å skape verdifull innsikt som er nyttig for å ta forretningsbeslutninger.
• Overvåk og administrer modeller for å opprettholde en optimalisert prediksjonsytelse.

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.

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, 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.

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.

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.