Avancerade maskininlärningsmodeller med Google Colab Träningskurs

Denna instruktörledda, liveutbildning på Sverige (online eller på plats) riktar sig till datavetare och programutvecklare som vill använda AdaBoost för att bygga boostalgoritmer för maskininlärning med Python.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Installa det nödvändiga utvecklingsmiljön för att börja bygga maskininlärningsmodeller med AdaBoost.
• Förstå ensemble-inlärningsmetoden och hur man implementerar adaptiv boostning.
• Lära sig hur man bygger AdaBoost-modeller för att förbättra maskininlärningsalgoritmer i Python.
• Använda hyperparameterjustering för att öka noggrannheten och prestandan hos AdaBoost-modeller.

Den här instruktörsledda, live-utbildningen i Sverige (online eller på plats) riktar sig till datavetare samt mindre tekniska personer som vill använda Auto-Keras för att automatisera processen för att välja och optimera en maskininlärningsmodell.

I slutet av denna utbildning kommer deltagarna att kunna:

• Automatisera processen för att träna högeffektiva maskininlärningsmodeller.
• Sök automatiskt efter de bästa parametrarna för djupinlärningsmodeller.
• Skapa mycket exakta maskininlärningsmodeller.
• Använd kraften i maskininlärning för att lösa verkliga affärsproblem.

Denna instruktörsledda, levande utbildning (online eller på plats) riktar sig till tekniska deltagare med bakgrund inom maskininlärning som vill optimera modeller för att upptäcka komplexa mönster i stora mängder data med hjälp av AutoML-ramverk.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till deltagare med olika kompetensnivåer som vill utnyttja Googles AutoML plattform för att bygga skräddarsydda chatbots för olika applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna för chatbot-utveckling.
• Navigera i Google Cloud Platform och få åtkomst till AutoML.
• Förbereda data för träning av chattrobotmodeller.
• Träna och utvärdera anpassade chattrobotmodeller med hjälp av AutoML.
• Distribuera och integrera chatbots i olika plattformar och kanaler.
• Övervaka och optimera chatbotens prestanda över tid.

Denna instruktörsledda, live-träning i Sverige (online eller på plats) ger en introduktion till området mönsterigenkänning och maskininlärning. Den berör praktiska tillämpningar inom statistik, datavetenskap, signalbehandling, datorseende, datagruvning och bioinformatik.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Använda grundläggande statistiska metoder för mönsterigenkänning.
• Använda nyckelmodeller som neurala nätverk och kärnmetoder för dataanalys.
• Implementera avancerade tekniker för komplicerat problemlösning.
• Förbättra prediktionsnoggrannhet genom att kombinera olika modeller.

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till datavetare och dataanalytiker som vill automatisera, utvärdera och hantera prediktiva modeller med hjälp av DataRobot:s maskininlärningsfunktioner.

I slutet av denna utbildning kommer deltagarna att kunna:

• Läs in datauppsättningar i DataRobot för att analysera, utvärdera och kvalitetskontrollera data.
• Skapa och träna modeller för att identifiera viktiga variabler och uppfylla förutsägelsemål.
• Tolka modeller för att skapa värdefulla insikter som är användbara för att fatta affärsbeslut.
• Övervaka och hantera modeller för att upprätthålla en optimerad förutsägelseprestanda.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare, dataanalytiker och utvecklare som vill utforska AutoML produkter och funktioner för att skapa och distribuera anpassade ML-träningsmodeller med minimal ansträngning.

I slutet av denna utbildning kommer deltagarna att kunna:

• Utforska produktlinjen AutoML för att implementera olika tjänster för olika datatyper.
• Förbered och märk datauppsättningar för att skapa anpassade ML-modeller.
• Träna och hantera modeller för att skapa korrekta och rättvisa maskininlärningsmodeller.
• Gör förutsägelser med hjälp av tränade modeller för att uppfylla affärsmål och behov.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubeflow på plats och i molnet med hjälp av AWS EKS (Elastic Kubernetes Service).
• Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
• Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
• Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
• Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.

Detta instruktörsledda, liveutbildning i Sverige (online eller på plats) riktas till ingenjörer som vill distribuera maskininlärningsarbetsbelastningar till en AWS EC2-server.

Genom denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och andra nödvändiga programvara på AWS.
• Använda EKS (Elastic Kubernetes Service) för att förenkla initieringen av en Kubernetes-kluster på AWS.
• Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
• Traffa och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
• Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare som vill gå längre än att bygga ML-modeller och optimera skapandet, spårningen och distributionsprocessen för ML-modeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera MLflow och relaterade ML-bibliotek och ramverk.
• Uppskatta vikten av spårbarhet, reproducerbarhet och distribuerbarhet av en ML-modell
• Distribuera ML-modeller till olika offentliga moln, plattformar eller lokala servrar.
• Skala ML-distributionsprocessen så att den rymmer flera användare som samarbetar i ett projekt.
• Konfigurera ett centralt register för att experimentera med, återskapa och distribuera ML-modeller.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till utvecklare som vill använda Google’s ML Kit för att bygga maskininlärningsmodeller som är optimerade för bearbetning på mobila enheter.

Vid kursens slut kommer deltagarna att kunna:

• Inställa den nödvändiga utvecklingsmiljön för att börja utveckla maskininlärningsfunktioner för mobila appar.
• Integra nya maskininlärningsteknologier i Android- och iOS-appar med hjälp av ML Kit-API:erna. 
• Förbättra och optimera befintliga appar med ML Kit SDK för bearbetning och distribuering på enhet.

Pattern Matching är en teknik som används för att lokalisera angivna mönster i en bild. Den kan användas för att fastställa förekomsten av angivna egenskaper i en tagen bild, till exempel den förväntade etiketten på en defekt produkt i en fabrikslinje eller de angivna måtten på en komponent. Det skiljer sig från "Pattern Recognition" (som känner igen allmänna mönster baserat på större samlingar av relaterade prover) genom att det specifikt dikterar vad vi letar efter och sedan berättar för oss om det förväntade mönstret finns eller inte.

Kursens upplägg

• Kursen introducerar de tillvägagångssätt, tekniker och algoritmer som används inom området mönstermatchning när det gäller Machine Vision.

Denna instruktörsledda, live-utbildning (online eller på plats) riktar sig till datavetare och programutvecklare som vill använda Random Forest för att bygga maskininlärningsalgoritmer för stora datamängder.

Vid utbildningens slut kommer deltagarna att kunna:

• Sätta upp den nödvändiga utvecklingsmiljön för att börja bygga maskininlärningsmodeller med Random Forest.
• Förstå fördelarna med Random Forest och hur man implementerar det för att lösa klassificerings- och regressionsproblem.
• Lära sig hantera stora datamängder och tolka flera beslutsträd i Random Forest.
• Utvärdera och optimera maskininlärningsmodellens prestanda genom att justera hyperparametrarna.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till dataanalytiker på mellannivå som vill lära sig att använda RapidMiner för att uppskatta och projicera värden och använda analysverktyg för tidsserieprognoser.

I slutet av denna utbildning kommer deltagarna att kunna:

• Lär dig att tillämpa CRISP-DM-metodiken, välja lämpliga maskininlärningsalgoritmer och förbättra modellkonstruktion och prestanda.
• Använd RapidMiner för att uppskatta och projicera värden och använda analysverktyg för tidsserieprognoser.

RapidMiner är en programvaruplattform för datavetenskap med öppen källkod för snabb prototypframställning och utveckling av applikationer. Den innehåller en integrerad miljö för förberedelse av data, maskininlärning, djupinlärning, textutvinning och prediktiv analys. 

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder RapidMiner Studio för dataförberedelse, maskininlärning och implementering av prediktiva modeller. 

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera RapidMiner
• Förbered och visualisera data med RapidMiner
• Verifiera maskininlärningsmodeller
• Mashup-data och skapa prediktiva modeller
• Operationalisera prediktiv analys i en affärsprocess
• Felsöka och optimera RapidMiner

Publik

• Datavetare
• Ingenjörer
• Utvecklare

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Not

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.