Machine Learning Kurs i Östergötland

Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till proffs på nybörjarnivå som vill förstå konceptet med förtränade modeller och lära sig hur man använder dem för att lösa verkliga problem utan att bygga modeller från grunden.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå konceptet och fördelarna med förtränade modeller.
• Utforska olika förtränade modellarkitekturer och deras användningsfall.
• Finjustera en förtränad modell för specifika uppgifter.
• Implementera förtränade modeller i enkla maskininlärningsprojekt.

Denna instruktörsledda, liveutbildning i Östergötland (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 (online eller på plats) riktar sig till AI-utvecklare, maskininlärningsingenjörer och systemarkitekter på mellan-nivå som vill optimerar AI-modeller för implementation på edge-enheter.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå utmaningarna och kraven för att implementera AI-modeller på edge-enheter.
• Tillämpa modellkomprimeringstekniker för att minska storleken och komplexiteten hos AI-modeller.
• Använda kvantiseringsmetoder för att förbättra modellens effektivitet på edge-hårdvara.
• Implementera beskärning och andra optimeringsmetoder för att förbättra modellprestanda.
• Implementera optimerade AI-modeller på olika edge-enheter.

Denna instruktörledda, levande utbildning på plats Östergötland (online eller på plats) riktar sig till utvecklare, datavetare och teknikentusiaster på mellannivå som vill förvärva praktiska färdigheter i att distribuera AI-modeller på kant-enheter för olika applikationer.

Vid kursens slut kommer deltagarna att kunna:

• Förstå principerna för Edge AI och dess fördelar.
• Konfigurera och installera miljö för kantberäkning.
• Utveckla, träna och optimerar AI-modeller för distribution på kant-enheter.
• Implementera praktiska AI-lösningar på kant-enheter.
• Utvärdera och förbättra prestandan hos modeller som distribuerats på kant-enheter.
• Hantera etiska och säkerhetsaspekter i Edge AI-applikationer.

Kubeflow är en öppen källkodsplattform som är utformad för att förenkla byggen, träningen och distributionen av maskininlärningsarbetsbelastningar på Kubernetes.

Detta instruktörsvägledade, liveutbildning (online eller på plats) är riktat till nybörjare- till mellannivåprofessionella som vill bygga pålitliga ML-arbetsflöden med Kubeflow.

När denna utbildning är avslutad kommer deltagarna att ha fått färdigheterna för att:

• Navigera Kubeflows ekosystem och kärnkomponenter.
• Bygga reproducerbara arbetsflöden med Kubeflow Pipelines.
• Kör skalbara träningsjobb på Kubernetes.
• Distribuera maskininlärningsmodeller effektivt med Kubeflow Serving.

Kursformat

• Guidade presentationer och samarbetsdiskussioner.
• Handson-laborationer med verkliga Kubeflow-komponenter.
• Praktiska övningar för att bygga slutna ML-arbetsflöden.

Kursanpassningsalternativ

• Anpassade versioner av denna utbildning kan arrangeras för att anpassa sig efter din teams teknologistack och projektbehov.

Denna kurs i ledande undervisning (online eller på plats) vänder sig till utvecklare, datavetare och AI-praktiker på mellanavancerad nivå som vill utnyttja TensorFlow Lite för Edge AI-applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i TensorFlow Lite och dess roll inom Edge AI.
• Utveckla och optimera AI-modeller med TensorFlow Lite.
• Distribuera TensorFlow Lite-modeller på olika kantenheter.
• Använda verktyg och tekniker för modellkonvertering och optimering.
• Implementera praktiska Edge AI-applikationer med TensorFlow Lite.

Denna ledarstyrda, live-utbildning på plats Östergötland (online eller på plats) riktar sig till avancerade yrkesverksamma som vill behärska teknologierna bakom autonoma system.

Efter denna utbildning kommer deltagarna att kunna:

• Utforma och implementera AI-modeller för autonom beslutsfattning.
• Utveckla styralgoritmer för autonom navigering och hinderundvikande.
• Säkerställa säkerhet och tillförlitlighet i AI-drivna autonoma system.
• Integrera autonoma system med befintliga robotik- och AI-ramverk.

Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till avancerade professionella som önskar fördjupa sin förståelse av datorseende och utforska TesnorsFlows möjligheter att utveckla sofistikerade visningsmodeller med hjälp av Google Colab.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Bygga och träna konvolutionella neuronnät (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalarbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbearbetningsmetoder för datorseendeuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transfer learning för att förbättra prestandan på CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

Denna instruktörsskapad, liveutbildning i Östergötland (online eller på plats) är riktad till avancerad nivå professionella som önskar utveckla sin kunskap om maskininlärningsmodeller, förbättra sina färdigheter i hyperparameter-tuning och lära sig hur man effektivt distribuerar modeller med hjälp av Google Colab.

Till slutet av denna utbildning kommer deltagarna att kunna:

• Implementera avancerade maskininlärningsmodeller med populära ramverk som Scikit-learn och TensorFlow.
• Optimerar modellens prestanda genom hyperparameter-tuning.
• Distribuera maskininlärningsmodeller i praktiska tillämpningar med hjälp av Google Colab.
• Samarbeta och hantera storskaliga maskininlärningsprojekt i Google Colab.

Denna ledarledda, levande träning i Östergötland (online eller på plats) riktar sig till yrkesverksamma på mellan nivå som vill tillämpa AI-tekniker för att optimera utbyteshantering i halvledarproduktion.

Efter avslutad träning kommer deltagarna att kunna:

• Analysera produktionsdata för att identifiera faktorer som påverkar utbytesnivåer.
• Implementera AI-algoritmer för att förbättra utbyteshanteringsprocesser.
• Optimera produktionsparametrar för att minska fel och förbättra utbytesnivåer.
• Integrera AI-drivna utbyteshanteringslösningar i befintliga produktionsflöden.

Denna instruktörsledda, liveutbildning på Östergötland (online eller på plats) riktar sig till yrkesverksamma inom affärsverksamhet och AI på mellan-nivå som vill tillämpa maskininlärning inom affärsverksamhet, prognostisering och AI-styrda system med hjälp av verkliga fallstudier och Python-baserade verktyg.

Vid kursens slut kommer deltagarna att kunna:

• Förstå hur maskininlärning passar in i AI och affärsstrategi.
• Tillämpa övervakade och oövervakade inlärningstekniker på strukturerade affärsproblem.
• Förbehandla och transformera data för modellering.
• Använda neurala nätverk för klassificering och prediktionsuppgifter.
• Utföra försäljningsprognostisering med hjälp av statistiska och ML-baserade metoder.
• Implementera klustring och regeltillämpningsmineri för kundsegmentering och mönsterupptäckt.

Denna instruktörsledda, liveutbildning på Östergötland (online eller på plats) riktar sig till avancerade yrkesverksamma som vill tillämpa spets AI-tekniker på automatisering av halvledardesign, för att förbättra effektivitet, noggrannhet och innovation i chipdesign och verifikation.

Efter avslutad utbildning kommer deltagarna att kunna:

• Tillämpa avancerade AI-tekniker för att optimera halvledardesignprocesser.
• Integrera maskininlärningsmodeller i EDA-verktyg för förbättrad designverifikation.
• Utveckla AI-drivna lösningar för komplexa designutmaningar i chipframställning.
• Utnyttja neurala nätverk för att förbättra noggrannheten och hastigheten i designautomatisering.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till datavetenskapsmän och utvecklare på mellan nivå som vill förstå och tillämpa djupinlärningstekniker med hjälp av Google Colab-miljön.

Vid kursens slut kommer deltagarna att kunna:

• Installera och navigera i Google Colab för djupinlärningsprojekt.
• Förstå grunderna i neurala nätverk.
• Implementera djupinlärningsmodeller med TensorFlow.
• Träna och utvärdera djupinlärningsmodeller.
• Använda avancerade funktioner i TensorFlow för djupinlärning.

Denna ledarledda, levande utbildning i Östergötland (online eller på plats) riktar sig till yrkesverksamma på mellan-nivå som vill förstå och tillämpa AI-tekniker för att optimera halvledarfabrikationsprocesser.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå AI-metoder för processoptimering i chipframställning.
• Implementera AI-modeller för att förbättra utbyte och minska defekter.
• Analysera processdata för att identifiera nyckelparametrar för optimering.
• Tillämpa maskininlärningstekniker för att justera halvledarproduktion.

Denna ledareledda, liveutbildning på Östergötland (online eller på plats) riktar sig till deltagare på mellanavancerad nivå som vill automatisera och hantera maskininlärningsarbetsflöden, inklusive modellträning, validering och distribuering med Apache Airflow.

Efter denna utbildning kommer deltagarna att kunna:

• Konfigurera Apache Airflow för orkestration av maskininlärningsarbetsflöden.
• Automatisera datapreprocessering, modellträning och valideringsuppgifter.
• Integrera Airflow med maskininlärningsramverk och verktyg.
• Distribuera maskininlärningsmodeller med hjälp av automatiserade pipeline.
• Övervaka och optimera maskininlärningsarbetsflöden i produktion.

Detta instruktörledna, liveutbildning i Östergötland (online eller på plats) är riktat till mellannivås dataanalytiker och utvecklare som önskar att effektivt applicera maskininlärningsalgoritmer med hjälp av Google Colab-miljön.

Vid slutet av denna utbildning kommer deltagarna kunna:

• Ställa in och navigera i Google Colab för maskininlärningsprojekt.
• Förstå och applicera olika maskininlärningsalgoritmer.
• Använda bibliotek som Scikit-learn för att analysera och förutse data.
• Implementera övervakade och oövervakade inlärningsmodeller.
• Optimerar och utvärderar maskininlärningsmodeller effektivt.

Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill utforska toppmoderna XAI-tekniker för djupinlärningsmodeller, med fokus på att bygga tolkningsbara AI-system.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med förklarbarhet inom djupinlärning.
• Implementera avancerade XAI-tekniker för neurala nätverk.
• Tolka beslut som fattas av djupinlärningsmodeller.
• Utvärdera kompromisserna mellan prestanda och transparens.

Denna instruktörsledda, liveutbildning på plats eller online riktar sig till datavetare och utvecklare som vill använda ML.NET maskininlärningsmodeller för att automatiskt härleda prognoser från utförd dataanalys för företagsapplikationer.

Efter denna utbildning kommer deltagarna att kunna:

• Installera ML.NET och integrera det i applikationsutvecklingsmiljön.
• Förstå maskininlärningsprinciperna bakom ML.NET-verktyg och algoritmer.
• Bygga och träna maskininlärningsmodeller för att göra prediktioner med den tillhandahållna data på ett smart sätt.
• Utvärdera prestandan hos en maskininlärningsmodell med hjälp av ML.NET-mått.
• Optimera noggrannheten hos befintliga maskininlärningsmodeller baserat på ML.NET-ramverket.
• Tillämpa ML.NETs maskininlärningskoncept på andra datavetenskapliga applikationer.

Denna instruktörledda, live-utbildning i Östergötland (online eller på plats) riktar sig till dataprofessionella på mellannivå som vill tillämpa maskininlärningstekniker på data-drivna affärsproblem, inklusive försäljningsprognoser och prediktiv modellering med neurala nätverk.

Efter denna utbildning kommer deltagarna kunna:

• Förstå grundläggande begrepp och typer av maskininlärning.
• Tillämpa nyckelalgoritmer för klassificering, regressionsanalys, klustring och associationsanalys.
• Utföra utforskande dataanalys och datapreparering med Python.
• Använda neurala nätverk för icke-linjära modelleringssyften.
• Implementera prediktiv analys för affärsprognoser, inklusive försäljningsdata.
• Utvärdera och optimera modellprestanda med hjälp av visuella och statistiska tekniker.

Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till cybersecurity-professionella på mellan- till avancerad nivå som vill förbättra sina färdigheter i AI-drivet hotupptäckning och incidenthantering.

Efter denna utbildning kommer deltagarna att kunna:

• Implementera avancerade AI-algoritmer för realtidshotupptäckning.
• Anpassa AI-modeller för specifika cybersecurity-utmaningar.
• Utveckla automatiseringsarbetsflöden för hotrespons.
• Skydda AI-drivna säkerhetsverktyg mot motståndarattacker.

Denna instruktörledda, live genomförda utbildning på Östergötland (online eller på plats) riktar sig till nybörjare inom cybersecurity som vill lära sig hur man använder AI för förbättrad upptäckt och hantering av hot.

Vid avslutning av denna utbildning kommer deltagarna att kunna:

• Förstå AI-applikationer inom cybersecurity.
• Implementera AI-algoritmer för hotupptäckt.
• Automatisera incidenthantering med AI-verktyg.
• Integrera AI i befintlig cybersecurity-infrastruktur.

Denna instruktörsledda, levande utbildning i Östergötland (online eller på plats) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använda AlphaFolds modeller som underlag i deras experimentella studier.

När du har genomfört utbildningen kommer du att kunna:

• Förstå de grundläggande principerna bakom AlphaFold.
• Lära dig hur AlphaFold fungerar.
• Lära dig att tolka AlphaFolds prediktioner och resultat.

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 Östergötland (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.

Syftet med denna kurs är att ge en grundläggande kompetens i tillämpningen av Machine Learning metoder i praktiken. Genom användningen av Python programmeringsspråket och dess olika bibliotek, och baserat på en mängd praktiska exempel, lär denna kurs hur man använder de viktigaste byggblockarna av Machine Learning, hur man gör data modellering beslut, tolkar utgångarna av algoritmerna och validerar resultaten.

Vårt mål är att ge dig färdigheterna att förstå och använda de mest grundläggande verktygen från verktygsfönstret med förtroende och undvika de vanliga bristerna i Data Science-applikationer.

syftet med kursen är att ge allmän färdighet i att tillämpa maskin inlärnings metoder i praktiken. Genom att använda programmeringsspråket python och dess olika bibliotek, och baserat på en mängd praktiska exempel lär den här kursen Hur man använder de viktigaste Bygg stenarna i Machine Learning, hur man fattar beslut om data modellering, tolkar utdata från algoritmerna och validera resultaten.

vårt mål är att ge dig färdigheter att förstå och använda de mest grundläggande verktygen från verktygs lådan Machine Learning tryggt och säkert och undvika de vanliga fallgroparna i data Sciences applikationer.

Tillämpad AI från grunden i Python ger programmerare och dataanalytiker de grundläggande teknikerna för att bygga maskininlärningslösningar från grunden med Python. Den täcker kärnprinciperna för övervakad inlärning inom klassificering och regression, oövervakad inlärning inom clustering och avvikelsedetektering samt avancerade arkitekturer för neurala nätverk. Boken undersöker beprövade metoder för arbete med scikit-learn, Apache Spark MLlib och Jupyter-notböcker för praktisk AI-utveckling. Den hjälper yrkesverksamma att implementera praktiska ML-modeller, utvärdera algoritmers begränsningar och slutföra tillämpade projekt för lösa verkliga problem.

Deep Reinforcement Learning (DRL) kombinerar förstärkning av inlärningsprinciper med djupinlärningsarkitekturer för att låta agenter fatta beslut genom interaktion med sin omgivning. Det ligger till grund för många moderna AI-framsteg såsom självkörande fordon, robotstyrning, algoritmisk handel och adaptiva rekommendationssystem. DRL låter en artificiell agent lära sig strategier, optimera policys och fatta självständiga beslut baserat på försök och fel med hjälp av belöningsbaserat lärande.

Denna ledarledda, live-träning (online eller på plats) riktar sig till utvecklare och dataforskare på mellan-nivå som vill lära sig och tillämpa Deep Reinforcement Learning-tekniker för att bygga intelligenta agenter som kan fatta självständiga beslut i komplexa miljöer.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå de teoretiska grunderna och matematiska principerna för Reinforcement Learning.
• Implementera nyckel RL-algoritmer inklusive Q-Learning, Policy Gradients och Actor-Critic-metoder.
• Bygga och träna Deep Reinforcement Learning-agenter med TensorFlow eller PyTorch.
• Tillämpa DRL på praktiska applikationer som spel, robotik och beslutsoptimering.
• Felsöka, visualisera och optimera träningsprestanda med moderna verktyg.

Format för Kursen

• Interaktiv föreläsning och vägledd diskussion.
• Hands-on-övningar och praktiska implementeringar.
• Live-kodningsdemonstrationer och projektbaserade tillämpningar.

Kursanpassningsalternativ

• För att begära en anpassad version av denna kurs (t.ex. med PyTorch istället för TensorFlow), kontakta oss för att ordna.

Den här kursen har skapats för chefer, lösningsarkitekter, innovationsansvariga, CTO:er, mjukvaruarkitekter och alla som är intresserade av en översikt över tillämpad artificiell intelligens och närmaste prognos för dess utveckling.

Denna instruktörledda, liveutbildning på Östergötland (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.

Denna kurs täcker AI (emphasizing Machine Learning och Deep Learning) i Automotive Industri. Det hjälper till att bestämma vilken teknik som kan (potentiellt) användas i flera situationer i en bil: från enkel automatisering, bildupplysning till självständigt beslutsfattande.

Detta 8-dagarsprogram erbjuder en fullständig resa från starka Python-ingångar till avancerad AI-systemdesign. Deltagarna utvecklar disciplinerade kodningspraktiker, mästar statistiska och djupinlärningsmetoder och bygger produktionstillförlitliga generativa AI- och agenterbaserade system. Fokus ligger på tillförlitlighet, utvärdering, säkerhet och verklighetsanpassad distribution snarare än enbart experimentering.

Artificiellt neuralt nätverk är en beräkningsdatamodell som används vid utvecklingen av Artificial Intelligence (AI) system som kan utföra "intelligenta" uppgifter. Neural Networks används ofta i Machine Learning (ML) applikationer, som i sig är en implementering av AI. Deep Learning är en delmängd av ML.

Höj din expertis inom datavetenskap med denna omfattande utbildningskurs i maskininlärning som täcker grundläggande algoritmer, inklusive Naive Bayes, beslutsträd, neurala nätverk, stödväxtmaskiner och klusteringsmetoder. Skaffa dig praktisk erfarenhet genom teoretiska grunder och tillämpning med exempel från verkliga scenarier. Kursen passar dig som är datanalytiker, mjukvaruingenjör, AI-intresserad eller affärsprofil och vill tillämpa maskininlärningslösningar. Du kommer att lära dig klassificeringsprestandamått, korsvalidering, bias-varians-compromissen och djupinlärningens grundbegrepp för att bygga robusta prediktiva modeller.

Denna instruktörsledda, liveträning i Östergötland (online eller på plats) riktar sig till forskare och utvecklare som vill använda Chainer för att bygga och träna neurala nätverk i Python samtidigt som koden är lätt att felsöka.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den utvecklingsmiljö som krävs för att börja utveckla neurala nätverksmodeller.
• Definiera och implementera neurala nätverksmodeller med hjälp av en begriplig källkod.
• Kör exempel och modifiera befintliga algoritmer för att optimera träningsmodeller för djupinlärning samtidigt som du utnyttjar GPUs för hög prestanda.

Denna instruktörsledda, live-träning i Östergötland (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 Östergötland (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 instruktörsskött, liveutbildning i Östergötland (online eller platsbaserad) är riktad till ingenjörer som vill använda feature engineering-tekniker för att bättre bearbeta data och uppnå bättre maskininlärningsmodeller.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Ställa in en optimal utvecklingsmiljö, inklusive alla nödvändiga Python-paket.
• Få viktiga insikter genom att analysera egenskaperna i en datamängd.
• Optimera maskininlärningsmodeller genom att anpassa den rådata som används.
• Rensa och omvandla datamängder inför maskininlärning.

Denna instruktörsledda, liveutbildning på Östergötland (online eller på plats) riktar sig till datavetare som vill snabba upp realtidsmaskininlärningsapplikationer och distribuera dem i stor skala.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Installera OpenVINO-verktyget.
• Snabba upp en datorseendeapplikation med hjälp av en FPGA.
• Köra olika CNN-lager på FPGA.
• Skala applikationen över flera noder i ett Kubernetes-cluster.

Maskininlärning är en gren av artificiell intelligens där datorer har förmåga att lära sig utan att bli explicit programmerade.

Djupinlärning är ett underområde inom maskininlärning som använder metoder baserade på datarepresentationer och strukturer, såsom neuronnät.

Python är ett högnivåprogrammeringsspråk känt för sin tydliga syntax och läsbar kod.

I denna instruktörsledd, liveutbildning kommer deltagarna att lära sig hur man implementerar djupinlärningsmodeller för telekom genom att gå igenom skapandet av en djupinlärningskreditrisikomodell.

Vid slutet av denna utbildning kommer deltagarna kunna:

• Förstå de grundläggande koncepten inom djupinlärning.
• Lära sig tillämpningar och användningsområden för djupinlärning inom telekom.
• Använda Python, Keras och TensorFlow för att skapa djupinlärningsmodeller för telekom.
• Bygga sin egen djupinlärningsmodell för kundavfallsprediktion med Python.

Kursformat

• Interaktiv föreläsning och diskussion.
• Många övningar och praktiska moment.
• Handson-implementation i en live-lab-miljö.

Kursanpassningsalternativ

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

Denna instruktörsledda, liveutbildning i Östergötland (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.

Denna instruktörledda, liveutbildning på Östergötland (online eller på plats) riktar sig till utvecklare eller datavetare som önskar använda Horovod för att köra distribuerad djupinlärningsträning och skala den så att den kan köras över flera GPU:er parallellt.

Genom utbildningens slut kommer deltagarna att kunna:

• Ställa upp den nödvändiga utvecklingsmiljön för att påbörja djupinlärningsträning.
• Installera och konfigurera Horovod för att träna modeller med TensorFlow, Keras, PyTorch och Apache MXNet.
• Skala djupinlärningsträning med Horovod så att den kan köras på flera GPU:er.

Denna praktiska handledaren-ledda utbildning är utformad som en naturlig fortsättning på kursen Python för dataanalys.

Den introducerar deltagarna för de grundläggande begreppen inom maskininlärning och visar hur dessa kan appliceras direkt på dataanalysuppgifter såsom prediktion, klassificering och segmentering.

Fokus ligger på att förstå hur maskininlärning fungerar i praktiken, med hjälp av välkända verktyg som Python, Pandas och Jupyter Notebook, utan krävande matematiska förkunskaper.

Denna kurs är för personer som redan har en bakgrund inom data science och statistik. Förklaringarna ges antingen som en påminnelse till de som redan är bekanta med koncepten eller för att informera de som har en lämplig bakgrund.

Den här instruktörsledda, liveutbildningen i Östergötland (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 lokalt och i molnet.
• 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.

Denna träningskurs är för personer som vill tillämpa grundläggande maskininlärningstekniker i praktiska program.

Målgrupp

Datavetare och statistiker som har någon förtrogenhet med maskininlärning och känner till hur man programmerar R. Kursens fokus ligger på de praktiska aspekterna av datamodellförberedelser, exekvering, efteranalys och visualisering. Målet är att ge en praktisk introduktion till maskininlärning för deltagare som är intresserade av att tillämpa metoderna på jobbet.

Sektorsspecifika exempel används för att göra träningskursen relevant för målgruppen.

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.

Denne kursen introducerar maskininlärningsmetoder inom robotikapplikationer.

Det är en bred överblick över befintliga metoder, motiv och huvudidéer i samband med mönsterigenkänning.

Efter en kort teoretisk bakgrund kommer deltagarna att utföra enkla övningar med hjälp av öppen källkod (vanligtvis R) eller något annat populärt programvara.

Denna instruktörsledda, liveutbildning online eller på plats är riktad till dataanalytiker, utvecklare eller blivande dataforskare på mellannivå som vill tillämpa maskininlärningstekniker i Python för att dra slutsatser, göra förutsägelser och automatisera datadrivna beslut.

Vid kursens slut kommer deltagarna kunna:

• Förstå och skilja mellan olika viktiga maskininlärningsparadigm.
• Uppleva förberedelsetekniker för data och modellutvärderingsmått.
• Tillämpa maskininlärningsalgoritmer för att lösa verkliga dataproblem.
• Använda Python bibliotek och Jupyter-notebooks för praktisk utveckling.
• Bygga modeller för förutsägelser, klassificering, rekommendationer och klusteranalys.

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.

Detta kurs ger dig begreppskunskap inom neuronnät och generellt inom maskininlärningsalgoritmer, djupinlärning (algoritmer och tillämpningar).

Del 1 (40%) av detta träningsprogram fokuserar mer på grunderna men kommer att hjälpa dig att välja rätt teknik: TensorFlow, Caffe, Theano, DeepDrive, Keras etc.

Del 2 (20%) av träningsprogrammet introducerar Theano - en Python-bibliotek som gör det enkelt att skriva djupinlärningsmodeller.

Del 3 (40%) av träningsprogrammet baserar sig på TensorFlow - API för Googles öppen källkodsbibliotek för djupinlärning. Exemplen och praktiska delarna kommer att göras i TensorFlow.

Målgrupp

Denna kurs är tänkt för tekniker som vill använda TensorFlow för sina djupinlärningsprojekt

Efter att ha avslutat denna kurs kommer deltagarna att:

• ha en bra förståelse för djupinlärningsnätverk (DNN), CNN och RNN
• förstå TensorFlow:s struktur och distributionsmekanismer
• kunna utföra installations-, produktionsmiljö-, arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, genomföra felsökning, övervakning
• kunna implementera avancerade produktionsscenarier som träning av modeller, bygga grafer och loggning