Feature Engineering voor Machine Learning Training Cursus

Deze door een instructeur geleide, live training in Nederland (online of ter plaatse) is gericht op datawetenschappers en software-ontwikkelaars die AdaBoost willen gebruiken om boosting-algoritmen te bouwen voor machine learning met Python.

Aan het einde van deze training kunnen deelnemers:

• De noodzakelijke ontwikkelomgeving instellen om te beginnen met het bouwen van machine learning modellen met AdaBoost.
• Het ensemble learning benadering begrijpen en het implementeren van adaptieve boosting.
• Leren hoe AdaBoost modellen te bouwen om machine learning algoritmen in Python te verbeteren.
• Hyperparameter tuning gebruiken om de nauwkeurigheid en prestaties van AdaBoost modellen te verhogen.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is gericht op zowel datawetenschappers als minder technische personen die Auto-Keras willen gebruiken om het proces van het selecteren en optimaliseren van een machine learning-model te automatiseren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Automatiseer het proces van het trainen van zeer efficiënte machine learning-modellen.
• Zoek automatisch naar de beste parameters voor deep learning-modellen.
• Bouw zeer nauwkeurige machine learning-modellen.
• Gebruik de kracht van machine learning om echte zakelijke problemen op te lossen.

Deze door een instructeur geleide live training (online of ter plaatse) is gericht op technische deelnemers met een achtergrond in machine learning die hun modellen willen optimaliseren voor het detecteren van complexe patronen in big data met behulp van AutoML-frameworks.

Deze door een instructeur geleide, live training in Nederland (online of op locatie) is bedoeld voor deelnemers met verschillende expertiseniveaus die gebruik willen maken van het AutoML-platform van Google om op maat gemaakte chatbots te bouwen voor verschillende toepassingen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de basisprincipes van de ontwikkeling van chatbots.
• Navigeer door het Google Cloud Platform en ga naar AutoML.
• Bereid gegevens voor op het trainen van chatbotmodellen.
• Train en evalueer aangepaste chatbotmodellen met behulp van AutoML.
• Implementeer en integreer chatbots in verschillende platforms en kanalen.
• Bewaak en optimaliseer de prestaties van chatbots in de loop van de tijd.

Deze door een instructeur geleide live training op Nederland (online of op locatie) biedt een introductie in het gebied van patroonherkenning en machine learning. Het raakt aan praktische toepassingen in statistiek, informatica, signaalverwerking, computervisie, datamining en bio-informatiek.

Na afloop van deze training kunnen de deelnemers:

• Kernstatistische methoden toepassen op patroonherkenning.
• Sleutelmodellen zoals neurale netwerken en kernelmethoden gebruiken voor gegevensanalyse.
• Geavanceerde technieken implementeren voor complex probleemoplossen.
• Voorspellingsnauwkeurigheid verbeteren door verschillende modellen te combineren.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor datawetenschappers en data-analisten die voorspellende modellen willen automatiseren, evalueren en beheren met behulp van de machine learning-mogelijkheden van DataRobot.

Aan het einde van deze training zijn de deelnemers in staat om:

• Laad datasets in DataRobot om gegevens te analyseren, te beoordelen en de kwaliteit te controleren.
• Bouw en train modellen om belangrijke variabelen te identificeren en voorspellingsdoelen te halen.
• Interpreteer modellen om waardevolle inzichten te creëren die nuttig zijn bij het nemen van zakelijke beslissingen.
• Bewaak en beheer modellen om geoptimaliseerde voorspellingsprestaties te behouden.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor datawetenschappers, data-analisten en ontwikkelaars die AutoML producten en functies willen verkennen om met minimale inspanning aangepaste ML-trainingsmodellen te maken en te implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Verken de productlijn AutoML om verschillende services voor verschillende gegevenstypen te implementeren.
• Bereid gegevenssets voor en label ze om aangepaste ML-modellen te maken.
• Train en beheer modellen om nauwkeurige en eerlijke machine learning-modellen te produceren.
• Maak voorspellingen met behulp van getrainde modellen om te voldoen aan bedrijfsdoelstellingen en -behoeften.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers die machine learning-workflows willen bouwen, implementeren en beheren op Kubernetes.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer en configureer Kubeflow on-premise en in de cloud met behulp van AWS EKS (Elastic Kubernetes Service).
• Bouw, implementeer en beheer ML-workflows op basis van Docker containers en Kubernetes.
• Voer volledige machine learning-pijplijnen uit op verschillende architecturen en cloudomgevingen.
• Kubeflow gebruiken om Jupyter-notebooks te maken en te beheren.
• Bouw ML-training, hyperparameterafstemming en het serveren van workloads op meerdere platforms.

Deze instructeur-ged真的ede, live training in Nederland (online of ter plaatse) is gericht op ingenieurs die Machine Learning werkbelastingen naar een AWS EC2-server willen implementeren.

Aan het einde van deze training zullen de deelnemers in staat zijn:

• Kubernetes, Kubeflow en andere benodigde software te installeren en configureren op AWS.
• EKS (Elastic Kubernetes Service) te gebruiken om het werk van het initialiseren van een Kubernetes-cluster op AWS te vereenvoudigen.
• Een Kubernetes-pijplijn te maken en in te zetten voor het automatiseren en beheren van ML-modellen in productie.
• TensorFlow ML-modellen te trainen en implementeren over meerdere GPUs en machines die parallel lopen.
• Andere AWS-beheerde services te benutten om een ML-toepassing uit te breiden.

Deze live training onder leiding van een instructeur (online of ter plaatse) is bedoeld voor datawetenschappers die verder willen gaan dan het bouwen van ML-modellen en het creatie-, tracking- en implementatieproces van ML-modellen willen optimaliseren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer en configureer MLflow en gerelateerde ML-bibliotheken en -frameworks.
• Waardeer het belang van traceerbaarheid, reproduceerbaarheid en inzetbaarheid van een ML-model
• Implementeer ML-modellen in verschillende openbare clouds, platforms of on-premise servers.
• Schaal het ML-implementatieproces zodat meerdere gebruikers aan een project kunnen samenwerken.
• Zet een centraal register op om met ML-modellen te experimenteren, deze te reproduceren en te implementeren.

Deze door een instructeur geleide live-training (online of ter plekke) is gericht op ontwikkelaars die Google’s ML Kit willen gebruiken om machine learning-modellen te bouwen die zijn geoptimaliseerd voor verwerking op mobiele apparaten.

Aan het einde van deze training kunnen de deelnemers:

• De noodzakelijke ontwikkelomgeving instellen om met het ontwikkelen van machine learning-functies voor mobiele apps te beginnen.
• Nieuwe machine learning-technologieën integreren in Android- en iOS-apps met behulp van de ML Kit APIs.
• Bestaande apps verbeteren en optimaliseren met behulp van de ML Kit SDK voor op-apparaatverwerking en implementatie.

Pattern Matching is een techniek die wordt gebruikt om gespecificeerde patronen in een afbeelding te lokaliseren. Het kan worden gebruikt om het bestaan van gespecificeerde kenmerken in een vastgelegd beeld te bepalen, bijvoorbeeld het verwachte label op een defect product in een fabriekslijn of de gespecificeerde afmetingen van een onderdeel. Het verschilt van "Pattern Recognition" (dat algemene patronen herkent op basis van grotere verzamelingen van verwante monsters) in die zin dat het specifiek dicteert waarnaar we op zoek zijn en ons vervolgens vertelt of het verwachte patroon bestaat of niet.

Vorm van de cursus

• Deze cursus introduceert de benaderingen, technologieën en algoritmen die worden gebruikt op het gebied van patroonherkenning zoals dat van toepassing is op Machine Vision.

Deze door een instructeur geleide, live training (online of op locatie) is bedoeld voor datawetenschappers en softwareontwikkelaars die Random Forest willen gebruiken om machine learning-algoritmen te bouwen voor grote datasets.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De noodzakelijke ontwikkelomgeving in te stellen om te beginnen met het bouwen van machine learning-modellen met Random Forest.
• De voordelen van Random Forest te begrijpen en te leren hoe je het kunt implementeren om classificatie- en regressieproblemen op te lossen.
• Te leren hoe je grote datasets kunt beheren en de verschillende beslissingsbomen in Random Forest kunt interpreteren.
• De prestaties van machine learning-modellen te evalueren en te optimaliseren door hyperparameters af te stellen.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor data-analisten op gemiddeld niveau die willen leren hoe ze RapidMiner kunnen gebruiken om waarden te schatten en te projecteren en analytische tools willen gebruiken voor het voorspellen van tijdreeksen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Leer de CRISP-DM-methodologie toe te passen, selecteer de juiste machine learning-algoritmen en verbeter de modelconstructie en -prestaties.
• Gebruik RapidMiner om waarden te schatten en te projecteren, en gebruik analytische hulpmiddelen voor het voorspellen van tijdreeksen.

RapidMiner is een open source datawetenschapssoftwareplatform voor snelle prototyping en ontwikkeling van applicaties. Het omvat een geïntegreerde omgeving voor gegevensvoorbereiding, machine learning, deep learning, text mining en voorspellende analyses. 

In deze live training onder leiding van een instructeur leren deelnemers hoe ze RapidMiner Studio kunnen gebruiken voor gegevensvoorbereiding, machine learning en implementatie van voorspellende modellen. 

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeren en configureren RapidMiner
• Gegevens voorbereiden en visualiseren met RapidMiner
• Machine learning-modellen valideren
• Mashup data en creëer voorspellende modellen
• Operationaliseren van predictive analytics binnen een bedrijfsproces
• Problemen oplossen en optimaliseren RapidMiner

Audiëntie

• Datawetenschappers
• Ingenieurs
• Ontwikkelaars

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Notitie

• Om een training op maat voor deze cursus aan te vragen, neem dan contact met ons op om een afspraak te maken.