Machine Learning Trainingen in Rotterdam

Deze live training onder leiding van een instructeur in Rotterdam (online of ter plaatse) is bedoeld voor professionals op beginnersniveau die het concept van vooraf getrainde modellen willen begrijpen en willen leren hoe ze deze kunnen toepassen om echte problemen op te lossen zonder modellen helemaal opnieuw te bouwen.

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

• Begrijp het concept en de voordelen van vooraf getrainde modellen.
• Verken verschillende vooraf getrainde modelarchitecturen en hun gebruiksscenario's.
• Verfijn een vooraf getraind model voor specifieke taken.
• Implementeer vooraf getrainde modellen in eenvoudige machine learning-projecten.

Deze door een instructeur geleide, live training in Rotterdam (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 (online of op locatie) is bedoeld voor AI-ontwikkelaars, machine learning engineers en systeemarchitecten op tussenniveau die AI-modellen willen optimaliseren voor edge-deployments.

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

• De uitdagingen en vereisten van het implementeren van AI-modellen op edge-apparaten te begrijpen.
• Modelcompressietechnieken toe te passen om de grootte en complexiteit van AI-modellen te verlagen.
• Kwantisatiemethoden te gebruiken om de efficiëntie van modellen op edge-hardware te verbeteren.
• Snoeien en andere optimalisatietechnieken te implementeren om de modelprestaties te verbeteren.
• Geoptimaliseerde AI-modellen te implementeren op verschillende edge-apparaten.

Deze door een instructeur geleide, live-training (online of op locatie) is gericht op ontwikkelaars, datawetenschappers en technologieliefhebbers op intermediair niveau die praktische vaardigheden willen verwerven in het implementeren van AI-modellen op edge-apparaten voor verschillende toepassingen.

Na afloop van deze training kunnen de deelnemers:

• De principes van Edge AI en de voordelen ervan begrijpen.
• De edge-computingomgeving installeren en configureren.
• AI-modellen ontwikkelen, trainen en optimaliseren voor edge-implementatie.
• Praktische AI-oplossingen implementeren op edge-apparaten.
• De prestaties van edge-implementatie van modellen evalueren en verbeteren.
• Ethische en veiligheidsaspecten in Edge AI-toepassingen behandelen.

Kubeflow is een open-source platform ontworpen om het bouwen, trainen en deployen van machine learning werkbelastingen op Kubernetes te vereenvoudigen.

Deze instructeurgeleide, live training (online of ter plaatse) is gericht op beginnende tot middelbare professionals die betrouwbare ML-werkstromen willen bouwen met Kubeflow.

Na afloop van deze training zullen de deelnemers de vaardigheden hebben om:

• De Kubeflow-ecosysteem en kerncomponenten te navigeren.
• Reproduceerbare werkstromen te bouwen met Kubeflow Pipelines.
• Schaalbare trainingstaken uit te voeren op Kubernetes.
• Machine learning-modellen efficient te serveren met Kubeflow Serving.

Format van de cursus

• Begeleide presentaties en samenwerkende discussies.
• Hands-on labs met echte Kubeflow-componenten.
• Praktische oefeningen om end-to-end ML-werkstromen te bouwen.

Cursusaanpassingsmogelijkheden

• Aangepaste versies van deze training kunnen worden geregeld om in te lijnen met de technologystack en projectbehoeften van uw team.

Deze door instructeurs geleide, live training in Rotterdam (online of ter plaatse) is bedoeld voor geavanceerde professionals die de technologieën achter autonome systemen willen meesteren.

Aan het einde van deze training kunnen de deelnemers:

• AI-modellen ontwerpen en implementeren voor autonomes beslissingsnemen.
• Besturingsalgorithmen ontwikkelen voor autonomie navigeren en obstakelvermijden.
• Veiligheid en betrouwbaarheid waarborgen in AI-gevoede autonome systemen.
• Autonome systemen integreren met bestaande robotica- en AI-kaders.

Deze door een instructeur geleide, live training (online of op locatie) is bedoeld voor geavanceerde professionals die hun kennis van machine learning modellen willen verbeteren, hun vaardigheden in hyperparameter tuning willen verbeteren en willen leren hoe ze modellen effectief kunnen implementeren met behulp van Google Colab.

Aan het einde van deze training kunnen de deelnemers:

• Geavanceerde machine learning modellen implementeren met populaire frameworks zoals Scikit-learn en TensorFlow.
• De prestaties van modellen optimaliseren door hyperparameter tuning.
• Machine learning modellen implementeren in real-world applicaties met behulp van Google Colab.
• Samenwerken en grote schaal machine learning projecten beheren in Google Colab.

Deze door een instructeur geleide, live training in Rotterdam (online of ter plekke) is bedoeld voor professionals op middenniveau die AI-technieken willen toepassen om de rendementsbeheer in de halvegeleiderproductie te optimaliseren.

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

• Productiedata analyseren om factoren te identificeren die de rendementspercentages beïnvloeden.
• AI-algoritmen implementeren om de rendementsbeheerprocessen te verbeteren.
• Productieparameters optimaliseren om defecten te verminderen en de rendementen te verbeteren.
• AI-gestuurde rendementsbeheer integreren in bestaande productiewerkstromen.

Deze door een instructeur geleide live training in Rotterdam (online of ter plaatse) is gericht op middelgevorderde bedrijfs- en AI-professionals die machine learning willen toepassen in het bedrijfsleven, voorspellingen en AI-gedreven systemen met behulp van echte casestudies en Python-gebaseerde tools.

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

• Inzicht hebben in hoe machine learning past binnen AI en bedrijfsstrategie.
• Supervised en unsupervised learning technieken toepassen op gestructureerde bedrijfsproblemen.
• Data voorbereiden en transformeren voor modellering.
• Neuraal netwerken gebruiken voor classificatie- en voorspellingsopdrachten.
• Verkoopvoorspelling uitvoeren met statistische en ML-gestuurde methoden.
• Clustering en associatie Regel Mining implementeren voor klantsegmentatie en patroondetectie.

Deze door instructeurs geleide, live training in Rotterdam (online of ter plaatse) is gericht op professionals op gevorderd niveau die de nieuwste AI-technieken willen toepassen op de automatisering van halfgeleiderontwerp, waardoor de efficiëntie, nauwkeurigheid en innovatie in chipontwerp en verificatie worden verbeterd.

Aan het einde van deze training kunnen de deelnemers:

• Geavanceerde AI-technieken toepassen om de halfgeleiderontwerpprocessen te optimaliseren.
• Machine learning-modellen integreren in EDA-tools voor verbeterde ontwerpverificatie.
• AI-gestuurde oplossingen ontwikkelen voor complexe ontwerpuitdagingen in chipfabricage.
• Neurale netwerken inzetten voor het verbeteren van de nauwkeurigheid en snelheid van ontwerpautomatisering.

Deze door een instructeur geleide live training (online of op locatie) is gericht op professionals op tussenniveau die AI-technieken willen begrijpen en toepassen om halfgeleiderfabricageprocessen te optimaliseren.

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

• AI-methodologieën voor procesoptimalisatie in chipfabricage te begrijpen.
• AI-modellen te implementeren om de opbrengst te verhogen en defecten te verminderen.
• Procesgegevens te analyseren om belangrijke parameters voor optimalisatie te identificeren.
• Machine learning technieken toe te passen om halfgeleiderfabricageprocessen te verfijnen.

Deze door een instructeur gegeven, live training (online of op locatie) is gericht op deelnemers op intermediair niveau die machine learning workflows willen automatiseren en beheren, inclusief model training, validatie en implementatie met behulp van Apache Airflow.

Na afloop van deze training zullen de deelnemers in staat zijn om:

• Apache Airflow in te stellen voor het orchestreren van machine learning workflows.
• Data preprocessing, model training en validatietaken te automatiseren.
• Airflow te integreren met machine learning frameworks en tools.
• Machine learning modellen te implementeren met behulp van geautomatiseerde pipelines.
• Machine learning workflows in productie te monitoren en te optimaliseren.

Deze instructeurgeleide, live training (online of op locatie) is gericht op geavanceerde datawetenschappers en ontwikkelaars die machine learning-algoritmen efficiënt willen toepassen in de Google Colab omgeving.

Aan het einde van deze training kunnen deelnemers:

• Google Colab instellen en navigeren voor machine learning-projecten.
• Verschillende machine learning-algoritmen begrijpen en toepassen.
• Bibliotheken zoals Scikit-learn gebruiken om data te analyseren en voorspellingen te doen.
• Gebruik maken van gesuperviseerde en ongesuperviseerde leermodellen.
• Machine learning-modellen effectief optimaliseren en evalueren.

Deze door een instructeur geleide, live training (online of op locatie) is gericht op datawetenschappers en ontwikkelaars die ML.NET machine learning modellen willen gebruiken om automatisch voorspellingen af te leiden uit uitgevoerde data-analyse voor ondernemingsapplicaties.

Aan het einde van deze training kunnen de deelnemers:

• ML.NET installeren en integreren in de applicatieontwikkelingsomgeving.
• De machine learning principes achter de ML.NET hulpmiddelen en algoritmen begrijpen.
• Machine learning modellen bouwen en trainen om voorspellingen te doen met de verstrekte data.
• De prestaties van een machine learning model evalueren met behulp van de ML.NET metriek.
• De nauwkeurigheid van bestaande machine learning modellen optimaliseren op basis van het ML.NET framework.
• De machine learning concepten van ML.NET toepassen op andere datawetenschapstoepassingen.

Deze instructeurgeleide, live training (online of op locatie) is gericht op data professionals op tussenniveau die machine learning technieken willen toepassen op data-gedreven zakelijke problemen, inclusief verkoopvoorspellingen en voorspellend modellering met behulp van neurale netwerken.

Aan het einde van deze training kunnen de deelnemers:

• De kernbegrippen en typen van machine learning begrijpen.
• Sleutelalgorithmen toepassen voor classificatie, regressie, clustering en associatie-analyse.
• Exploratory data analysis en data voorbereiding uitvoeren met Python.
• Neurale netwerken gebruiken voor niet-lineaire modelleringstaken.
• Voorspellende analyse implementeren voor zakelijke voorspellingen, inclusief verkoopgegevens.
• Modelprestaties evalueren en optimaliseren met behulp van visuele en statistische technieken.

Deze live training onder leiding van een instructeur in Rotterdam (online of ter plaatse) is bedoeld voor datawetenschappers van gemiddeld tot gevorderd niveau, machine learning-ingenieurs, deep learning-onderzoekers en computervisie-experts die hun kennis en vaardigheden op het gebied van deep learning willen uitbreiden voor het genereren van tekst-naar-beeld.

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

• Begrijp geavanceerde deep learning-architecturen en -technieken voor het genereren van tekst-naar-beeld.
• Implementeer complexe modellen en optimalisaties voor hoogwaardige beeldsynthese.
• Optimaliseer prestaties en schaalbaarheid voor grote datasets en complexe modellen.
• Stem hyperparameters af voor betere modelprestaties en generalisatie.
• Integreer Stable Diffusion met andere frameworks en tools voor deep learning

Deze door instructeurs geleide live training in Rotterdam (online of op locatie) richt zich op cyberbeveiligingsprofessionals op middel tot gevorderd niveau die hun vaardigheden op het gebied van AI-gedreven bedreigingsdetectie en incidentrespons willen verbeteren.

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

• Geavanceerde AI-algoritmen implementeren voor real-time bedreigingsdetectie.
• AI-modellen aanpassen voor specifieke cyberbeveiligingsuitdagingen.
• Automatisatieworkflows ontwikkelen voor bedreigingsrespons.
• AI-gedreven beveiligingsinstrumenten beschermen tegen adversarische aanvallen.

Deze door een instructeur geleide, live training in Rotterdam (online of op locatie) is gericht op cybersecurity-professionals op beginniveau die willen leren hoe ze AI kunnen inzetten voor verbeterde mogelijkheden voor detectie en respons op bedreigingen.

Aan het einde van deze training kunnen de deelnemers:

• AI-toepassingen in cybersecurity begrijpen.
• AI-algoritmes implementeren voor bedreigingsdetectie.
• Incidentrespons automatiseren met AI-tools.
• AI integreren in bestaande cybersecurity-infrastructuur.

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 live training onder leiding van een instructeur in Rotterdam (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.

Deze live training onder leiding van een instructeur (online of ter plaatse) is bedoeld voor datawetenschappers, machine learning-ingenieurs en computervisie-onderzoekers die Stable Diffusion willen gebruiken om afbeeldingen van hoge kwaliteit te genereren voor verschillende gebruiksscenario's.

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

• Begrijp de principes van Stable Diffusion en hoe het werkt voor het genereren van afbeeldingen.
• Bouw en train Stable Diffusion-modellen voor taken voor het genereren van afbeeldingen.
• Pas Stable Diffusion toe op verschillende scenario's voor het genereren van afbeeldingen, zoals inpainting, outpainting en beeld-naar-beeld-vertaling.
• Optimaliseer de prestaties en stabiliteit van Stable Diffusion modellen.

Het doel van deze cursus is om een basiskennis te bieden in het toepassen van Machine Learning methoden in de praktijk. Door het gebruik van de Python programmeringstaal en de verschillende bibliotheken, en gebaseerd op een groot aantal praktische voorbeelden, leert deze cursus hoe de belangrijkste bouwblokken van Machine Learning te gebruiken, hoe data-modelingbeslissingen te nemen, de uitkomsten van de algoritmen te interpreteren en de resultaten te valideren.

Ons doel is om u de vaardigheden te geven om de meest fundamentele hulpmiddelen van de Machine Learning toolbox vertrouwelijk te begrijpen en te gebruiken en de gemeenschappelijke pitfalls van de Data Science-toepassingen te voorkomen.

het doel van deze cursus is het verstrekken van algemene bekwaamheid in de toepassing van machine leermethoden in de praktijk. Door het gebruik van de python programmeertaal en de verschillende bibliotheken, en gebaseerd op een veelheid van praktische voorbeelden van deze cursus leert hoe de belangrijkste bouwstenen van de machine leren gebruiken, hoe je data modellering beslissingen te maken, interpreteren van de uitgangen van de algoritmen en valideren van de resultaten.

ons doel is om u de vaardigheden om te begrijpen en gebruik maken van de meest fundamentele instrumenten van de machine leren Toolbox vol vertrouwen en Vermijd de gemeenschappelijke valkuilen van data Sciences toepassingen.

Deze door een instructeur geleide, live training in Rotterdam (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 Rotterdam (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 cursus zal een combinatie zijn van theorie en praktisch werk met specifieke voorbeelden die tijdens het evenement worden gebruikt.

Deze door een instructeur geleide live training op Rotterdam (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 Rotterdam (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 instructeur-leden, live-training in Rotterdam (online of ter plaatse) is gericht op ingenieurs die feature engineering-technieken willen toepassen om gegevens beter te verwerken en betere machine learning-modellen te verkrijgen.

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

• Een optimale ontwikkelomgeving in te richten, inclusief alle benodigde Python-pakketten.
• Belangrijke inzichten te verkrijgen door de kenmerken van een dataset te analyseren.
• Machine learning-modellen te optimaliseren door de brute data zelf aan te passen.
• Datasets op te schonen en te transformeren in voorbereiding op machine learning.

Machine learning is een tak van kunstmatige intelligentie waarin computers de mogelijkheid hebben om te leren zonder expliciet te worden geprogrammeerd.

Deep learning is een subdiscipline van machine learning die methoden gebruikt op basis van het leren van datavoorstellingen en structuren zoals neurale netwerken.

Python is een hooggenivele programmeertaal die beroemd is om zijn duidelijke syntaxis en code-leesbaarheid.

In deze door een instructeur geleide, live-training leren de deelnemers hoe ze deep learning modellen kunnen implementeren voor telecom met behulp van Python, terwijl ze de creatie van een deep learning credit risk model doorlopen.

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

• De basisconcepten van deep learning te begrijpen.
• De toepassingen en gebruik van deep learning in telecom te leren.
• Python, Keras en TensorFlow te gebruiken om deep learning modellen voor telecom te creëren.
• Hun eigen deep learning customer churn voorspellingsmodel te bouwen met behulp van Python.

Opzet van de cursus

• Interactieve les en discussie.
• Veel oefeningen en praktijk.
• Handson implementatie in een live-labomgeving.

Opties voor aanpassing van de cursus

• Neem contact met ons op om een aangepaste training voor deze cursus te vragen.

Deze live training onder leiding van een instructeur in Rotterdam (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 cursus is bedoeld voor mensen die al een achtergrond hebben in data science en statistiek. De gegeven uitleg is ontworpen om te dienen als een herinnering voor degenen die al bekend zijn met de concepten of om hen die een passende achtergrond hebben te informeren.

Deze live training onder leiding van een instructeur in Rotterdam (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 Rotterdam (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.

Dit instructeurgeleide, live-training (online of on-site) is gericht op ingenieurs die Machine Learning-workloads willen implementeren in de Azure-cloud.

Na afloop van deze training zullen de deelnemers in staat zijn:

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

Deze live training onder leiding van een instructeur in Rotterdam (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 op locatie en in de cloud.
• 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.

Machine Learning is een tak van kunstmatige intelligentie waarbij computers de mogelijkheid hebben om te leren zonder expliciet geprogrammeerd te zijn. Python is een programmeertaal die bekend staat om zijn duidelijke syntaxis en leesbaarheid. Het biedt een uitstekende verzameling goed geteste bibliotheken en technieken voor het ontwikkelen van machine learning-toepassingen.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze machine learning-technieken en -tools kunnen toepassen voor het oplossen van echte problemen in de banksector.

Deelnemers leren eerst de belangrijkste principes en brengen hun kennis vervolgens in de praktijk door hun eigen machine learning-modellen te bouwen en deze te gebruiken om een aantal teamprojecten te voltooien.

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Opzet van de cursus

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

Dit trainer-geloodste, live-training in Rotterdam (online of ter plaatse) is gericht op technische personen die willen leren hoe ze een machine learning-strategie kunnen implementeren terwijl de gebruik van big data wordt gemaximaliseerd.

Na afloop van deze training zullen de deelnemers:

• Het evolutie- en trendsproces voor machine learning begrijpen.
• Begrijpen hoe machine learning wordt gebruikt in verschillende sectoren.
• Vertrouwd raken met de tools, vaardigheden en diensten die beschikbaar zijn om machine learning te implementeren binnen een organisatie.
• Het gebruik van machine learning voor het verbeteren van data mining en analyse begrijpen.
• Leren wat een data middle backend is en hoe deze wordt gebruikt door bedrijven.
• Begrijpen welke rol big data en intelligente toepassingen spelen in verschillende sectoren.

Dit trainingsprogramma is bedoeld voor mensen die machine learning willen toepassen in praktische toepassingen voor hun team. Het training zal zich niet verdiepen in technische details en zal zich richten op basisconcepten en zakelijke/operationele toepassingen hiervan.

Doelgroep

1. Investeerders en AI-ondernemers
2. Managers en ingenieurs wiens bedrijf zich in de AI-branche stort
3. Zakelijke analisten & investeerders

Machine learning is een tak van kunstmatige intelligentie waarbij computers de mogelijkheid hebben om te leren zonder expliciet geprogrammeerd te zijn. Python is een programmeertaal die bekend staat om zijn duidelijke syntaxis en leesbaarheid. Het biedt een uitstekende verzameling goed geteste bibliotheken en technieken voor het ontwikkelen van machine learning-toepassingen.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze machine learning-technieken en -tools kunnen toepassen voor het oplossen van echte problemen in de financiële sector.

Deelnemers leren eerst de belangrijkste principes en brengen hun kennis vervolgens in de praktijk door hun eigen machine learning-modellen te bouwen en deze te gebruiken om een aantal teamprojecten te voltooien.

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

• Begrijp de fundamentele concepten in machine learning
• Leer de toepassingen en het gebruik van machine learning in finance
• Ontwikkel hun eigen algoritmische handelsstrategie met behulp van machine learning met Python

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Opzet van de cursus

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

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.

Dit opleidingstraject is bedoeld voor mensen die basis Machine Learning-technieken willen toepassen in praktische toepassingen.

Publiek

Datawetenschappers en statistici die een bepaalde bekendheid hebben met machine learning en weten hoe ze R moeten programmeren. De nadruk van dit opleidingscursus ligt op de praktische aspecten van data/modelvoorbereiding, uitvoering, post hoc-analyse en visualisatie. Het doel is om deelnemers een praktische inleiding tot machine learning te geven die geïnteresseerd zijn in het toepassen van de methoden op hun werk.

Sector-specifieke voorbeelden worden gebruikt om de training relevant te maken voor het publiek.

In deze door een instructeur geleide, live training leren deelnemers hoe ze de iOS Machine Learning (ML) technologiestack kunnen gebruiken terwijl ze stap voor stap door het maken en implementeren van een iOS mobiele app gaan.

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

• Maak een mobiele app die geschikt is voor beeldverwerking, tekstanalyse en spraakherkenning
• Access vooraf getrainde ML-modellen voor integratie in iOS apps
• Een aangepast ML-model maken
• Siri Voice-ondersteuning toevoegen aan iOS-apps
• Frameworks zoals coreML, Vision, CoreGraphics en GamePlayKit begrijpen en gebruiken
• Gebruik talen en tools zoals Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda en Spyder

Audiëntie

• Ontwikkelaars

Vorm van de cursus

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

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.

Dit instructeurgeleide, live training in Rotterdam (online of op locatie) is gericht op middenkundige zaken- en technische professionals die machine learning-technieken willen toepassen om echte bedrijfsuitdagingen te verhelpen met praktijkgerichte casestudies en hands-on tools.

Aan het einde van deze training kunnen de deelnemers:

• Inzicht krijgen in hoe machine learning past binnen moderne AI-systemen en zakenstrategieën.
• Passende machine learning-methoden identificeren voor verschillende bedrijfsproblemen.
• Zakelijke gegevens voorbereiden en transformeren voor machine learning-taken.
• Kernmachine learning-technieken zoals classificatie, regressie, clustering en tijdsreeksvoorspelling toepassen.
• Machine learning-modellen interpreteren en evalueren in de context van zakelijke besluitvorming.
• Praktijkervaring opdoen door middel van casestudies en geleerde technieken toepassen op praktische scenario's.

Deze cursus introduceert machine learning-methoden in robotica-toepassingen.

Het is een brede overzicht van bestaande methoden, motivaties en hoofdideeën in de context van patroonherkenning.

Na een korte theoretische achtergrond zullen de deelnemers eenvoudige oefeningen uitvoeren met behulp van open source (meestal R) of andere populaire software.

Deze door een instructeur geleide live training in Rotterdam (online of ter plaatse) is gericht op geavanceerde data-analyse, ontwikkelaars of toekomstige datawetenschappers die machine learning-technieken willen toepassen in Python om inzichten te verkrijgen, voorspellingen te doen en gegevensgestuurde beslissingen te automatiseren.

Na voltooiing van deze cursus zullen de deelnemers in staat zijn om:

• De belangrijkste machine learning-paradigma's te begrijpen en te onderscheiden.
• Gegevensvoorbewerkingstechnieken en modelbeoordelingsmetrieken te verkennen.
• Machine learning-algoritmen toe te passen op echte problemen met gegevens.
• Python bibliotheken en Jupyter-notebooks te gebruiken voor praktische ontwikkeling.
• Modellen te bouwen voor voorspelling, classificatie, aanbeveling en clustering.

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.

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.

Dit instructeur-led, live training in Rotterdam (online of ter plaatse) is gericht op ingenieurs die willen leren hoe ze machine learning-modellen schrijven, laden en uitvoeren op zeer kleine ingesloten apparaten.

Na afloop van deze training zullen de deelnemers in staat zijn:

• TensorFlow Lite te installeren.
• Machine learning-modellen op een ingesloten apparaat te laden om spraak herkenning, afbeeldingen classificeren, etc. mogelijk te maken.
• Kunstmatige intelligentie toe te voegen aan hardware-apparaten zonder netwerkverbinding nodig te hebben.