Lokale, door een instructeur geleide live Machine Learning (ML)-trainingscursussen demonstreren door hands-on praktijk hoe machine learning-technieken en -hulpmiddelen kunnen worden toegepast voor het oplossen van echte problemen in verschillende industrieën. NobleProg ML-cursussen behandelen verschillende programmeertalen en frameworks, waaronder Python, R-taal en Matlab. Machine Learning-cursussen worden aangeboden voor een aantal industriële toepassingen, waaronder financiën, banken en verzekeringen, en behandelen de grondbeginselen van machine learning, evenals meer geavanceerde benaderingen zoals deep learning. Machine Learning-training is beschikbaar als 'live training op afstand' of 'live training op locatie'. Online live training (ook bekend als "live training op afstand") wordt uitgevoerd via een interactieve, externe desktop . Live training op locatie kan lokaal worden uitgevoerd op het terrein van de klant in Utrecht of in bedrijfstrainingscentra van NobleProg in Utrecht. NobleProg -- Uw lokale trainingsaanbieder
Utrecht
The Office Operators, Stadsplateau 7, Utrecht, Nederland, 3521 AZ
Trainingen in het hart van Utrecht. NobleProg heeft in het Meeting & Conference Center 16 professionele en moderne meeting rooms beschikbaar. Alle zalen zijn voorzien van LCD en daglicht.
Het WTC Utrecht ligt direct naast het Station Utrecht Centraal, op loopafstand van de historische binnenstad en heeft volop parkeergelegenheid voor auto’s en fietsen. Hiermee is WTC Utrecht de gedroomde locatie voor organisaties die op zoek zijn naar de ideale vergaderlocatie.
Deze live training onder leiding van een instructeur in Utrecht (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 live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor professionals op gevorderd niveau die hun kennis van machine learning-modellen willen vergroten, hun vaardigheden op het gebied van hyperparameterafstemming willen verbeteren en willen leren hoe ze modellen effectief kunnen implementeren met behulp van Google Colab.
Aan het einde van deze training zijn de deelnemers in staat om:
Implementeer geavanceerde machine learning-modellen met behulp van populaire frameworks zoals Scikit-learn en TensorFlow.
Optimaliseer de prestaties van modellen door middel van hyperparameterafstemming.
Implementeer machine learning-modellen in real-world toepassingen met behulp van Google Colab.
Werk samen en beheer grootschalige machine learning-projecten in Google Colab.
Deze door een instructeur geleide, live training in Utrecht (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 live training onder leiding van een instructeur in Utrecht (online of op locatie) is bedoeld voor AI-ontwikkelaars op gemiddeld niveau, machine learning-ingenieurs en systeemarchitecten die AI-modellen willen optimaliseren voor edge-implementatie.
Aan het einde van deze training zijn de deelnemers in staat om:
Krijg inzicht in de uitdagingen en vereisten van het implementeren van AI-modellen op edge-apparaten.
Pas modelcompressietechnieken toe om de grootte en complexiteit van AI-modellen te verminderen.
Gebruik kwantiseringsmethoden om de modelefficiëntie op edge-hardware te verbeteren.
Implementeer snoei- en andere optimalisatietechnieken om de prestaties van het model te verbeteren.
Implementeer geoptimaliseerde AI-modellen op verschillende edge-apparaten.
Deze door een instructeur geleide, live training in Utrecht (online of op locatie) is bedoeld voor ontwikkelaars van gemiddeld niveau, datawetenschappers en tech-enthousiastelingen die praktische vaardigheden willen opdoen bij het implementeren van AI-modellen op edge-apparaten voor verschillende toepassingen.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp de principes van Edge AI en de voordelen ervan.
Instellen en configureren van de edge computing-omgeving.
Ontwikkel, train en optimaliseer AI-modellen voor edge-implementatie.
Implementeer praktische AI-oplossingen op edge-apparaten.
Evalueer en verbeter de prestaties van modellen die aan de rand zijn geïmplementeerd.
Pak ethische en beveiligingsoverwegingen aan in Edge AI-toepassingen.
Deze live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is gericht op professionals op gevorderd niveau die de technologieën achter autonome systemen onder de knie willen krijgen.
Aan het einde van deze training zijn de deelnemers in staat om:
Ontwerp en implementeer AI-modellen voor autonome besluitvorming.
Ontwikkel besturingsalgoritmen voor autonome navigatie en het vermijden van obstakels.
Zorg voor veiligheid en betrouwbaarheid in AI-aangedreven autonome systemen.
Integreer autonome systemen met bestaande robotica- en AI-frameworks.
Deze live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor professionals van gemiddeld niveau die AI-technieken willen toepassen om het opbrengstbeheer bij de productie van halfgeleiders te optimaliseren.
Aan het einde van deze training zijn de deelnemers in staat om:
Analyseer productiegegevens om factoren te identificeren die van invloed zijn op de opbrengstpercentages.
Implementeer AI-algoritmen om rendementsbeheerprocessen te verbeteren.
Optimaliseer productieparameters om defecten te verminderen en de opbrengst te verbeteren.
Integreer AI-gestuurd opbrengstbeheer in bestaande productieworkflows.
Deze door een instructeur geleide, live training in Utrecht (online of op locatie) is bedoeld voor professionals op het gebied van bedrijfsleven en AI op intermiddelair niveau die machine learning willen toepassen in het bedrijfsleven, voorspellingen en AI-gestuurde systemen met behulp van echte casestudies en Python-gebaseerde hulpmiddelen.Na voltooiing van deze training zullen de deelnemers in staat zijn om:
Te begrijpen hoe machine learning binnen AI en bedrijfsstrategie past.
Gebruik te maken van bewaakte en onbewaakte leertechnieken voor gestructureerde bedrijfsproblemen.
Data te voorverwerken en te transformeren voor modellering.
Neurale netwerken te gebruiken voor classificatie- en voorspellingstaken.
Verkoopvoorspellingen uit te voeren met behulp van statistische en ML-gebaseerde methoden.
Clusteren en associatieregels te implementeren voor klantsegmentatie en patroonontdekking.
Deze door een instructeur geleide, live training in Utrecht (online of ter plaatse) is gericht op professionals van gevorderd niveau die geavanceerde 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 zijn de deelnemers in staat om:
Pas geavanceerde AI-technieken toe om ontwerpprocessen voor halfgeleiders te optimaliseren.
Integreer machine learning-modellen in EDA tools voor verbeterde ontwerpverificatie.
Ontwikkel AI-gestuurde oplossingen voor complexe ontwerpuitdagingen bij de fabricage van chips.
Maak gebruik van neurale netwerken om de nauwkeurigheid en snelheid van ontwerpautomatisering te verbeteren.
Deze live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor professionals van gemiddeld niveau die AI-technieken willen begrijpen en toepassen voor het optimaliseren van fabricageprocessen voor halfgeleiders.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp AI-methodologieën voor procesoptimalisatie bij chipfabricage.
Implementeer AI-modellen om de opbrengst te verbeteren en defecten te verminderen.
Analyseer procesgegevens om de belangrijkste parameters voor optimalisatie te identificeren.
Pas machine learning-technieken toe om productieprocessen voor halfgeleiders te verfijnen.
Deze live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor deelnemers van gemiddeld niveau die machine learning-workflows willen automatiseren en beheren, inclusief modeltraining, validatie en implementatie met behulp van Apache Airflow.
Aan het einde van deze training zijn de deelnemers in staat om:
Stel Apache Airflow in voor machine learning-werkstroomorkestratie.
Automatiseer gegevensverwerking, modeltraining en validatietaken.
Integreer Airflow met machine learning-frameworks en -tools.
Implementeer machine learning-modellen met behulp van geautomatiseerde pijplijnen.
Bewaak en optimaliseer machine learning-workflows in productie.
Deze door een instructeur geleide, live training in Utrecht (online of op locatie) is gericht op data professionals op intermediair niveau die machine learning technieken willen toepassen op data-gestuurde bedrijfsproblemen, inclusief verkopen voorspellen en predictief modelleren met behulp van neurale netwerken.Na afloop van deze training kunnen de deelnemers:
De kernbegrippen en soorten van machine learning begrijpen.
Sleutelalgoritmen toepassen voor classificatie, regressie, clustering en associatieanalyse.
Exploratory data analysis en data voorbereiding uitvoeren met behulp van Python.
Neurale netwerken gebruiken voor niet-lineaire modelleringsopdrachten.
Predictieve analyse implementeren voor bedrijfsvoorspellingen, inclusief verkoopgegevens.
De prestaties van het model evalueren en optimaliseren met behulp van visuele en statistische technieken.
Deze live training onder leiding van een instructeur in Utrecht (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 een instructeur geleide, live training in Utrecht (online of ter plaatse) is gericht op cyberbeveiligingsprofessionals van gemiddeld tot gevorderd niveau die hun vaardigheden op het gebied van AI-gestuurde bedreigingsdetectie en incidentrespons willen verbeteren.
Aan het einde van deze training zijn de deelnemers in staat om:
Implementeer geavanceerde AI-algoritmen voor real-time detectie van bedreigingen.
Pas AI-modellen aan voor specifieke uitdagingen op het gebied van cyberbeveiliging.
Ontwikkel automatiseringsworkflows voor reactie op bedreigingen.
Beveilig AI-gestuurde beveiligingstools tegen vijandige aanvallen.
Deze live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is gericht op datawetenschappers en ontwikkelaars van gemiddeld niveau die machine learning-algoritmen efficiënt willen toepassen met behulp van de Google Colab-omgeving.
Aan het einde van deze training zijn de deelnemers in staat om:
Stel Goluister naar Colab voor machine learning-projecten.
Begrijp en pas verschillende machine learning-algoritmen toe.
Gebruik bibliotheken zoals Scikit-learn om gegevens te analyseren en te voorspellen.
Implementeer modellen voor gesuperviseerd en niet-gesuperviseerd leren.
Optimaliseer en evalueer machine learning-modellen effectief.
Deze door een instructeur geleide, live training in Utrecht (online of ter plaatse) is bedoeld voor cyberbeveiligingsprofessionals op beginnersniveau die willen leren hoe ze AI kunnen gebruiken voor verbeterde mogelijkheden voor het detecteren van en reageren op bedreigingen.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp AI-toepassingen in cyberbeveiliging.
Implementeer AI-algoritmen voor het detecteren van bedreigingen.
Automatiseer de reactie op incidenten met AI-tools.
Integreer AI in de bestaande cyberbeveiligingsinfrastructuur.
Deze live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor beginnende tot gemiddelde data-analisten en datawetenschappers die Weka willen gebruiken om dataminingtaken uit te voeren.
Aan het einde van deze training zijn de deelnemers in staat om:
Deze live training onder leiding van een instructeur in Utrecht (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 live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor datawetenschappers en software-ingenieurs die AdaBoost willen gebruiken om boosting-algoritmen voor machine learning te bouwen met Python.
Aan het einde van deze training zijn de deelnemers in staat om:
Stel de benodigde ontwikkelomgeving in om te beginnen met het bouwen van machine learning-modellen met AdaBoost.
Begrijp de aanpak van ensembleleren en hoe u adaptieve versterking kunt implementeren.
Leer hoe u AdaBoost-modellen bouwt om machine learning-algoritmen te stimuleren in Python.
Gebruik hyperparameterafstemming om de nauwkeurigheid en prestaties van AdaBoost-modellen te verbeteren.
Deze live training onder leiding van een instructeur in Utrecht (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 live training in Utrecht (online of ter plaatse) onder leiding van een instructeur is bedoeld voor technische personen met een achtergrond in machine learning die de machine learning-modellen willen optimaliseren die worden gebruikt voor het detecteren van complexe patronen in big data.
Aan het einde van deze training zijn de deelnemers in staat om:
Installeer en evalueer verschillende open source AutoML tools (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, enz.)
Train machine learning-modellen van hoge kwaliteit.
Los verschillende soorten gesuperviseerde machine learning-problemen efficiënt op.
Schrijf alleen de benodigde code om het geautomatiseerde machine learning-proces te starten.
This instructor-led, live training in Utrecht (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
Apply core statistical methods to pattern recognition.
Use key models like neural networks and kernel methods for data analysis.
Implement advanced techniques for complex problem-solving.
Improve prediction accuracy by combining different models.
Deze live training onder leiding van een instructeur in Utrecht (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 door een instructeur geleide, live training (op locatie of op afstand) is gericht op ingenieurs die feature-engineeringtechnieken willen toepassen om gegevens beter te verwerken en betere machine learning-modellen te verkrijgen.
Aan het einde van deze training kunnen deelnemers:
Zet een optimale ontwikkelomgeving op, inclusief alle benodigde Python-pakketten.
Verkrijg belangrijke inzichten door de kenmerken van een dataset te analyseren.
Optimaliseer machine learning-modellen door aanpassing van de onbewerkte gegevens zelf.
Gegevenssets opschonen en transformeren ter voorbereiding op machinaal leren.
Machine learning is een tak van kunstmatige intelligentie waarbij computers de mogelijkheid hebben om te leren zonder expliciet geprogrammeerd te zijn.
Deep learning is een deelgebied van machine learning, dat gebruikmaakt van methoden die zijn gebaseerd op leren, gegevensrepresentaties en -structuren, zoals neurale netwerken.
Python is een programmeertaal op hoog niveau die bekend staat om zijn duidelijke syntaxis en leesbaarheid van de code.
In deze live training onder leiding van een instructeur leren deelnemers hoe ze deep learning-modellen voor telecom kunnen implementeren met behulp van Python terwijl ze stap voor stap een deep learning-kredietrisicomodel maken.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp de fundamentele concepten van deep learning.
Leer de toepassingen en toepassingen van deep learning in telecom.
Gebruik Python, Keras en TensorFlow om deep learning-modellen voor telecom te maken.
Ontwikkel hun eigen deep learning voorspellingsmodel voor klantverloop met behulp van Python.
Opzet van de cursus
Interactieve lezing en discussie.
Veel oefeningen en oefenen.
Hands-on implementatie in een live-lab omgeving.
Opties voor het aanpassen van cursussen
Om een training op maat voor deze cursus aan te vragen, neem dan contact met ons op om een afspraak te maken.
Deze live training onder leiding van een instructeur in Utrecht (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 voor mensen die al een achtergrond hebben in data science en statistiek. De gegeven uitleg is bedoeld als herinnering voor degenen die al bekend zijn met de concepten, of om mensen met een geschikte achtergrond te informeren.
Deze live training onder leiding van een instructeur in Utrecht (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 live training onder leiding van een instructeur in Utrecht (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.
Deze instructeur-geleide, live training in Utrecht (op locatie of op afstand) is gericht op ingenieurs die Machine Learning workloads willen implementeren op een AWS EC2-server.
Aan het einde van deze training kunnen deelnemers:
Installeer en configureer Kubernetes, Kubeflow en andere benodigde software op AWS.
Gebruik EKS (Elastic Kubernetes Service) om het initialiseren van een Kubernetes-cluster op AWS te vereenvoudigen.
Maak en implementeer een Kubernetes-pijplijn voor het automatiseren en beheren van ML-modellen in productie.
Train en implementeer TensorFlow ML-modellen over meerdere GPU's en machines die parallel draaien.
Maak gebruik van andere door AWS beheerde services om een ML-applicatie uit te breiden.
Deze door een instructeur geleide, live training in Utrecht (op locatie of op afstand) is gericht op ingenieurs die Machine Learning workloads willen implementeren in de Azure-cloud.
Aan het einde van deze training kunnen deelnemers:
Installeer en configureer Kubernetes, Kubeflow en andere benodigde software op Azure.
Gebruik Azure Kubernetes Service (AKS) om het werk van het initialiseren van een Kubernetes-cluster op Azure te vereenvoudigen.
Maak en implementeer een Kubernetes-pijplijn voor het automatiseren en beheren van ML-modellen in productie.
Train en implementeer TensorFlow ML-modellen over meerdere GPU's en machines die parallel draaien.
Maak gebruik van andere door AWS beheerde services om een ML-applicatie uit te breiden.
Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die machine learning in Mathematica willen gebruiken voor data-analyse.
Aan het einde van deze training kunnen deelnemers:
Machine learning-modellen bouwen en trainen.
Gegevens importeren en voorbereiden voor machine learning.
Scheid trainingsgegevens van testgegevens.
Ontdek deep learning en neurale netwerktoepassingen in data-analyse.
Deze door een instructeur geleide live training in Utrecht (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.
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
Deze door een instructeur geleide, live training (ter plaatse of op afstand) is gericht op technische personen die willen leren hoe ze een machine learning-strategie kunnen implementeren en tegelijkertijd het gebruik van big data kunnen maximaliseren.
Aan het einde van deze training zullen de deelnemers:
Begrijp de evolutie en trends op het gebied van machine learning.
Weet hoe machine learning in verschillende industrieën wordt gebruikt.
Raak vertrouwd met de tools, vaardigheden en diensten die beschikbaar zijn om machine learning binnen een organisatie te implementeren.
Begrijp hoe machine learning kan worden gebruikt om datamining en analyse te verbeteren.
Ontdek wat een data middle-backend is en hoe deze door bedrijven wordt gebruikt.
Begrijp de rol die big data en intelligente toepassingen in verschillende sectoren spelen.
Deze training is bedoeld voor mensen die Machine Learning willen toepassen in praktische toepassingen voor hun team. De training zal niet in technische details duiken en draaien rond basisconcepten en zakelijke / operationele toepassingen daarvan.
Doelgroep
Investeerders en AI-ondernemers
Managers en ingenieurs wiens bedrijf zich in AI-ruimte begeeft
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.
Het doel van deze cursus is om een basisvaardigheid te bieden bij het toepassen van Machine Learning methoden in de praktijk. Door het gebruik van de Scala programmeertaal en de verschillende bibliotheken en op basis van een groot aantal praktische voorbeelden leert deze cursus hoe de belangrijkste bouwstenen van Machine Learning , hoe beslissingen te nemen over het modelleren van gegevens, de output van de algoritmen te interpreteren en valideer de resultaten.
Ons doel is om u de vaardigheden om te begrijpen en gebruik maken van de meest fundamentele gereedschappen uit het geven Machine Learning toolbox vertrouwen en te voorkomen dat de gemeenschappelijke valkuilen van Data Science s toepassingen.
Deze training is bedoeld voor mensen die basistechnieken voor Machine Learning toepassen in praktische toepassingen.
Publiek
Datawetenschappers en statistici die enige bekendheid hebben met machine learning en weten hoe ze R. moeten programmeren. De nadruk van deze cursus ligt op de praktische aspecten van data / modelvoorbereiding, uitvoering, post hoc analyse en visualisatie. Het doel is om een praktische inleiding tot machine learning te geven aan deelnemers die geïnteresseerd zijn in het toepassen van de methoden op het werk
Sectorspecifieke 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 live training onder leiding van een instructeur (online of ter plaatse) is bedoeld voor 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 zijn de deelnemers in staat om:
Stel de benodigde ontwikkelomgeving in om te beginnen met het ontwikkelen van machine learning-functies voor mobiele apps.
Integreer nieuwe machine learning-technologieën in Android en iOS apps met behulp van de ML Kit API's.
Verbeter en optimaliseer bestaande apps met behulp van de ML Kit SDK voor verwerking en implementatie op het apparaat.
Deze door een instructeur geleide, live training in Utrecht (online of op locatie) is gericht op interim-business en technische professionals die machine learning technieken willen toepassen om werkelijke bedrijfsuitdagingen op te lossen met behulp van praktische casestudies en hands-on tools.Na afloop van deze training zijn de deelnemers in staat om:
Te begrijpen hoe machine learning past in moderne AI-systemen en bedrijfsstrategieën.
Appropiate machine learning methoden te identificeren voor verschillende bedrijfsproblemen.
Bedrijfsdata voor te verwerken en te transformeren voor machine learning taken.
Kerntechnieken van machine learning zoals classificatie, regressie, clustering en tijdsreeksenvoorspelling toe te passen.
Machine learning modellen te interpreteren en te evalueren in het kader van bedrijfsbesluitvorming.
Ervaring op te doen via casestudies en geleerde technieken toe te passen op praktische scenario's.
Deze cursus introduceert machine learning-methoden in robotica-toepassingen.
Het is een breed overzicht van bestaande methoden, drijfveren en hoofdideeën in het kader van patroonherkenning.
Na een korte theoretische achtergrond zullen de deelnemers eenvoudige oefeningen uitvoeren met behulp van open source (meestal R) of andere populaire software.
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 live training onder leiding van een instructeur in Utrecht (online of ter plaatse) is bedoeld voor datawetenschappers en software-engineers die Random Forest willen gebruiken om machine learning-algoritmen voor grote datasets te bouwen.
Aan het einde van deze training zijn de deelnemers in staat om:
Stel de benodigde ontwikkelomgeving in om te beginnen met het bouwen van machine learning-modellen met Random forest.
Begrijp de voordelen van Random Forest en hoe u het kunt implementeren om classificatie- en regressieproblemen op te lossen.
Leer omgaan met grote datasets en het interpreteren van meerdere beslisbomen in Random Forest.
Evalueer en optimaliseer de prestaties van machine learning-modellen door de hyperparameters af te stemmen.
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.
Lees meer...
Laatst bijgewerkt:
Reviews (25)
Hunter is fantastisch, zeer boeiend, uiterst deskundig en knap. Heel goed gedaan.
Rick Johnson - Laramie County Community College
Cursus - Artificial Intelligence (AI) Overview
Automatisch vertaald
de VM is een leuk idee
Vincent - REGNOLOGY ROMANIA S.R.L.
Cursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Automatisch vertaald
Ik vond de trainer erg deskundig en beantwoordde vragen met vertrouwen om de begrip te verduidelijken.
Jenna - TCMT
Cursus - Machine Learning with Python – 2 Days
Automatisch vertaald
De duidelijkheid waarmee het is gepresenteerd
John McLemore - Motorola Solutions
Cursus - Deep Learning for Telecom (with Python)
Automatisch vertaald
De ML-ecosysteem omvat niet alleen MLFlow maar ook Optuna, hyperops, docker en docker-compose.
Guillaume GAUTIER - OLEA MEDICAL
Cursus - MLflow
Automatisch vertaald
De wijze van kennisoverdracht en de kennis van de trainer.
Jakub Rekas - Bitcomp Sp. z o.o.
Cursus - Machine Learning on iOS
Automatisch vertaald
De uitleg
Wei Yang Teo - Ministry of Defence, Singapore
Cursus - Machine Learning with Python – 4 Days
Automatisch vertaald
Ik heb genoten van het meedoen aan de Kubeflow training, die op afstand werd gehouden. Deze training stelde me in staat om mijn kennis van AWS-diensten, K8s en alle DevOps-tools rondom Kubeflow te versterken, wat de noodzakelijke basis is om het onderwerp adequaat aan te pakken. Ik wil Malawski Marcin bedanken voor zijn geduld en professionalisme tijdens de training en het advies over beste praktijken. Malawski benadert het onderwerp vanuit verschillende invalswinkels, verschillende implementatiegereedschappen Ansible, EKS kubectl, Terraform. Nu ben ik definitief overtuigd dat ik in het juiste toepassingsgebied ben.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Cursus - Kubeflow
Automatisch vertaald
De enthousiasme voor het onderwerp. De voorbeelden die hij maakte en hij verklaarde het heel goed. Sympathiek. Een beetje te gedetailleerd voor beginners. Voor managers, zou het meer abstract kunnen zijn in minder dagen. Maar het was ontworpen om te passen en we hadden een goede afstemming van tevoren.
Benedikt Chiandetti - HDI Deutschland Bancassurance Kundenservice GmbH
Cursus - Machine Learning Concepts for Entrepreneurs and Managers
Automatisch vertaald
De trainer legde de inhoud goed uit en was gedurende de hele sessie betrokken. Hij stopte om vragen te stellen en liet ons in sommige praktische sessies zelf tot onze oplossingen komen. Hij paste de cursus ook goed aan aan onze behoeften.
Robert Baker
Cursus - Deep Learning with TensorFlow 2.0
Automatisch vertaald
Convolutiefilter
Francesco Ferrara
Cursus - Introduction to Machine Learning
Automatisch vertaald
Tomasz kent de informatie goed en de cursus was goed van tempo.
Raju Krishnamurthy - Google
Cursus - TensorFlow Extended (TFX)
Automatisch vertaald
Organisatie, in overeenstemming met het voorgestelde programma, het grote kennisgebied van de trainer in dit onderwerp
Ali Kattan - TWPI
Cursus - Natural Language Processing with TensorFlow
Automatisch vertaald
De trainer was een professional in het vakgebied en wist de theorie op een uitstekende manier te relateren aan de praktijk.
Fahad Malalla - Tatweer Petroleum
Cursus - Applied AI from Scratch in Python
Automatisch vertaald
Het toont vele methoden met vooraf bereide scripts- zeer goed bereide materialen en gemakkelijk terug te traceren
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Cursus - Machine Learning – Data science
Automatisch vertaald
Ik vond de oefeningen in de lab leuk.
Marcell Lorant - L M ERICSSON LIMITED
Cursus - Machine Learning
Automatisch vertaald
In-depth coverage of machine learning topics, particularly neural networks. Demystified a lot of the topic.
Sacha Nandlall
Cursus - Python for Advanced Machine Learning
Automatisch vertaald
Very flexible.
Frank Ueltzhoffer
Cursus - Artificial Neural Networks, Machine Learning and Deep Thinking
Automatisch vertaald
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Cursus - TensorFlow for Image Recognition
Automatisch vertaald
I liked the new insights in deep machine learning.
Josip Arneric
Cursus - Neural Network in R
Automatisch vertaald
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
The global overview of deep learning.
Bruno Charbonnier
Cursus - Advanced Deep Learning
Automatisch vertaald
The topic is very interesting.
Wojciech Baranowski
Cursus - Introduction to Deep Learning
Automatisch vertaald
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Cursus - Introduction to the use of neural networks
Automatisch vertaald
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Machine Learning (ML) training cursus in Utrecht, Machine Learning (ML) opleiding cursus in Utrecht, Weekend ML (Machine Learning) cursus in Utrecht, Avond Machine Learning (ML) training in Utrecht, Machine Learning (ML) instructeur geleid Utrecht, Machine Learning instructeur in Utrecht, Machine Learning boot camp in Utrecht, Weekend ML (Machine Learning) training in Utrecht, Machine Learning instructeur geleid in Utrecht,ML (Machine Learning) lessen in Utrecht, ML (Machine Learning) een op een training in Utrecht, Machine Learning coaching in Utrecht, Machine Learning (ML) op locatie in Utrecht, Machine Learning (ML) een op een opleiding in Utrecht, Machine Learning (ML) trainer in Utrecht, ML (Machine Learning) privé cursus in Utrecht, Machine Learning (ML) on-site in Utrecht, Avond Machine Learning cursus in Utrecht
