Курс за обучение по Apache Airflow for Data Science: Automating Machine Learning Pipelines

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и софтуерни инженери, които желаят да използват AdaBoost за изграждане на усилващи алгоритми за машинно обучение с Python.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка, за да започнете изграждането на модели за машинно обучение с AdaBoost.
• Разберете подхода за обучение в ансамбъл и как да приложите адаптивно усилване.
• Научете как да изграждате AdaBoost модели за подобряване на алгоритмите за машинно обучение в Python.
• Използвайте настройка на хиперпараметър, за да увеличите точността и производителността на AdaBoost модели.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, които желаят да използват екосистемата Anaconda за улавяне, управление и внедряване на пакети и работни процеси за анализ на данни в една платформа.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Anaconda компоненти и библиотеки.
• Разберете основните концепции, функции и предимства на Anaconda.
• Управлявайте пакети, среди и канали с помощта на Anaconda Навигатор.
• Използвайте пакети Conda, R и Python за наука за данни и машинно обучение.
• Запознайте се с някои практически случаи и техники за управление на множество среди с данни.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, както и към по-малко технически лица, които желаят да използват Auto-Keras за автоматизиране на процеса на избор и оптимизиране на модел за машинно обучение.

До края на това обучение участниците ще могат:

• Автоматизирайте процеса на обучение на високоефективни модели за машинно обучение.
• Автоматично търсене на най-добрите параметри за модели за дълбоко обучение.
• Изградете високоточни модели за машинно обучение.
• Използвайте силата на машинното обучение за решаване на бизнес проблеми от реалния свят.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към технически лица с опит в машинното обучение, които искат да оптимизират моделите за машинно обучение, използвани за откриване на сложни модели в големи данни.

До края на това обучение участниците ще могат:

• Инсталирайте и оценете различни инструменти с отворен код AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA и др.)
• Обучете висококачествени модели за машинно обучение.
• Ефективно решаване на различни типове проблеми с контролирано машинно обучение.
• Напишете само необходимия код, за да стартирате процеса на автоматизирано машинно обучение.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към участници с различни нива на опит, които желаят да използват платформата на Google AutoML за изграждане на персонализирани чатботове за различни приложения.

До края на това обучение участниците ще могат:

• Разберете основите на разработката на chatbot.
• Навигирайте в Google Cloud Platform и отворете AutoML.
• Подгответе данни за обучение на чатбот модели.
• Обучете и оценете персонализирани модели на чатбот с помощта на AutoML.
• Разположете и интегрирайте chatbots в различни платформи и канали.
• Наблюдавайте и оптимизирайте ефективността на chatbot във времето.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и анализатори на данни, които желаят да автоматизират, оценяват и управляват прогнозни модели, използвайки възможностите за машинно обучение на DataRobot.

До края на това обучение участниците ще могат:

• Заредете набори от данни в DataRobot, за да анализирате, оцените и проверите качеството на данните.
• Изградете и обучете модели за идентифициране на важни променливи и постигане на целите за прогнозиране.
• Интерпретирайте модели, за да създадете ценни прозрения, които са полезни при вземането на бизнес решения.
• Наблюдавайте и управлявайте модели, за да поддържате оптимизирана производителност на прогнозиране.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към начинаещи до анализатори на данни на средно ниво и специалисти по данни, които желаят да използват Weka за изпълнение на задачи за извличане на данни.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Weka.
• Разберете Weka средата и работната маса.
• Изпълнявайте задачи за извличане на данни с помощта на Weka.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, анализатори на данни и разработчици, които желаят да изследват AutoML продукти и функции, за да създадат и внедрят персонализирани модели за обучение на ML с минимални усилия.

До края на това обучение участниците ще могат:

• Разгледайте продуктовата линия AutoML, за да приложите различни услуги за различни типове данни.
• Подгответе и етикетирайте набори от данни, за да създадете персонализирани ML модели.
• Обучете и управлявайте модели за създаване на точни и честни модели за машинно обучение.
• Правете прогнози, като използвате обучени модели, за да посрещнете бизнес целите и нуждите.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към учени и разработчици на данни, които желаят да учат и изградят кариерата си в Data Science с помощта на Kaggle.

До края на това обучение участниците ще могат:

• Научете за науката за данните и машинното обучение.
• Разгледайте анализа на данни.
• Научете за Kaggle и как работи.

Това водено от инструктор обучение на живо (онлайн или на място) е насочено към разработчици, които желаят да използват Google ML Kit за изграждане на модели за машинно обучение, които са оптимизирани за обработка на мобилни устройства.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка, за да започнете да разработвате функции за машинно обучение за мобилни приложения.
• Интегрирайте нови технологии за машинно обучение в Android и iOS приложения с помощта на ML Kit API.
• Подобрете и оптимизирайте съществуващите приложения с помощта на ML Kit SDK за обработка и внедряване на устройството.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и разработчици, които желаят да използват Modin за изграждане и прилагане на паралелни изчисления с Pandas за по-бърз анализ на данни.

До края на това обучение участниците ще могат:

• Настройте необходимата среда, за да започнете да разработвате Pandas работни потоци в мащаб с Modin.
• Разберете характеристиките, архитектурата и предимствата на Modin.
• Познайте разликите между Modin, Dask и Ray.
• Изпълнете Pandas операции по-бързо с Modin.
• Внедрете целия Pandas API и функции.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и софтуерни инженери, които желаят да използват Random Forest за изграждане на алгоритми за машинно обучение за големи набори от данни.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка, за да започнете да изграждате модели за машинно обучение с Random forest.
• Разберете предимствата на Random Forest и как да го приложите, за да разрешите проблеми с класификацията и регресията.
• Научете как да боравите с големи набори от данни и да интерпретирате множество дървета на решения в Random Forest.
• Оценете и оптимизирайте производителността на модела за машинно обучение чрез настройка на хиперпараметрите.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към анализатори на данни на средно ниво, които искат да се научат как да използват RapidMiner за оценка и проектиране на стойности и да използват аналитични инструменти за прогнозиране на времеви редове.

До края на това обучение участниците ще могат:

• Научете се да прилагате методологията CRISP-DM, да изберете подходящи алгоритми за машинно обучение и да подобрите изграждането и производителността на модела.
• Използвайте RapidMiner, за да оцените и проектирате стойности и да използвате аналитични инструменти за прогнозиране на времеви редове.

RapidMiner е софтуерна платформа за научни данни с отворен код за бързо създаване и разработка на прототипи на приложения. Той включва интегрирана среда за подготовка на данни, машинно обучение, задълбочено обучение, копаене на текст и прогнозен анализ.

В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват RapidMiner Studio за подготовка на данни, машинно обучение и внедряване на предсказуем модел.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте RapidMiner
• Подгответе и визуализирайте данни с RapidMiner
• Валидирайте модели за машинно обучение
• Комбиниране на данни и създаване на прогнозни модели
• Операционализиране на прогнозния анализ в рамките на бизнес процес
• Отстраняване на неизправности и оптимизиране RapidMiner

Публика

• Учени по данни
• Инженери
• Разработчици

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

• За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към учени и разработчици на данни, които желаят да използват RAPIDS за изграждане на GPU-ускорени канали за данни, работни потоци и визуализации, прилагайки алгоритми за машинно обучение, като XGBoost, cuML и др.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка за изграждане на модели на данни с NVIDIA RAPIDS.
• Разберете характеристиките, компонентите и предимствата на RAPIDS.
• Използвайте GPU за ускоряване на тръбопроводите за данни и анализи от край до край.
• Внедрете GPU-ускорена подготовка на данни и ETL с cuDF и Apache Arrow.
• Научете как да изпълнявате задачи за машинно обучение с алгоритми XGBoost и cuML.
• Изградете визуализации на данни и изпълнете анализ на графики с cuXfilter и cuGraph.