AI megoldások készítése az Edge-en Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak és szoftvermérnököknek szól, akik az AdaBoost segítségével szeretnének gépi tanulási algoritmusokat építeni Pythonban.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a gépi tanulási modellek AdaBoost-tal való létrehozásához.
• Megérteni az együttes tanulási módszert és annak alkalmazását az adaptív erősítés során.
• Megtanulni, hogyan kell AdaBoost modelleket építeni a gépi tanulási algoritmusok javításához Pythonban.
• Hiperparaméterek finomhangolásával növelni az AdaBoost modellek pontosságát és teljesítményét.

Ez a kurzus az autóiparban alkalmazott mesterséges intelligenciát (különös hangsúlyt fektetve a gépi tanulásra és a mélytanulásra) mutatja be. Segít meghatározni, hogy mely technológiák használhatók (potenciálisan) egy autóban különböző helyzetekben: az egyszerű automatizálástól kezdve a képfelismerésen át az autonóm döntéshozatalig.

A mesterséges intelligencia alapjainak feltárása bemutatja, hogyan alakítja át az intelligens technológia a digitális stratégiát, az automatizálást és a döntéshozatalt a vállalati műveletek során. A tanulmányozás során az MI történetének alapvető fogalmait, a problémamegoldó keretrendszereket, a tudásreprezentációt, a bizonytalan következtetést és a gépi tanulási paradigmákat vizsgáljuk, valamint a kommunikációt, az észlelést és az autonóm cselekvést. Vezetőket és architekteket vezetünk át az MI által hajtott átalakulási lehetőségek értékelésében, a felmerülő technológiai trendek felmérésében, valamint a gyakorlati intelligens megoldások integrálásában, hogy felgyorsítsák az üzleti agilitást.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) biológusok számára készült, akik szeretnék megérteni, hogyan működik az AlphaFold, és hogyan használhatják az AlphaFold modelleket útmutatóként kísérleti tanulmányaikban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AlphaFold alapelveit.
• Megtanulni, hogyan működik az AlphaFold.
• Megtanulni, hogyan értelmezzék az AlphaFold előrejelzéseket és eredményeket.

A Mesterséges Neurális Hálózat egy számítástechnikai adatmodell, amelyet a Mesterséges Intelligencia (MI) rendszerek fejlesztésében használnak, amelyek képesek „intelligens” feladatok végrehajtására. A Neurális Hálózatokat gyakran használják a Gépi Tanulás (ML) alkalmazásokban, amelyek maguk is az MI egyik megvalósításai. A Mély Tanulás az ML egy részterülete.

Az Alkalmazott mesterséges intelligencia a nulláról Pythonban programozókat és adatelemzőket alapvető technikákkal lát el a gépi tanulási megoldások építéséhez a semmiből, Python használatával. A kurzus áttekinti a felügyelt tanulás alapelveit, beleértve az osztályozást és a regressziót, a felügyelet nélküli tanulás klaszterezését és anomália észlelését, valamint a fejlett neurális hálózati architektúrákat. Megvizsgálja a scikit-learn, Apache Spark MLlib és Jupyter notebookok használatának bevált módszereit a gyakorlati AI fejlesztéshez. Segít a szakembereknek gyakorlati gépi tanulási modellek implementálásában, az algoritmusok korlátainak értékelésében, valamint alkalmazott projektek végrehajtásában a valós problémák megoldásához.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) különböző szintű szakértelemmel rendelkező résztvevőknek szól, akik szeretnék kihasználni a Google AutoML platformját egyedi chatbotok létrehozására különböző alkalmazásokhoz.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a chatbot-fejlesztés alapjait.
• Navigálni a Google Cloud Platformon és hozzáférni az AutoML-hez.
• Adatokat előkészíteni a chatbot modellek tanításához.
• Egyedi chatbot modelleket tanítani és értékelni az AutoML segítségével.
• Chatbotokat üzembe helyezni és integrálni különböző platformokra és csatornákra.
• Figyelni és optimalizálni a chatbotok teljesítményét az idő múlásával.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) bevezetést nyújt a mintafelismerés és a gépi tanulás területére. A képzés érinti a statisztika, számítástechnika, jelfeldolgozás, számítógépes látás, adatbányászat és bioinformatika gyakorlati alkalmazásait.

A képzés végére a résztvevők képesek lesznek:

• Alapvető statisztikai módszerek alkalmazására a mintafelismerésben.
• Kulcsfontosságú modellek, például neurális hálózatok és kernel módszerek használatára az adatelemzésben.
• Fejlett technikák alkalmazására komplex problémamegoldás során.
• Különböző modellek kombinálásával javítani az előrejelzési pontosságot.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszínen) középhaladó szintű fejlesztőknek, adattudósoknak és AI szakembereknek szól, akik szeretnék kihasználni a TensorFlow Lite előnyeit Edge AI alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a TensorFlow Lite alapjait és szerepét az Edge AI-ban.
• AI modellek fejlesztése és optimalizálása a TensorFlow Lite segítségével.
• TensorFlow Lite modellek üzembe helyezése különböző edge eszközökön.
• Eszközök és technikák használata modellkonverzióhoz és optimalizáláshoz.
• Gyakorlati Edge AI alkalmazások implementálása TensorFlow Lite segítségével.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) adatelemzők, adatelemzők és fejlesztők számára készült, akik szeretnék felfedezni az AutoML termékeket és funkciókat, hogy minimális erőfeszítéssel hozzanak létre és helyezzenek üzembe egyedi ML tanítási modelleket.

A képzés végére a résztvevők képesek lesznek:

• Felfedezni az AutoML termékvonalat, hogy különböző szolgáltatásokat implementáljanak különböző adattípusokhoz.
• Adatkészleteket előkészíteni és címkézni, hogy egyéni ML modelleket hozzanak létre.
• Modelleket tanítani és kezelni, hogy pontos és igazságos gépi tanulási modelleket hozzanak létre.
• Előrejelzéseket készíteni a tanított modellek segítségével, hogy megfeleljenek az üzleti céloknak és igényeknek.

A Kubeflow egy nyílt forráskódú platform, amely a gépi tanulási munkaterhelések építését, tanítását és üzembe helyezését egyszerűsíti a Kubernetes-en.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) kezdő és középhaladó szintű szakembereknek szól, akik megbízható ML munkafolyamatokat szeretnének létrehozni a Kubeflow segítségével.

A képzés elvégzése után a résztvevők a következő készségekre tesznek szert:

• Navigálás a Kubeflow ökoszisztémában és az alapvető komponensekben.
• Reprodukálható munkafolyamatok készítése a Kubeflow Pipelines segítségével.
• Skálázható tanítási feladatok futtatása a Kubernetes-en.
• Hatékony gépi tanulási modellek kiszolgálása a Kubeflow Serving segítségével.

A képzés formátuma

• Irányított előadások és együttműködő viták.
• Gyakorlati laborok valós Kubeflow komponensekkel.
• Gyakorlati feladatok a végpontok közötti ML munkafolyamatok építéséhez.

Képzés testreszabási lehetőségei

• A képzés testreszabott változatai készíthetők, hogy megfeleljenek a csapat technológiai veremének és projektkövetelményeinek.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) fejlesztőknek és adattudósoknak szól, akik gépi tanulási munkafolyamatokat szeretnének létrehozni, üzembe helyezni és kezelni Kubernetes-en.

A képzés végére a résztvevők képesek lesznek:

• A Kubeflow telepítésére és konfigurálására helyszínen és a felhőben.
• Docker konténerek és Kubernetes alapú ML munkafolyamatok létrehozására, üzembe helyezésére és kezelésére.
• Teljes gépi tanulási folyamatok futtatására különböző architektúrákon és felhő környezetekben.
• A Kubeflow használatával Jupyter notebookok indítására és kezelésére.
• ML képzés, hiperparaméter-hangolás és szolgáltatási munkaterhelések létrehozására több platformon.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a Google ML Kit segítségével szeretnének gépi tanulási modelleket építeni, amelyek mobil eszközökön történő feldolgozásra vannak optimalizálva.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a gépi tanulási funkciók mobilalkalmazásokba történő fejlesztéséhez.
• Új gépi tanulási technológiákat integrálni Android és iOS alkalmazásokba az ML Kit API-k segítségével. 
• Meglévő alkalmazásokat fejleszteni és optimalizálni az ML Kit SDK segítségével eszközön történő feldolgozásra és telepítésre.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) adattudósok és szoftvermérnökök számára készült, akik a Random Forest módszerrel szeretnének gépi tanulási algoritmusokat építeni nagy adathalmazokhoz.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet, hogy elkezdhessék a gépi tanulási modellek építését a Random Forest módszerrel.
• Megérteni a Random Forest előnyeit és hogyan implementálható osztályozási és regressziós problémák megoldására.
• Megtanulni, hogyan kell kezelni a nagy adathalmazokat és értelmezni a Random Forest több döntési fáját.
• Kiértékelni és optimalizálni a gépi tanulási modell teljesítményét a hiperparaméterek hangolásával.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű adatelemzőknek szól, akik szeretnének megtanulni, hogyan használják a RapidMiner-t értékek becslésére és vetítésére, valamint hogyan alkalmazzák az analitikai eszközöket időszakos előrejelzéshez.

A képzés végén a résztvevők képesek lesznek:

• Megtanulják alkalmazni a CRISP-DM módszertant, kiválasztani a megfelelő gépi tanulási algoritmusokat, és javítani a modellépítést és -teljesítményt.
• Használni a RapidMiner-t értékek becslésére és vetítésére, valamint alkalmazni az analitikai eszközöket időszakos előrejelzéshez.