Apache Airflow az adattudományban: Gépi tanulási folyamatok automatizálása 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 az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék az Anaconda ökoszisztémát használni csomagok és adatelemzési munkafolyamatok rögzítésére, kezelésére és üzembe helyezésére egyetlen platformon.

A képzés végére a résztvevők képesek lesznek:

• Az Anaconda komponensek és könyvtárak telepítésére és konfigurálására.
• Megérteni az Anaconda alapvető fogalmait, jellemzőit és előnyeit.
• Csomagok, környezetek és csatornák kezelésére az Anaconda Navigator segítségével.
• A Conda, R és Python csomagok használatára adattudományban és gépi tanulásban.
• Megismerni néhány gyakorlati használati esetet és technikát több adatkörnyezet kezelésére.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) adattudósoknak, valamint kevésbé műszaki háttérrel rendelkező személyeknek szól, akik szeretnék az Auto-Keras segítségével automatizálni a gépi tanulási modell kiválasztását és optimalizálását.

A képzés végén a résztvevők képesek lesznek:

• Automatizálni a hatékony gépi tanulási modellek képzésének folyamatát.
• Automatikusan megkeresni a legjobb paramétereket a mélytanulási modellekhez.
• Nagyon pontos gépi tanulási modelleket építeni.
• A gépi tanulás erejét felhasználni valós üzleti problémák megoldására.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) a gépi tanulásban jártas technikai résztvevőknek szól, akik az AutoML keretrendszerek segítségével szeretnék optimalizálni a modelleket a nagy adathalmazokban rejlő összetett minták felismerésére.

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 helyszíni) azoknak az adattudósoknak és adatelemzőknek szól, akik szeretnék automatizálni, értékelni és kezelni a prediktív modelleket a DataRobot gépi tanulási képességeinek felhasználásával.

A képzés végén a résztvevők képesek lesznek:

• Adathalmazokat betölteni a DataRobotba az adatok elemzéséhez, felméréséhez és minőségellenőrzéséhez.
• Modelleket építeni és betanítani a fontos változók azonosítására és a predikciós célok elérésére.
• Modelleket értelmezni, hogy értékes betekintéseket hozzanak létre, amelyek hasznosak az üzleti döntések meghozatalában.
• Modelleket monitorozni és kezelni, hogy optimalizált predikciós teljesítményt tartsanak fenn.

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.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik szeretnének tanulni és karriert építeni az adattudományban a Kaggle használatával.

A képzés végére a résztvevők képesek lesznek:

• Megismerni az adattudományt és a gépi tanulást.
• Felfedezni az adatelemzést.
• Megismerni a Kagglet és annak működését.

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 (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik a Modin használatával párhuzamos számításokat szeretnének létrehozni és implementálni a Pandas segítségével a gyorsabb adatelemzés érdekében.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a szükséges környezetet a nagy léptékű Pandas munkafolyamatok fejlesztéséhez a Modin segítségével.
• Megérteni a Modin jellemzőit, architektúráját és előnyeit.
• Ismerni a Modin, a Dask és a Ray közötti különbségeket.
• Gyorsabban végrehajtani Pandas műveleteket a Modin segítségével.
• Implementálni a teljes Pandas API-t és funkciókat.

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.

A RapidMiner egy nyílt forráskódú adattudományi szoftverplatform, amely gyors alkalmazásprototípus-készítésre és fejlesztésre szolgál. Integrált környezetet biztosít az adatelőkészítéshez, gépi tanuláshoz, mély tanuláshoz, szövegbányászathoz és prediktív elemzéshez.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan használhatják a RapidMiner Studiot adatelőkészítésre, gépi tanulásra és prediktív modellek üzembe helyezésére.

A képzés végére a résztvevők képesek lesznek:

• A RapidMiner telepítésére és konfigurálására
• Adatok előkészítésére és vizualizálására a RapidMinerrel
• Gépi tanulási modellek validálására
• Adatok összevonására és prediktív modellek létrehozására
• Prediktív elemzés üzleti folyamatba történő beágyazására
• A RapidMiner hibaelhárítására és optimalizálására

Közönség

• Adattudósok
• Mérnökök
• Fejlesztők

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati alkalmazás

Megjegyzés

• Ha egyedi képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) adattudósok és fejlesztők számára készült, akik a RAPIDS segítségével GPU-gyorsított adatfolyamatokat, munkafolyamatokat és vizualizációkat szeretnének létrehozni, olyan gépi tanulási algoritmusokat alkalmazva, mint az XGBoost, a cuML stb.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet adatmodellek létrehozásához az NVIDIA RAPIDS segítségével.
• Megismerni a RAPIDS funkcióit, összetevőit és előnyeit.
• Kihasználni a GPU-kat a teljes körű adat- és elemzési folyamatok gyorsítására.
• GPU-gyorsított adatelőkészítést és ETL-t implementálni a cuDF és az Apache Arrow segítségével.
• Megtanulni gépi tanulási feladatok végrehajtását az XGBoost és cuML algoritmusokkal.
• Adatvizualizációk készítését és gráfelemzést végrehajtani a cuXfilter és a cuGraph segítségével.