CITRIX Virtual Apps and Desktops 7 Adminisztráció Helyszíni Környezetben és a CITRIX Cloudban Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék bővíteni tudásukat a gépi tanulási modellekről, fejleszteni készségeiket a hiperparaméter-hangolás terén, és megtanulni, hogyan helyezhetnek üzembe modelleket hatékonyan a Google Colab segítségével.

A képzés végére a résztvevők képesek lesznek:

• Fejlett gépi tanulási modelleket implementálni népszerű keretrendszerek, például a Scikit-learn és a TensorFlow segítségével.
• Modellteljesítményt optimalizálni hiperparaméter-hangolással.
• Gépi tanulási modelleket üzembe helyezni valós alkalmazásokban a Google Colab segítségével.
• Együttműködni és nagy léptékű gépi tanulási projekteket kezelni a Google Colabban.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű adattudósok és egészségügyi szakemberek számára készült, akik szeretnék kihasználni az AI-t fejlett egészségügyi alkalmazásokhoz Google Colab segítségével.

A képzés végére a résztvevők képesek lesznek:

• AI modellek implementálására az egészségügyben Google Colab segítségével.
• AI használatára prediktív modellezéshez egészségügyi adatokon.
• Orvosi képek elemzésére AI-alapú technikákkal.
• Az AI-alapú egészségügyi megoldások etikai szempontjainak megismerésére.

Ez az oktató által vezetett, élő képzés Magyarország (helyszíni vagy távoli) azoknak a mérnököknek szól, akik IoT eszközöket szeretnének üzembe helyezni és kezelni az AWS-en.

A képzés végére a résztvevők képesek lesznek egy IoT platformot építeni, amely magában foglalja a háttérrendszer, az átjáró és az eszközök üzembe helyezését és kezelését az AWS-en.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék telepíteni, konfigurálni és kezelni az AWS IoT Greengrass képességeket, hogy különböző eszközökhöz alkalmazásokat hozzanak létre.

A képzés végén a résztvevők képesek lesznek az AWS IoT Greengrass használatával alkalmazásokat építeni, telepíteni, kezelni, biztonságossá tenni és monitorozni intelligens eszközökön.

Ez az oktató által vezetett, élő képzés Magyarország-ban (helyszíni vagy távoli) azoknak a fejlesztőknek szól, akik szeretnék az AWS Lambda használatával szolgáltatásokat és alkalmazásokat építeni és üzembe helyezni a felhőben, anélkül, hogy aggódniuk kellene az execution környezet kiépítésével (kiszolgálók, virtuális gépek és konténerek, elérhetőség, skálázhatóság, tárolás stb.).

A képzés végén a résztvevők képesek lesznek:

• Az AWS Lambda konfigurálása egy függvény végrehajtásához.
• A FaaS (Functions as a Service) megértése és a kiszolgáló nélküli fejlesztés előnyei.
• Az AWS Lambda függvények építése, feltöltése és végrehajtása.
• Lambda függvények integrálása különböző eseményforrásokkal.
• Lambda alapú alkalmazások csomagolása, üzembe helyezése, monitorozása és hibaelhárítása.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű adattudósok és mérnökök számára készült, akik a Google Colab és Apache Spark használatával szeretnék feldolgozni és elemezni a nagy adatokat.

A képzés végére a résztvevők képesek lesznek:

• Big Data környezet beállítása a Google Colab és Spark segítségével.
• Nagy adathalmazok hatékony feldolgozása és elemzése Apache Spark segítségével.
• Big Data vizualizáció együttműködő környezetben.
• Apache Spark integrálása felhőalapú eszközökkel.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) kezdő szintű adattudósok és informatikai szakemberek számára készült, akik meg szeretnék ismerni az adattudomány alapjait a Google Colab használatával.

A képzés végére a résztvevők képesek lesznek:

• A Google Colab beállítására és navigálására.
• Alapvető Python kód írására és futtatására.
• Adathalmazok importálására és kezelésére.
• Vizualizációk készítésére Python könyvtárak segítségével.

A Google Colab Pro egy felhőalapú környezet skálázható Python-fejlesztéshez, amely nagy teljesítményű GPU-kat, hosszabb futási időt és több memóriát kínál igényes AI és adattudományi feladatokhoz.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) középhaladó Python-felhasználóknak szól, akik a Google Colab Pro-t szeretnék használni gépi tanuláshoz, adatfeldolgozáshoz és együttműködésen alapuló kutatáshoz egy hatékony notebook felületen.

A képzés végére a résztvevők képesek lesznek:

• Felhőalapú Python notebookok beállítására és kezelésére a Colab Pro segítségével.
• GPU-k és TPU-k elérésére gyorsított számításokhoz.
• Gépi tanulási munkafolyamatok hatékonyabbá tételére népszerű könyvtárak (pl. TensorFlow, PyTorch, Scikit-learn) használatával.
• Integrációra a Google Drive-dal és külső adatforrásokkal együttműködésen alapuló projektekhez.

A képzés formátuma

• Interaktív előadás és vita.
• Számos gyakorlat és gyakorlás.
• Gyakorlati implementáció élő laboratóriumi környezetben.

Képzés testreszabási lehetőségei

• Egyedi képzés igényléséhez kérjük, lépjen kapcsolatba velünk.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a computer vision ismereteiket és felfedezni a TensorFlow lehetőségeit a kifinomult látási modellek fejlesztéséhez a Google Colab segítségével.

A képzés végére a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatokat (CNN-ket) építeni és betanítani a TensorFlow segítségével.
• Kihasználni a Google Colabot skálázható és hatékony felhőalapú modellfejlesztéshez.
• Képfeldolgozási technikákat implementálni computer vision feladatokhoz.
• Computer vision modelleket üzembe helyezni valós alkalmazásokhoz.
• Transzfer tanulást alkalmazni a CNN-modellek teljesítményének javításához.
• Képbesorolási modellek eredményeinek megjelenítése és értelmezése.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszínen) középszintű adattudósok és fejlesztők számára készült, akik szeretnének mélytanulási technikákat megérteni és alkalmazni a Google Colab környezetben.

A képzés végére a résztvevők képesek lesznek:

• Beállítani és kezelni a Google Colab-ot mélytanulási projektekhez.
• Megérteni a neurális hálózatok alapjait.
• Mélytanulási modelleket implementálni a TensorFlow segítségével.
• Mélytanulási modelleket betanítani és értékelni.
• Kihasználni a TensorFlow haladó funkcióit a mélytanuláshoz.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű szakembereknek szól, akik mélyebben szeretnék megérteni a DevOps gyakorlatokat és optimalizálni szeretnék a fejlesztési folyamatokat az AWS Cloud9 segítségével.

A képzés végén a résztvevők képesek lesznek:

• Az AWS Cloud9 beállítására és konfigurálására DevOps munkafolyamatokhoz.
• Folyamatos integrációs és szállítási (CI/CD) folyamatok megvalósítására.
• Tesztelés, monitorozás és üzembe helyezés automatizálására az AWS Cloud9 segítségével.
• AWS szolgáltatások, például a Lambda, EC2 és S3 integrálására DevOps munkafolyamatokba.
• Verziókezelő rendszerek, mint a GitHub vagy a GitLab használatára az AWS Cloud9-en belül.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű szakembereknek szól, akik szeretnék megtanulni, hogyan építsenek, helyezzenek üzembe és karbantartsanak hatékonyan kiszolgáló nélküli alkalmazásokat AWS Cloud9-en és AWS Lambda-n.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a kiszolgáló nélküli architektúra alapjait.
• Beállítani az AWS Cloud9-et kiszolgáló nélküli alkalmazásfejlesztéshez.
• Fejleszteni, tesztelni és üzembe helyezni kiszolgáló nélküli alkalmazásokat AWS Lambda használatával.
• Integrálni az AWS Lambda-t más AWS szolgáltatásokkal, mint az API Gateway és az S3.
• Optimalizálni a kiszolgáló nélküli alkalmazásokat teljesítmény és költséghatékonyság szempontjából.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) kezdő szintű adattudósoknak szól, akik szeretnének megtanulni, hogyan készítsenek értelmes és vizuálisan vonzó adatvizualizációkat.

A képzés végére a résztvevők képesek lesznek:

• Beállítani és navigálni a Google Colabot az adatvizualizációhoz.
• Különböző típusú ábrákat készíteni a Matplotlib segítségével.
• A Seaborn használata haladó vizualizációs technikákhoz.
• Ábrák testreszabása a jobb prezentáció és áttekinthetőség érdekében.
• Az adatok hatékony értelmezése és bemutatása vizuális eszközök segítségével.

Összefoglaló:

• Az IoT architektúra és funkcióinak alapjai
• „Dolgok”, „Érzékelők”, Internet és az IoT üzleti funkciói közötti leképezés
• Az összes IoT szoftverkomponens alapjai - hardver, firmware, middleware, felhő és mobilalkalmazás
• IoT funkciók - Flottakezelés, Adatvizualizáció, SaaS alapú FM és DV, riasztás/figyelmeztetés, érzékelő regisztráció, „dolog” regisztráció, geo-fencing
• Az IoT eszközök felhővel való kommunikációjának alapjai MQTT segítségével.
• IoT eszközök csatlakoztatása az AWS-hez MQTT segítségével (AWS IoT Core).
• Az AWS IoT Core összekapcsolása AWS Lambda funkcióval számítások és adattárolás céljából.
• Raspberry PI csatlakoztatása az AWS IoT Core-hoz és egyszerű adatkommunikáció.
• Riasztások és események
• Érzékelő kalibrálása

Összefoglaló:

• Az IoT architektúra és funkcióinak alapjai
• „Dolgok”, „Érzékelők”, az internet és az IoT üzleti funkciói közötti leképezés
• Az IoT szoftverkomponensek alapjai – hardver, firmware, middleware, felhő és mobilalkalmazás
• IoT funkciók – Flotta kezelő, Adatvizualizáció, SaaS alapú FM és DV, riasztás/figyelmeztetés, érzékelő regisztrálás, „dolog” regisztrálás, geofencing
• Az IoT eszközök felhővel való kommunikációjának alapjai MQTT segítségével.
• IoT eszközök csatlakoztatása az AWS-hez MQTT segítségével (AWS IoT Core).
• Az AWS IoT Core összekötése AWS Lambda függvénnyel számításokhoz és adattároláshoz DynamoDB használatával.
• Raspberry PI csatlakoztatása az AWS IoT Core-hoz és egyszerű adatkommunikáció.
• Gyakorlati munka Raspberry PI és AWS IoT Core segítségével intelligens eszköz építéséhez.
• Érzékelő adatok vizualizációja és kommunikáció webes felületen keresztül.