Gépi tanulás iOS-en Képzés
Ezen oktató által vezetett, élő képzés során a résztvevők megtanulják, hogyan használhatják az iOS gépi tanulás (ML) technológiai veremét, miközben lépésről lépésre elkészítik és üzembe helyeznek egy iOS mobilalkalmazást.
A képzés végére a résztvevők képesek lesznek:
- Képelemzésre, szövegelemzésre és beszédfelismerésre képes mobilalkalmazást létrehozni
- Előre betanított ML modellekhez hozzáférni iOS alkalmazásokba való integráláshoz
- Egyedi ML modellt létrehozni
- Siri hang támogatást hozzáadni iOS alkalmazásokhoz
- Megérteni és használni olyan keretrendszereket, mint a coreML, Vision, CoreGraphics és GamePlayKit
- Olyan nyelveket és eszközöket használni, mint a Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda és Spyder
Közönség
- Fejlesztők
A képzés formátuma
- Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati alkalmazás
Kurzusleírás
Egyedi képzési vázlat kéréséhez kérjük, lépjen kapcsolatba velünk.
Követelmények
- Tapasztalat Swift programozásban
A nyílt képzésekhez 5+ résztvevő szükséges.
Gépi tanulás iOS-en Képzés - Foglalás
Gépi tanulás iOS-en Képzés - Érdeklődés
Vélemények (1)
A tudásátadás módja és a képződő tudása.
Jakub Rekas - Bitcomp Sp. z o.o.
Kurzus - Machine Learning on iOS
Gépi fordítás
Közelgő kurzusok
Rokon tanfolyam
AdaBoost Python a gépi tanuláshoz
14 ÓrákEz 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.
AutoML az Auto-Keras segítségével
14 ÓrákEz 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.
AutoML Alapok
14 ÓrákEz 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.
Egyedi Chatbotok készítése Google AutoML segítségével
14 ÓrákEz 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.
Mintafelismerés
21 ÓrákEz 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.
DataRobot
7 ÓrákEz 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.
Google Cloud AutoML
7 ÓrákEz 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.
Kubeflow
35 ÓrákEz az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) fejlesztőknek és adattudósoknak szól, akik gépi tanulási munkafolyamatokat szeretnének létrehozni, üzembe helyezni és kezelni a Kubernetes-en.
A képzés végére a résztvevők képesek lesznek:
- Telepíteni és konfigurálni a Kubeflow-ot helyszínen és a felhőben az AWS EKS (Elastic Kubernetes Service) használatával.
- Docker konténerek és Kubernetes alapján gépi tanulási munkafolyamatokat létrehozni, üzembe helyezni és kezelni.
- Teljes gépi tanulási folyamatokat futtatni különböző architektúrákon és felhő környezetekben.
- A Kubeflow használata Jupyter notebookok indításához és kezeléséhez.
- Gépi tanulási képzést, hiperparaméter-hangolást és kiszolgálási munkaterheléseket létrehozni több platformon.
Kubeflow on AWS
28 ÓrákEz az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a mérnököknek szól, akik gépi tanulási munkaterheléseket szeretnének telepíteni egy AWS EC2 szerverre.
A képzés végére a résztvevők képesek lesznek:
- A Kubernetes, Kubeflow és egyéb szükséges szoftverek telepítésére és konfigurálására az AWS-en.
- Az EKS (Elastic Kubernetes Service) használatára a Kubernetes klaszter inicializálásának egyszerűsítésére az AWS-en.
- Kubernetes folyamat létrehozására és üzembe helyezésére a termelési ML modellek automatizálásához és kezeléséhez.
- TensorFlow ML modellek képzésére és üzembe helyezésére több GPU-n és párhuzamosan futó gépen.
- Egyéb AWS által kezelt szolgáltatások kihasználására egy ML alkalmazás kiterjesztéséhez.
MLflow
21 ÓrákEz az oktató által vezetett, élő képzés (online vagy helyszíni) azoknak az adattudósoknak szól, akik túl szeretnének lépni a ML modellek készítésén, és optimalizálni szeretnék a ML modell létrehozását, nyomon követését és telepítési folyamatát.
A képzés végén a résztvevők képesek lesznek:
- Telepíteni és konfigurálni az MLflow-ot és a kapcsolódó ML könyvtárakat és keretrendszereket.
- Megérteni a ML modell nyomon követhetőségének, reprodukálhatóságának és telepíthetőségének fontosságát.
- ML modellek telepítése különböző nyilvános felhőkbe, platformokra vagy helyszíni szerverekre.
- Az ML telepítési folyamat skálázása, hogy több felhasználó is együttműködhessen egy projekten.
- Központi nyilvántartás beállítása a ML modellek kísérletezéséhez, reprodukálásához és telepítéséhez.
Gépi tanulás mobilalkalmazásokhoz a Google ML Kit segítségével
14 ÓrákEz 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.
Mintázatillesztés
14 ÓrákA mintázatillesztés egy olyan technika, amelyet a képekben lévő meghatározott mintázatok lokalizálására használnak. Segítségével meghatározható, hogy egy rögzített képben megtalálhatóak-e a meghatározott jellemzők, például egy gyártósoron lévő hibás terméken az elvárt címke vagy egy alkatrész meghatározott méretei. A "Mintázatfelismeréstől" (amely általános mintázatokat ismer fel a kapcsolódó minták nagyobb gyűjteménye alapján) abban különbözik, hogy konkrétan meghatározza, mit keresünk, majd megmondja, hogy az elvárt mintázat létezik-e vagy sem.
A kurzus formátuma
- Ez a kurzus bemutatja a mintázatillesztés területén használt megközelítéseket, technológiákat és algoritmusokat a gépi látás alkalmazásában.
Gépi tanulás Random Forest módszerrel
14 ÓrákEz 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.
Haladó Analitika RapidMinerrel
14 ÓrákEz 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.
RapidMiner a gépi tanuláshoz és prediktív elemzéshez
14 ÓrákA 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.