Machine Learning for Mobile Apps using Google’s ML Kit Kurzusok

Milyenek lesznek a városok a jövőben? Hogyan lehet a Artificial Intelligence (AI) felhasználni a várostervezés javítására? Hogyan lehet az AI-t felhasználni a városok hatékonyabbá, élhetőbbé, biztonságosabbá és környezetbarátabbá tételéhez?

Ebben az oktató által irányított, élő (helyszíni vagy távoli) képzésben megvizsgáljuk az AI-t alkotó különféle technológiákat, valamint a készségkészleteket és a mentális keretet, amelyek ahhoz szükségesek, hogy felhasználják őket a várostervezéshez. Ezenkívül olyan eszközöket és megközelítéseket fedünk le, amelyek a releváns adatok összegyűjtésére és megszervezésére szolgálnak az AI-ben, ideértve az adatbányászatot is.

Közönség

• Városi tervezők
• Építészek
• Fejlesztők
• Közlekedési tisztviselők

A tantárgy formátuma

• Rész előadás, rész vita és egy sor interaktív gyakorlat.

jegyzet

• Ahhoz, hogy igényeljen személyre szabott képzést erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljünk.

Az AI az intelligens rendszerek megépítésére szolgáló technológiák gyűjteménye, amelyek képesek megérteni az adatokat és az adatokat körülvevő tevékenységeket az "intelligens döntések" meghozatalához. A távközlési szolgáltatók számára az AI-t használó építési alkalmazások és szolgáltatások nyithatják az utat a jobb működéshez és a szervizeléshez olyan területeken, mint a karbantartás és a hálózat optimalizálása.

Ebben a kurzusban megvizsgáljuk az AI-t alkotó különféle technológiákat és az azok használatához szükséges készségeket. A tanfolyam során megvizsgáljuk az AI speciális alkalmazásait a távközlési iparban.

Közönség

• Hálózati mérnökök
• Hálózati üzemeltetési személyzet
• Távközlési műszaki vezetők

A tantárgy formátuma

• Rész előadás, rész vita, gyakorlati gyakorlatok

Ez a kurzus menedzserek, megoldástervezők, innovációs tisztek, technológiai igazgatók, szoftvertervezők és mindazok számára készült, akiket érdekel az alkalmazott mesterséges intelligencia áttekintése és a fejlődésének legközelebbi előrejelzése.

Ez a kurzus azon emberek számára készült, akiknek nincs korábbi tapasztalata a valószínűséggel és a statisztikában .

A lineáris algebra a matematika egyik ágát jelenti, amely vektorokkal, mátrixokkal és lineáris transzformációkkal foglalkozik A lineáris algebra ismerete segít a mérnökök és a fejlesztők számára a gépi tanulási képességek fejlesztésében A lineáris algebra koncepciók megértése lehetővé teszi számukra, hogy jobban megértsék a gépi tanulási technikák mögött álló elveket, és ezáltal gyorsabban megoldják a problémákat Ebben az oktatott, élő képzésben a résztvevők megtanulják a lineáris algebra alapjait, miközben egy gépi tanulási problémát megoldanak a lineáris algebra módszerekkel A képzés végére a résztvevők képesek lesznek: Értsd meg az alapvető lineáris algebra koncepciókat Ismerje meg a gépi tanuláshoz szükséges lineáris algebrai készségeket Használjon lineáris algebra struktúrákat és koncepciókat az adatok, képek, algoritmusok stb A gépi tanulási probléma megoldása lineáris algebra segítségével Közönség Fejlesztők mérnökök A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Ha erre a kurzusra személyre szabott képzést szeretne kérni, kérjük, vegye fel velünk a kapcsolatot .

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik az Azure ML drag-and-drop platformját szeretnék használni Machine Learning munkaterhelések telepítéséhez anélkül, hogy szoftvert és hardvert kellene vásárolniuk, és nem kellene aggódniuk. a karbantartásról és a telepítésről.

A képzés végére a résztvevők képesek lesznek:

• Írjon rendkívül pontos gépi tanulási modelleket Python, R vagy nulla kódú eszközökkel.
• Használja ki az Azure elérhető adatkészleteit és algoritmusait a gépi tanulás és a mélytanulási modellek betanításához és nyomon követéséhez.
• Használja az Azures interaktív munkaterületét az ML-modellek közös fejlesztéséhez.
• Válasszon a különböző Azure által támogatott ML-keretrendszerek közül, például PyTorch, TensorFlow és scikit-learn.

A mesterséges neurális hálózat egy számítástechnikai adatmodell, amelyet az „intelligens” feladatok elvégzésére alkalmas Artificial Intelligence (AI) rendszerek fejlesztésére használnak. Neural Networks gyakran használják a Machine Learning (ML) alkalmazásokban, amelyek maguk is az AI egyik megvalósítása. Deep Learning az ML részhalmaza.

Ez egy 4 napos tanfolyam, amely bemutatja az AI-t és annak alkalmazását. Lehetőség van arra, hogy a kurzus befejezése után egy további napot kapjon egy AI-projekt elvégzésére.

Ez egy 4 napos tanfolyam, amely bemutatja az AI és annak alkalmazását a Python programozási nyelv használatával. Van egy lehetőség, hogy egy további napot, hogy elvégezzen egy AI projekt befejezése után ez a kurzus. 

Ez a tanfolyam azoknak szól, akik gyakorlati alkalmazásokban szeretnék alkalmazni a Machine Learning .

Közönség

Ez a kurzus olyan tudósok és statisztikusok számára készült, akik ismerik a statisztikákat és tudják, hogyan programozzák az R-et (vagy Python vagy más választott nyelvet). A kurzus középpontjában az adatok / modellkészítés, a végrehajtás, a post hoc elemzés és a vizualizáció gyakorlati aspektusai állnak.

A cél az, hogy gyakorlati alkalmazásokat nyújtson a Machine Learning azoknak a résztvevőknek, akik érdeklődnek a módszerek alkalmazásából.

Az ágazatspecifikus példákat arra használják, hogy a képzés a közönség számára releváns legyen.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik gépi tanulási modelleket szeretnének létrehozni és betanítani a termelésre kész tárhelykörnyezetekben való bevezetésre.

A képzés végére a résztvevők képesek lesznek:

• Használjon notebook példányokat az adatok képzéshez való előkészítésére és feltöltésére.
• Gépi tanulási modellek betanítása képzési adatkészletek segítségével.
• Előrejelzések létrehozásához telepítsen betanított modelleket egy végpontra.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik a Azure Machine Learning segítségével szeretnék teljes körű gépi tanulási modelleket készíteni prediktív elemzéshez.

A képzés végére a résztvevők képesek lesznek:

• Készítsen gépi tanulási modelleket nulla programozási tapasztalattal.
• Hozzon létre prediktív algoritmusokat a Azure Machine Learning segítségével.
• Telepítsen üzemkész gépi tanulási algoritmusokat.

Ez a kurzus elméleti és gyakorlati munka kombinációja lesz, konkrét példákkal, amelyeket az esemény során használnak.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a webfejlesztőknek szól, akik gépi tanulási modelleket szeretnének létrehozni Core ML for iOS 11 és macOS High Sierra fejlesztéssel.

A képzés végére a résztvevők képesek lesznek:

• Készítsen mesterséges intelligencia által vezérelt alkalmazásokat, amelyek gépi tanulást használnak.
• A képeket osztályozó gépi tanulási modellek megvalósítása.
• Használja a Core ML API-t az egyéni munkafolyamatok és a speciális használati esetek támogatására
• Elemezze a természetes nyelvű szöveget gépi tanulási modellekkel.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek, adattudósoknak és adatelemzőknek szól, akik a Dataiku DSS-t gépi tanulási folyamatok fejlesztésére, valamint az AI-folyamatokat stratégiai szervezeti kezdeményezések létrehozására szeretnék használni. .

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Dataiku DSS-t a kívánt operációs rendszerre.
• Ismerje meg azokat az AI/ML fogalmakat és alapelveket, amelyek alapvetőek a Dataiku szolgáltatásaihoz.
• Saját adatvizualizációs kódok létrehozása és megvalósítása Dataiku DSS projektekben.
• Telepítse az ML modelleket és folyamatokat a Dataiku DSS köré épülő éles környezetekben.
• Optimalizálják vállalati alkalmazásaik adatelemzési módszereinek agilitását és rugalmasságát.
• Használja a Dataiku DSS-t a további üzleti rendszereken keresztüli adatáramlás biztosításához és kezeléséhez.