Online Gépi tanulás Képzés Magyarország-ban

Ez az oktató által vezetett, élőben tartott képzés Magyarország-ben (online vagy helyszíni) kezdő szintű szakembereknek szól, akik szeretnék megérteni az előre betanított modellek koncepcióját, és megtanulni, hogyan alkalmazhatják ezeket a valós problémák megoldására anélkül, hogy a modelleket a semmiből építenék.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az előre betanított modellek koncepcióját és előnyeit.
• Felfedezni különböző előre betanított modellarchitektúrákat és azok alkalmazási területeit.
• Finomhangolni egy előre betanított modellt specifikus feladatokhoz.
• Előre betanított modellek implementálása egyszerű gépi tanulási projektekben.

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, élő képzés Magyarország-ben (online vagy helyszíni) középszintű AI fejlesztők, gépi tanulási mérnökök és rendszerarchitektusok számára készült, akik szeretnék optimalizálni AI modeljeiket peremhálózati telepítéshez.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI modellek peremhálózati eszközökön történő telepítésének kihívásait és követelményeit.
• Modelltömörítési technikák alkalmazása az AI modellek méretének és komplexitásának csökkentésére.
• Kvantálási módszerek használata a modell hatékonyságának növelésére peremhálózati hardveren.
• Metszés és egyéb optimalizációs technikák implementálása a modell teljesítményének javítására.
• Optimalizált AI modellek telepítése különböző peremhálózati eszközökre.

Ez a trénere vezette, élő tanítás Magyarország témakörben (online vagy helyszíni) középhaladó fejlesztőket, adattudósokat és technológiai érdeklődőket céloz meg, akik gyakorlati készségeket szereznek az AI-modellek edge-eszközökön telepítéséhez különféle alkalmazásokhoz.

A képzés végére a résztvevők a következőket fogják tudni:

• Az Edge AI elveinek és előnyének megértése.
• Az edge-számítási környezet beállítása és konfigurálása.
• AI-modellek fejlesztése, edzése és optimalizálása edge-deploymenthoz.
• Gyakorlati AI-megoldások implementálása edge-eszközökön.
• Az edge-en futó modellek teljesítményének kiértékelése és javítása.
• Etikai és biztonsági szempontok kezelése az Edge AI alkalmazásokban.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű AI mérnökök és adattudósok számára készült, akik középszintű vagy fejlett tapasztalattal rendelkeznek, és szeretnék javítani a DeepSeek modellek teljesítményét, csökkenteni a késleltetést, és hatékonyan üzembe helyezni az AI megoldásokat modern MLOps gyakorlatok segítségével.

A képzés végére a résztvevők képesek lesznek:

• Optimalizálni a DeepSeek modelleket hatékonyság, pontosság és skálázhatóság szempontjából.
• MLOps és modellverziókezelés legjobb gyakorlatainak implementálása.
• DeepSeek modellek üzembe helyezése felhőben és helyszíni infrastruktúrán.
• AI megoldások hatékony monitorozása, karbantartása és skálázása.

Ez az oktató által vezetett képzés Magyarország területén a haladó szakembereket olyan készségekkel vértezi fel, amelyekkel teljes TinyML-folyamatokat tervezhetnek, optimalizálhatnak és telepíthetnek. A résztvevők megtanulják az adatgyűjtést, az alacsony fogyasztású modellek tanítását és a valós alkalmazások tesztelését gyakorlati laborok segítségével.

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 (online vagy helyszínen) haladó szintű szakembereknek szól, akik szeretnék elsajátítani az autonóm rendszerek mögött álló technológiákat.

A képzés végére a résztvevők képesek lesznek:

• AI-modellek tervezésére és megvalósítására autonóm döntéshozatalhoz.
• Vezérlő algoritmusok fejlesztésére autonóm navigációhoz és akadálykerüléshez.
• Biztonság és megbízhatóság biztosítására a művészeti intelligencia által vezérelt autonóm rendszerekben.
• Autonóm rendszerek integrálására meglévő robotikai és AI-keretrendszerekbe.

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 képzés Magyarország keretében felkészíti a haladó szintű szakembereket a TinyML-folyamatok biztonságossá tételére az edge-eszközökön. Megtanulja, hogyan vezessen be adatvédelmet megőrző technikákat, erősítse meg a modelleket a támadásokkal szemben, és alkalmazza a biztonságos adatkezelés legjobb gyakorlatait korlátozott erőforrású környezetekben.

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-ben (online vagy helyszíni) középszintű szakembereknek szól, akik AI-technikákat szeretnének alkalmazni a hozamirányítás optimalizálására a félvezetőgyártásban.

A képzés végére a résztvevők képesek lesznek:

• Gyártási adatok elemzése a hozamokat befolyásoló tényezők azonosításához.
• AI algoritmusok implementálása a hozamirányítási folyamatok javításához.
• Gyártási paraméterek optimalizálása a hibák csökkentése és a hozamok növelése érdekében.
• AI-alapú hozamirányítás integrálása a meglévő gyártási folyamatokba.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű üzleti és mesterséges intelligencia szakembereknek szól, akik szeretnék alkalmazni a gépi tanulást az üzleti, előrejelzési és mesterséges intelligencia által hajtott rendszerekben, valós esettanulmányok és Python-alapú eszközök segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megérteni, hogyan illeszkedik a gépi tanulás a mesterséges intelligencia és az üzleti stratégiába.
• Alkalmazni a felügyelt és felügyelet nélküli tanulási technikákat strukturált üzleti problémákra.
• Adatokat előfeldolgozni és átalakítani modellezéshez.
• Neurális hálózatokat használni osztályozási és előrejelzési feladatokhoz.
• Értékesítési előrejelzést készíteni statisztikai és gépi tanulás alapú módszerekkel.
• Klaszterezést és asszociációs szabálybányászatot alkalmazni ügyfél-szegmentációra és mintafelismerésre.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszínen) középhaladó szintű szakembereknek szól, akik szeretnék alkalmazni az AI-alapú prediktív karbantartási technikákat a félvezető gyártásban a termelési hatékonyság növelése és a váratlan berendezéshibák csökkentése érdekében.

A képzés végén a résztvevők képesek lesznek:

• AI modellek implementálására a félvezető gyártásban előforduló berendezéshibák előrejelzéséhez.
• Karbantartási adatok elemzésére a potenciális problémákat jelző minták és trendek azonosításához.
• AI-alapú prediktív karbantartás integrálására a meglévő gyártási folyamatokba.
• Állásidő és karbantartási költségek csökkentésére proaktív berendezések kezelésével.

Ez az oktató által vezetett, élőben zajló képzés Magyarország-ben (online vagy helyszínen) haladó szintű szakembereknek szól, akik szeretnék alkalmazni a legmodernebb AI-technikákat a félvezető tervezési automatizálásban, ezzel javítva a chiptervezés és ellenőrzés hatékonyságát, pontosságát és innovációját.

A képzés végére a résztvevők képesek lesznek:

• Fejlett AI-technikák alkalmazása a félvezető tervezési folyamatok optimalizálásához.
• Gépi tanulási modellek integrálása az EDA eszközökbe a tervezési ellenőrzés fokozása érdekében.
• AI-alapú megoldások fejlesztése komplex tervezési kihívásokra a chipgyártásban.
• Neurális hálózatok használata a tervezési automatizálás pontosságának és sebességének javításához.

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, élőben tartott képzés Magyarország (online vagy helyszíni) középszintű szakembereknek szól, akik szeretnének megismerni és alkalmazni az MI technikákat a félvezető gyártási folyamatok optimalizálására.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az MI módszereit a chipgyártás folyamatoptimalizálásában.
• MI modellek implementálása a hozam növelése és a hibák csökkentése érdekében.
• Folyamatadatok elemzése a kulcsfontosságú optimalizációs paraméterek azonosítása érdekében.
• Gépi tanulási technikák alkalmazása a félvezető gyártási folyamatok finomhangolására.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű résztvevőknek szól, akik gépi tanulási munkafolyamatokat szeretnének automatizálni és kezelni, beleértve a modellképzést, érvényesítést és üzembe helyezést az Apache Airflow segítségével.

A képzés végére a résztvevők képesek lesznek:

• Az Apache Airflow beállítása gépi tanulási munkafolyamatok összehangolására.
• Adatfeldolgozás, modellképzés és érvényesítési feladatok automatizálása.
• Az Airflow integrálása gépi tanulási keretrendszerekkel és eszközökkel.
• Gépi tanulási modellek üzembe helyezése automatizált folyamatok segítségével.
• Gépi tanulási munkafolyamatok monitorozása és optimalizálása éles környezetben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű adattudósok és fejlesztők számára készült, akik hatékonyan szeretnék alkalmazni a gépi tanulási algoritmusokat a Google Colab környezetben.

A képzés végére a résztvevők képesek lesznek:

• Beállítani és navigálni a Google Colab-ot gépi tanulási projektekhez.
• Megérteni és alkalmazni különböző gépi tanulási algoritmusokat.
• Olyan könyvtárakat használni, mint a Scikit-learn, adatok elemzéséhez és előrejelzéséhez.
• Felügyelt és felügyletlen tanulási modelleket implementálni.
• Hatékonyan optimalizálni és értékelni a gépi tanulási modelleket.

Ez az oktató által vezetett, élő képzés Magyarország helyszínen haladó szintű szakembereket készít fel a TinyML modellek erőforrás-korlátozott beágyazott eszközökre történő optimalizálására. A résztvevők kvantálást és metszést alkalmaznak, alacsony késleltetésű következtetési folyamatokat valósítanak meg, és a teljesítményt a memória- és energiakorlátokhoz viszonyítva mérik.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű szakembereknek szól, akik a mélytanulási modellek legújabb XAI technikáit szeretnék megismerni, különös tekintettel az értelmezhető AI rendszerek építésére.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a mélytanulásban rejlő megmagyarázhatósági kihívásokat.
• Fejlett XAI technikákat implementálni neurális hálózatokban.
• Értelmezni a mélytanulási modellek által hozott döntéseket.
• Értékelni a teljesítmény és az átláthatóság közötti kompromisszumokat.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kezdő szintű szakembereknek szól, akik szeretnének megérteni és alkalmazni az AI technológiákat a félvezetőgyártási iparban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI alapvető elveit és azok alkalmazását a félvezetőgyártásban.
• Azonosítani a félvezetőgyártásban azokat a területeket, ahol az AI hatékonyan bevezethető.
• AI eszközöket és technikákat használni a termelési hatékonyság és a minőségellenőrzés javítására.
• Alapvető AI modelleket implementálni a gyártási folyamatok optimalizálására.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik az ML.NET gépi tanulási modelleket szeretnék használni, hogy automatikusan levezessék a vállalati alkalmazásokhoz szükséges előrejelzéseket az elvégzett adatelemzésből.

A képzés végére a résztvevők képesek lesznek:

• Az ML.NET telepítése és integrálása az alkalmazásfejlesztői környezetbe.
• A gépi tanulás alapelveinek megértése az ML.NET eszközök és algoritmusok mögött.
• Gépi tanulási modellek építése és tanítása, hogy okosan előrejelzéseket készítsenek a megadott adatok alapján.
• A gépi tanulási modell teljesítményének értékelése az ML.NET metrikák segítségével.
• A meglévő gépi tanulási modellek pontosságának optimalizálása az ML.NET keretrendszer alapján.
• Az ML.NET gépi tanulási koncepcióinak alkalmazása más adattudományi alkalmazásokban.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) középszintű adatszakembereknek szól, akik gépi tanulási technikákat szeretnének alkalmazni adatalapú üzleti problémákra, beleértve az értékesítési előrejelzést és a prediktív modellezést neurális hálózatok segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a gépi tanulás alapvető fogalmait és típusait.
• Kulcsfontosságú algoritmusokat alkalmazni osztályozásra, regresszióra, klaszterezésre és asszociációs elemzésre.
• Exploratív adatelemzést és adatelőkészítést végezni Python használatával.
• Neurális hálózatokat használni nemlineáris modellezési feladatokhoz.
• Prediktív analitikát implementálni üzleti előrejelzéshez, beleértve az értékesítési adatokat.
• Modellteljesítmény értékelése és optimalizálása vizuális és statisztikai technikák segítségével.

Ez az oktató által vezetett, élő tréningszerű foglalkozás Magyarország (online vagy helyszíni) a közép- és haladó szintű adattudósok, gépi tanulási mérnökök, mélytanulási kutatók, valamint a számítógépes látás szakembereit célozza meg, akik bővíteni szeretnék ismereteiket és készségeiket a szövegből képgeneráláshoz alkalmazott mélytanulás terén.

Az oktatás végére a résztvevők képesek lesznek:

• Értsék meg a szövegből képgeneráláshoz használt haladó mélytanulási architektúrákat és technikákat.
• Kapcsolódjanak össze összetett modellekkel és optimalizációkkal a magas minőségű képszintézis érdekében.
• Optimalizálják a teljesítményt és skálázhatóságot nagy adathalmazok és összetett modellek esetén.
• Állítsák be a hiperparamétereket a jobb modellteljesítmény és általánosítás érdekében.
• Integrálják a Stable Diffusion-t más mélytanulási keretrendszerekkel és eszközökkel

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszínen) középhaladó és haladó szintű kiberbiztonsági szakembereknek szól, akik szeretnék fejleszteni készségeiket az AI-alapú fenyegetésészlelés és incidenskezelés területén.

A képzés végére a résztvevők képesek lesznek:

• Fejlett AI-algoritmusok implementálása valós idejű fenyegetésészleléshez.
• AI-modellek testreszabása specifikus kiberbiztonsági kihívásokra.
• Automatizált munkafolyamatok fejlesztése fenyegetéskezeléshez.
• AI-alapú biztonsági eszközök védelme ellenséges támadásokkal szemben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű beágyazott rendszerek mérnökei és AI fejlesztők számára készült, akik gépi tanulási modelleket szeretnének telepíteni mikrovezérlőkre a TensorFlow Lite és az Edge Impulse segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a TinyML alapjait és annak előnyeit a peremhálózati AI alkalmazásokban.
• Fejlesztői környezet beállítása TinyML projektekhez.
• AI modellek betanítása, optimalizálása és telepítése alacsony fogyasztású mikrovezérlőkre.
• TensorFlow Lite és Edge Impulse használata valós TinyML alkalmazások megvalósításához.
• AI modellek optimalizálása energiahatékonyság és memóriamegszorítások szempontjából.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kezdő szintű kiberbiztonsági szakemberek számára készült, akik szeretnék megtanulni, hogyan használhatják ki az AI-t a fenyegetések észlelésének és válaszadásának képességeinek javításához.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI alkalmazásait a kiberbiztonságban.
• AI algoritmusok implementálása a fenyegetések észleléséhez.
• Incidensválasz automatizálása AI-eszközökkel.
• AI integrálása a meglévő kiberbiztonsági infrastruktúrába.

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.

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.

Ez az oktató által vezetett, élő képzés (online vagy helyszínen) adattudósok, gépi tanulás mérnökök és számítógépes látás kutatók számára készült, akik szeretnék kihasználni a Stable Diffusiont, hogy kiváló minőségű képeket generáljanak különböző felhasználási esetekhez.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Stable Diffusion alapelveit és azt, hogyan működik a képgenerálásban.
• Stable Diffusion modelleket építeni és betanítani képgenerálási feladatokhoz.
• A Stable Diffusiont alkalmazni különböző képgenerálási forgatókönyvekben, mint például a képbeillesztés, képkiterjesztés és kép-kép fordítás.
• Optimalizálni a Stable Diffusion modellek teljesítményét és stabilitását.

Ez a 8 napos program egy átfogó utat kínál a szilárd Python-mérnöki alapoktól az fejlett AI-rendszertervezésig. A résztvevők fegyelmezett kódolási gyakorlatokat sajátítanak el, elsajátítják a statisztikai és mélytanulási módszereket, valamint gyártásba kész generatív AI és ügynök-alapú rendszereket hoznak létre. A hangsúly a megbízhatóságon, értékelésen, biztonságon és a valós világban történő telepítésen van, nem csupán a kísérletezéseken.

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 szól, akik szeretnék a TensorFlow-ot használni a lehetséges csalási adatok elemzéséhez.

A képzés végére a résztvevők képesek lesznek:

• Csalásfelismerő modell létrehozására Python és TensorFlow segítségével.
• Lineáris regressziók és lineáris regressziós modellek építésére csalás előrejelzéséhez.
• Végponttól végpontig tartó AI alkalmazás fejlesztésére a csalási adatok elemzéséhez.

Ez a gyakorlati, oktató által vezetett képzés a Python az adatelemzéshez kurzus természetes folytatásaként készült.

Bemutatja a résztvevőknek a gépi tanulás alapvető fogalmait, és bemutatja, hogyan alkalmazhatók ezek közvetlenül olyan adatelemzési feladatokra, mint az előrejelzés, osztályozás és szegmentálás.

A hangsúly azon van, hogy gyakorlatban megértsük, hogyan működik a gépi tanulás, ismerős eszközök, például a Python, a Pandas és a Jupyter Notebook használatával, anélkül, hogy haladó matematikai háttérre lenne szükség.

Ez a oktatóvezetésű, élő képzés Magyarország (online vagy helyszíni) fejlesztőknek és adattudósoknak szól, akik Kubernetesben szeretnének gépi tanulási munkafolyamatokat készíteni, kiépíteni és kezelni.

A képzés végére a résztvevők képesek lesznek:

• A Kubeflow telepítésére és konfigurálására saját környezetben és a felhőben.
• Docker konténerekre és Kubernetesre épülő ML munkafolyamatok építésére, kiépítésére és kezelésére.
• Teljes gépi tanulási pipeline futtatására különböző architektúrákon és felhő-környezetekben.
• A Kubeflow használatára Jupyter notebookok létrehozásához és kezeléséhez.
• ML edzési, hiperparaméter-optimalizálási és szolgáltatási terhelések készítésére több platformon keresztül.

Ez az oktató által vezetett, élőben zajló képzés Magyarország (online vagy helyszíni) azoknak a mérnököknek szól, akik szeretnék felmérni a ma elérhető megközelítéseket és eszközöket, hogy informált döntést hozhassanak az MLOps szervezeten belüli bevezetésének útjáról.

A képzés végén a résztvevők képesek lesznek:

• Különböző MLOps keretrendszerek és eszközök telepítésére és konfigurálására.
• A megfelelő készségekkel rendelkező csapat összeállítására egy MLOps rendszer felépítéséhez és támogatásához.
• Adatok előkészítésére, ellenőrzésére és verziókezelésére a gépi tanulási modellek számára.
• Az ML folyamat összetevőinek és az egy ilyen folyamat felépítéséhez szükséges eszközök megértésére.
• Különböző gépi tanulási keretrendszerek és szerverek kipróbálására a termelési környezetbe történő üzembe helyezéshez.
• A gépi tanulási folyamat teljes operacionalizálására, hogy az reprodukálható és karbantartható legyen.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középszintű adatelemzőknek, fejlesztőknek vagy leendő adattudósoknak szól, akik gépi tanulási technikákat szeretnének alkalmazni Pythonban az adatokból történő betekintéshez, előrejelzésekhez és adatvezérelt döntések automatizálásához.

A képzés végére a résztvevők képesek lesznek:

• Megérteni és megkülönböztetni a kulcsfontosságú gépi tanulási paradigmákat.
• Felfedezni az adatfeldolgozási technikákat és a modellértékelési metrikákat.
• Gépi tanulási algoritmusokat alkalmazni valós adatproblémák megoldására.
• Python könyvtárakat és Jupyter notebookokat használni a gyakorlati fejlesztéshez.
• Előrejelzési, osztályozási, ajánlási és klaszterezési modelleket építeni.

Ez az oktató által vezetett, élő Magyarország tanfolyam (online vagy helyszíni) fejlesztőknek és adat tudományos munkatársaknak címezett, akik a TensorFlow 2.x használatával szeretnének előrejelzőket, osztályozókat, generatív modelleket, neurális hálózatokat és hasonlókat kidolgozni.

A képzés végére a résztvevők képesek lesznek:

• TensorFlow 2.x telepítésére és konfigurálására.
• A TensorFlow 2.x előnyök megértésére a korábbi verziókkal összehasonlítva.
• Mélytanulási modellek építésére.
• Egy haladó képcsatornak osztályozó megvalósítására.
• Egy mélytanulási modell üzembehelyezésére a felhőbe, mobilon és IoT-eszközökre.