Feature Engineering για την Μηχανική Μάθηση Κομμάτι εκπαίδευσης

Αυτή η κατεύθυνση από δάσκαλο, ζωντανή εκπαίδευση σε Ελλάδα (online ή on-site) απευθύνεται σε επιστήμονες δεδομένων και λογισμικού που επιθυμούν να χρησιμοποιήσουν το AdaBoost για την ανάπτυξη βοηθητικών αλγορίθμων μηχανικής μάθησης με Python.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Καθιερώσουν το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσουν την κατασκευή μο델ών μηχανικής μάθησης με AdaBoost.
• Κατανοήσουν την προσέγγιση συνόλων (ensemble) και πώς να εφαρμόσουν αποδοχτικά βοηθητικά μεθόδους.
• Μάθουν πώς να δημιουργήσουν μοντέλα AdaBoost για την επέκταση αλγορίθμων μηχανικής μάθησης σε Python.
• Χρησιμοποιήσουν τον ρυθμισμό υπερπαραμέτρων (hyperparameter tuning) για να αυξήσουν την ακρίβεια και την απόδοση των μοντέλων AdaBoost.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων καθώς και σε λιγότερο τεχνικά άτομα που επιθυμούν να χρησιμοποιήσουν το Auto-Keras για να αυτοματοποιήσουν τη διαδικασία επιλογής και βελτιστοποίησης ενός μοντέλου μηχανικής εκμάθησης.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Αυτοματοποιήστε τη διαδικασία εκπαίδευσης μοντέλων μηχανικής μάθησης υψηλής απόδοσης.
• Αυτόματη αναζήτηση για τις καλύτερες παραμέτρους για μοντέλα βαθιάς εκμάθησης.
• Δημιουργήστε μοντέλα μηχανικής εκμάθησης υψηλής ακρίβειας.
• Χρησιμοποιήστε τη δύναμη της μηχανικής μάθησης για να λύσετε επιχειρηματικά προβλήματα στον πραγματικό κόσμο.

Αυτή η διαδραστική, ζωντανή εκπαίδευση (online ή on-site) απευθύνεται σε τεχνικούς συμμετέχοντες με υπόβαθρο στη μηχανική μάθηση που επιθυμούν να βελτιστοποιήσουν τα μοντέλα για τον ανίχνευση περίπλοκων σχεδίων σε μεγάλα δεδομένα χρησιμοποιώντας πλατφόρμες AutoML.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε συμμετέχοντες με διαφορετικά επίπεδα τεχνογνωσίας που επιθυμούν να αξιοποιήσουν την πλατφόρμα Google AutoML για να δημιουργήσουν προσαρμοσμένα chatbots για διάφορες εφαρμογές.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε τις βασικές αρχές της ανάπτυξης chatbot.
• Πλοηγηθείτε στο Google Cloud Platform και αποκτήστε πρόσβαση στο AutoML.
• Προετοιμάστε δεδομένα για εκπαίδευση μοντέλων chatbot.
• Εκπαιδεύστε και αξιολογήστε προσαρμοσμένα μοντέλα chatbot χρησιμοποιώντας το AutoML.
• Αναπτύξτε και ενσωματώστε chatbots σε διάφορες πλατφόρμες και κανάλια.
• Παρακολουθήστε και βελτιστοποιήστε την απόδοση του chatbot με την πάροδο του χρόνου.

Αυτή η εξειδίκευση μαθημάτων, πρόσωπου διδασκάλου (διαδικτύου ή σε χώρο), παρέχει μια εισαγωγή στο πεδίο της αναγνώρισης δεξιοτήτων και της μηχανικής μάθησης. Τέμνει πρακτικές εφαρμογές στατιστικών, υπολογιστικής επιστήμης, επεξεργασίας σήματος, υπολογιστικής οπτικής, δεδομένων εξόρυξης και βιοϊνφορματικής.

Στο τέλος αυτής της εξειδίκευσης, οι συμμετέχοντες θα μπορούν να:

• Εφαρμόζουν βασικά πολυτελή μεθόδους στην αναγνώριση δεξιοτήτων.
• Χρησιμοποιούν κλειδί μοντέλα όπως νευρωνικά δίκτυα και παραγώγοι για ανάλυση δεδομένων.
• Εφαρμόζουν προχωρημένες τεχνικές για επίλυση περιπλοκών προβλημάτων.
• Βελτιώνουν την ακρίβεια πρόβλεψης με τη σύγχυση διαφορετικών μοντέλων.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και αναλυτές δεδομένων που επιθυμούν να αυτοματοποιήσουν, να αξιολογήσουν και να διαχειριστούν προγνωστικά μοντέλα χρησιμοποιώντας τις δυνατότητες μηχανικής εκμάθησης του DataRobot.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Φορτώστε σύνολα δεδομένων στο DataRobot για ανάλυση, αξιολόγηση και έλεγχο ποιότητας δεδομένων.
• Δημιουργήστε και εκπαιδεύστε μοντέλα για τον εντοπισμό σημαντικών μεταβλητών και την επίτευξη στόχων πρόβλεψης.
• Ερμηνεύστε μοντέλα για να δημιουργήσετε πολύτιμες γνώσεις που είναι χρήσιμες στη λήψη επιχειρηματικών αποφάσεων.
• Παρακολουθήστε και διαχειριστείτε μοντέλα για να διατηρήσετε μια βελτιστοποιημένη απόδοση πρόβλεψης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων, αναλυτές δεδομένων και προγραμματιστές που επιθυμούν να εξερευνήσουν AutoML προϊόντα και δυνατότητες για να δημιουργήσουν και να αναπτύξουν προσαρμοσμένα μοντέλα εκπαίδευσης ML με ελάχιστη προσπάθεια.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εξερευνήστε τη σειρά προϊόντων AutoML για να εφαρμόσετε διαφορετικές υπηρεσίες για διάφορους τύπους δεδομένων.
• Προετοιμάστε και επισημάνετε σύνολα δεδομένων για τη δημιουργία προσαρμοσμένων μοντέλων ML.
• Εκπαιδεύστε και διαχειριστείτε μοντέλα για την παραγωγή ακριβών και δίκαιων μοντέλων μηχανικής μάθησης.
• Κάντε προβλέψεις χρησιμοποιώντας εκπαιδευμένα μοντέλα για την κάλυψη των επιχειρηματικών στόχων και αναγκών.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να διαχειριστούν ροές εργασιών μηχανικής μάθησης στο Kubernetes.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το Kubeflow στην εγκατάσταση και στο cloud χρησιμοποιώντας AWS EKS (Elastic Kubernetes Service).
• Δημιουργήστε, αναπτύξτε και διαχειριστείτε ροές εργασίας ML με βάση Docker κοντέινερ και Kubernetes.
• Εκτελέστε ολόκληρους αγωγούς μηχανικής εκμάθησης σε διαφορετικές αρχιτεκτονικές και περιβάλλοντα cloud.
• Χρήση του Kubeflow για δημιουργία και διαχείριση φορητών υπολογιστών Jupyter.
• Δημιουργήστε εκπαίδευση ML, συντονισμό υπερπαραμέτρων και εξυπηρέτηση φόρτου εργασίας σε πολλές πλατφόρμες.

Αυτή η εκπαιδευτική εξ αποστάσεως, ζωντανή εκπαίδευση σε Ελλάδα (online ή on-site) απευθύνεται σε μηχανικούς που επιθυμούν να διατέθεσουν φόρτο εργασίας μηχανικής μάθησης σε έναν server AWS EC2.

Εως το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν και να ρυθμίσουν το Kubernetes, Kubeflow και άλλη απαραίτητη λογισμικό στο AWS.
• Να χρησιμοποιήσουν EKS (Elastic Kubernetes Service) για να εξυπηρητήσουν την απλοποίηση της προσωπικοποίησης μιας κλάδου Kubernetes στο AWS.
• Να δημιουργήσουν και να διαθέσουν έναν πίπα παραγωγής Kubernetes για την αυτόματη εκτέλεση και διαχείριση μοντέλων ML σε παραγωγή.
• Να εκπαιδεύσουν και να διαθέσουν TensorFlow μοντέλα ML σε πολλά GPUs και υπολογιστές τρέχοντας παράλληλα.
• Να εκμεταλλευτούν άλλες διαχειριζόμενες υπηρεσίες AWS για την επέκταση μιας εφαρμογής ML.

Αυτή η ζωντανή εκπαίδευση μέσω εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να προχωρήσουν πέρα από τη δημιουργία μοντέλων ML και να βελτιστοποιήσουν τη διαδικασία δημιουργίας, παρακολούθησης και ανάπτυξης μοντέλων ML.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε τις MLflow και σχετικές βιβλιοθήκες και πλαίσια ML.
• Εκτιμήστε τη σημασία της δυνατότητας παρακολούθησης, της δυνατότητας αναπαραγωγής και της δυνατότητας ανάπτυξης ενός μοντέλου ML
• Αναπτύξτε μοντέλα ML σε διαφορετικά δημόσια σύννεφα, πλατφόρμες ή διακομιστές εσωτερικής εγκατάστασης.
• Κλιμακώστε τη διαδικασία ανάπτυξης ML για να φιλοξενήσει πολλούς χρήστες που συνεργάζονται σε ένα έργο.
• Ρυθμίστε ένα κεντρικό μητρώο για να πειραματιστείτε, να αναπαράγετε και να αναπτύξετε μοντέλα ML.

Αυτή η καθοδηγούμενη από εκπαιδευτικό, ζωντανή εκπαίδευση (online ή χώρου σε εγκαταστάσει) προορίζεται για προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το ML Kit της Google για να φτιάξουν μοντέλα μηχανικής μάθησης που οργανωμένα για την επεξεργασία σε κινητά συσκευές.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Προσαρμόσουν το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσουν την ανάπτυξη χαρακτηριστικών μηχανικής μάθησης για εφαρμογές κινητών.
• Να ολοκληρώσουν την ολοκλήρωση νέων τεχνολογιών μηχανικής μάθησης στις εφαρμογές Android και iOS χρησιμοποιώντας τα API ML Kit.
• Να βελτιώσουν και να προσαρμόσουν υφιστάμενες εφαρμογές με τη χρήση του ML Kit SDK για την επεξεργασία και ανάδειξη σε συσκευές.

Pattern Matching είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό καθορισμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης καθορισμένων χαρακτηριστικών σε μια καταγεγραμμένη εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια εργοστασιακή γραμμή ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Διαφέρει από το "Pattern Recognition" (το οποίο αναγνωρίζει γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι υπαγορεύει συγκεκριμένα αυτό που ψάχνουμε και, στη συνέχεια, μας λέει εάν το αναμενόμενο μοτίβο υπάρχει ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στον τομέα της αντιστοίχισης προτύπων όπως ισχύει για το Machine Vision.

Αυτή η καθοδηγημένη εκπαίδευση από διδάσκοντα, ζωντανά σε Ελλάδα (online or onsite), απευθύνεται σε επιστήμονες δεδομένων και λογισμικού μηχανικό που θέλουν να χρησιμοποιήσουν το Random Forest για να αναπτύξουν αλγόριθμους μηχανικής μάθησης για μεγάλους συνόλους δεδομένων.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να ρυθμίσουν το απαραίτητο περιβάλλον ανάπτυξης για να αρχίσουν να κατασκευάζουν μοντέλα μηχανικής μάθησης με το Random Forest.
• Να κατανοήσουν τα πλεονεκτήματα του Random Forest και να υλοποιήσουν την εξέλιξη για την επίλυση προβλημάτων κατηγοριοποίησης και παλινδρόμησης.
• Να μάθουν πώς να διαχειρίζονται μεγάλους συνόλους δεδομένων και να ερμηνεύουν πολλά δέντρα απόφασης στο Random Forest.
• Να αξιολογούν και να βελτιώνουν την απόδοση μοντέλων μηχανικής μάθησης ελαφρύνοντας τα υπερμεταβλητά.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακή ή επιτόπου) απευθύνεται σε αναλυτές δεδομένων μεσαίου επιπέδου που επιθυμούν να μάθουν πώς να χρησιμοποιούν το RapidMiner για την εκτίμηση και την προβολή τιμών και τη χρήση αναλυτικών εργαλείων για την πρόβλεψη χρονοσειρών.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Μάθετε να εφαρμόζετε τη μεθοδολογία CRISP-DM, επιλέξτε κατάλληλους αλγόριθμους μηχανικής εκμάθησης και βελτιώστε την κατασκευή και την απόδοση του μοντέλου.
• Χρησιμοποιήστε το RapidMiner για να εκτιμήσετε και να προβάλετε τιμές και να χρησιμοποιήσετε αναλυτικά εργαλεία για την πρόβλεψη χρονοσειρών.

Το RapidMiner είναι μια πλατφόρμα λογισμικού επιστήμης δεδομένων ανοιχτού κώδικα για γρήγορη δημιουργία πρωτοτύπων και ανάπτυξη εφαρμογών. Περιλαμβάνει ένα ενσωματωμένο περιβάλλον για προετοιμασία δεδομένων, μηχανική μάθηση, βαθιά μάθηση, εξόρυξη κειμένου και προγνωστική ανάλυση.

Σε αυτήν τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το RapidMiner Studio για προετοιμασία δεδομένων, μηχανική εκμάθηση και ανάπτυξη προγνωστικών μοντέλων.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκατάσταση και διαμόρφωση RapidMiner
• Προετοιμασία και οπτικοποίηση δεδομένων με RapidMiner
• Επικύρωση μοντέλων μηχανικής μάθησης
• Συνδυάστε δεδομένα και δημιουργήστε προγνωστικά μοντέλα
• Λειτουργία προγνωστικών αναλυτικών στοιχείων σε μια επιχειρηματική διαδικασία
• Αντιμετώπιση προβλημάτων και βελτιστοποίηση RapidMiner

Ακροατήριο

• Επιστήμονες δεδομένων
• Μηχανικοί
• προγραμματιστές

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σημείωμα

• Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.