Machine Learning with Random Forest Training Course

Τι θα μοιάζουν οι πόλεις στο μέλλον; Πώς μπορεί να χρησιμοποιηθεί Artificial Intelligence (AI) για τη βελτίωση του πολεοδομικού σχεδιασμού; Πώς μπορεί να χρησιμοποιηθεί το AI για να καταστήσει τις πόλεις πιο αποτελεσματικές, εύχρηστες, ασφαλέστερες και φιλικές προς το περιβάλλον;

Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη), εξετάζουμε τις διάφορες τεχνολογίες που απαρτίζουν το AI, καθώς και τα σύνολα δεξιοτήτων και το πνευματικό πλαίσιο που απαιτείται για να τα χρησιμοποιήσουμε για πολεοδομία. Καλύπτουμε επίσης εργαλεία και προσεγγίσεις για τη συλλογή και οργάνωση σχετικών δεδομένων για χρήση σε ΑΠ, συμπεριλαμβανομένης της εξόρυξης δεδομένων.

Κοινό

• Πολεοδόμοι
• Αρχιτέκτονες
• Προγραμματιστές
• Υπεύθυνοι μεταφορών

Μορφή του μαθήματος

• Διάλεξη μέρους, μέρος συζήτησης και μια σειρά διαδραστικών ασκήσεων.

Σημείωση

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.

Το AI είναι μια συλλογή τεχνολογιών για την κατασκευή έξυπνων συστημάτων ικανών να κατανοήσουν τα δεδομένα και τις δραστηριότητες που περιβάλλουν τα δεδομένα για να κάνουν "έξυπνες αποφάσεις". Για τους παρόχους τηλεπικοινωνιών, οι εφαρμογές κτιρίων και οι υπηρεσίες που χρησιμοποιούν το AI θα μπορούσαν να ανοίξουν την πόρτα για βελτιωμένες λειτουργίες και εξυπηρέτηση σε τομείς όπως η συντήρηση και η βελτιστοποίηση του δικτύου.

Σε αυτό το μάθημα εξετάζουμε τις διάφορες τεχνολογίες που απαρτίζουν το AI και τα σύνολα ικανοτήτων που απαιτούνται για να τα χρησιμοποιήσουμε. Σε όλη τη διάρκεια του μαθήματος, εξετάζουμε τις συγκεκριμένες εφαρμογές της AI στο πλαίσιο της βιομηχανίας τηλεπικοινωνιών.

Κοινό

• Μηχανικοί δικτύων
• Δυναμικό του δικτύου
• Τεχνικοί διευθυντές τηλεπικοινωνιών

Μορφή του μαθήματος

• Διάλεξη μέρους, συζήτηση, πρακτική ασκήσεις

Αυτό το μάθημα έχει δημιουργηθεί για μάνατζερ, αρχιτέκτονες λύσεων, στελέχη καινοτομίας, CTO, αρχιτέκτονες λογισμικού και οποιονδήποτε ενδιαφέρεται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και την πλησιέστερη πρόβλεψη για την ανάπτυξή της.

Αυτό το μάθημα δημιουργήθηκε για άτομα που δεν έχουν προηγούμενη εμπειρία σε πιθανότητες και στατιστικές.

Η γραμμική άλγεβρα είναι ένας κλάδος των μαθηματικών που ασχολείται με διανύσματα, πίνακες και γραμμικούς μετασχηματισμούς. Η γνώση της γραμμικής άλγεβρας βοηθά τους μηχανικούς και τους προγραμματιστές να βελτιώσουν τις δυνατότητες μηχανικής εκμάθησης. Η κατανόηση των εννοιών της γραμμικής άλγεβρας τους επιτρέπει να κατανοήσουν καλύτερα τις αρχές πίσω από τις τεχνικές μηχανικής μάθησης και έτσι να επιλύουν προβλήματα πιο γρήγορα.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν τις βασικές αρχές της γραμμικής άλγεβρας καθώς προχωρούν στην επίλυση ενός προβλήματος μηχανικής μάθησης χρησιμοποιώντας μεθόδους γραμμικής άλγεβρας.

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

Κατανόηση των θεμελιωδών εννοιών της γραμμικής άλγεβρας Μάθετε τις δεξιότητες γραμμικής άλγεβρας που απαιτούνται για τη μηχανική μάθηση Χρησιμοποιήστε δομές και έννοιες γραμμικής άλγεβρας όταν εργάζεστε με δεδομένα, εικόνες, αλγόριθμους κ.λπ. Λύστε ένα πρόβλημα μηχανικής μάθησης χρησιμοποιώντας γραμμική άλγεβρα

Ακροατήριο

Μηχανικοί προγραμματιστών

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σημείωση

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

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να χρησιμοποιήσουν την πλατφόρμα μεταφοράς και απόθεσης του Azure ML για να αναπτύξουν Machine Learning φόρτους εργασίας χωρίς να χρειάζεται να αγοράσουν λογισμικό και υλικό και χωρίς να χρειάζεται να ανησυχούν σχετικά με τη συντήρηση και την εγκατάσταση.

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

• Γράψτε μοντέλα μηχανικής μάθησης υψηλής ακρίβειας χρησιμοποιώντας εργαλεία Python, R ή μηδενικού κώδικα.
• Αξιοποιήστε τα διαθέσιμα σύνολα δεδομένων και τους αλγόριθμους του Azure για να εκπαιδεύσετε και να παρακολουθήσετε μοντέλα μηχανικής μάθησης και βαθιάς μάθησης.
• Χρησιμοποιήστε τον διαδραστικό χώρο εργασίας Azures για να αναπτύξετε συνεργατικά μοντέλα ML.
• Επιλέξτε από διαφορετικά πλαίσια ML που υποστηρίζονται από το Azure, όπως τα PyTorch, TensorFlow και scikit-learn.

Το τεχνητό νευρωνικό δίκτυο είναι ένα υπολογιστικό μοντέλο δεδομένων που χρησιμοποιείται στην ανάπτυξη συστημάτων Artificial Intelligence (AI) ικανών να εκτελούν "ευφυή" καθήκοντα. Neural Networks χρησιμοποιούνται συνήθως στις εφαρμογές Machine Learning (ML), οι οποίες είναι οι ίδιες μια υλοποίηση του AI. Deep Learning είναι ένα υποσύνολο του ML.

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την τεχνητή νοημοσύνη και την εφαρμογή της. Υπάρχει η επιλογή να έχετε μια επιπλέον ημέρα για να αναλάβετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την AI και την εφαρμογή της χρησιμοποιώντας την Python γλώσσα προγραμματισμού. Υπάρχει μια επιλογή να έχετε μια πρόσθετη ημέρα για να αναλάβετε ένα έργο AI κατά την ολοκλήρωση αυτού του μαθήματος. 

Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν Machine Learning σε πρακτικές εφαρμογές.

Κοινό

Αυτό το μάθημα απευθύνεται σε επιστήμονες και στατιστικολόγους που έχουν κάποια εξοικείωση με στατιστικά στοιχεία και γνωρίζουν πώς να προγραμματίσουν R (ή Python ή άλλη επιλεγμένη γλώσσα). Η έμφαση δίνεται στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης.

Ο σκοπός είναι να δοθούν πρακτικές εφαρμογές στη Machine Learning σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία.

Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να δημιουργήσουν και να εκπαιδεύσουν μοντέλα μηχανικής εκμάθησης για ανάπτυξη σε περιβάλλοντα φιλοξενίας έτοιμα για παραγωγή.

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

• Χρησιμοποιήστε περιπτώσεις σημειωματάριων για να προετοιμάσετε και να ανεβάσετε δεδομένα για εκπαίδευση.
• Εκπαιδεύστε μοντέλα μηχανικής μάθησης χρησιμοποιώντας σύνολα δεδομένων εκπαίδευσης.
• Αναπτύξτε εκπαιδευμένα μοντέλα σε ένα τελικό σημείο για να δημιουργήσετε προβλέψεις.

Αυτή η ζωντανή εκπαίδευση από εκπαιδευτές στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Azure Machine Learning για να δημιουργήσουν μοντέλα μηχανικής μάθησης από άκρο σε άκρο για προγνωστική ανάλυση.

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

• Δημιουργήστε μοντέλα μηχανικής εκμάθησης με μηδενική εμπειρία προγραμματισμού.
• Δημιουργήστε προγνωστικούς αλγόριθμους με το Azure Machine Learning.
• Αναπτύξτε αλγόριθμους μηχανικής εκμάθησης έτοιμους για παραγωγή.

Αυτό το μάθημα θα είναι ένας συνδυασμός θεωρίας και πρακτικής εργασίας με συγκεκριμένα παραδείγματα που θα χρησιμοποιηθούν σε όλη την εκδήλωση.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές ιστού που επιθυμούν να δημιουργήσουν μοντέλα μηχανικής εκμάθησης με Core ML για iOS 11 και ανάπτυξη macOS High Sierra.

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

• Δημιουργήστε εφαρμογές βασισμένες στην τεχνητή νοημοσύνη που χρησιμοποιούν μηχανική εκμάθηση.
• Εφαρμογή μοντέλων μηχανικής εκμάθησης που ταξινομούν εικόνες.
• Χρησιμοποιήστε το Core ML API για την υποστήριξη προσαρμοσμένων ροών εργασίας και προηγμένων περιπτώσεων χρήσης
• Αναλύστε κείμενο φυσικής γλώσσας με μοντέλα μηχανικής μάθησης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς, επιστήμονες δεδομένων και αναλυτές δεδομένων που επιθυμούν να χρησιμοποιήσουν το Dataiku DSS για την ανάπτυξη αγωγών μηχανικής μάθησης και να αξιοποιήσουν διαδικασίες AI για τη δημιουργία στρατηγικών οργανωτικών πρωτοβουλιών .

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

• Εγκαταστήστε και διαμορφώστε το Dataiku DSS σύμφωνα με το λειτουργικό σύστημα που προτιμάτε.
• Κατανοήστε τις έννοιες και τις αρχές AI/ML που είναι θεμελιώδεις για τα χαρακτηριστικά του Dataiku.
• Δημιουργήστε και εφαρμόστε τους δικούς τους κωδικούς οπτικοποίησης δεδομένων σε έργα Dataiku DSS.
• Αναπτύξτε μοντέλα και αγωγούς ML σε περιβάλλοντα παραγωγής που είναι χτισμένα γύρω από το Dataiku DSS.
• Βελτιστοποιούν την ευελιξία και την ευελιξία των μεθόδων ανάλυσης δεδομένων των εταιρικών εφαρμογών τους.
• Χρησιμοποιήστε το Dataiku DSS για να εξασφαλίσετε και να διαχειριστείτε τον τρόπο ροής δεδομένων μέσω περαιτέρω επιχειρηματικών συστημάτων.