Machine Learning Training Courses

Machine Learning Training Courses

Τα τοπικά μαθήματα κατάρτισης με μάθημα Machine Learning (ML), καθοδηγούμενα από εκπαιδευτές, καταδεικνύουν μέσω της πρακτικής άσκησης πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση προβλημάτων πραγματικού κόσμου σε διάφορες βιομηχανίες. Τα μαθήματα NobleProg ML καλύπτουν διαφορετικές γλώσσες προγραμματισμού και πλαίσια, συμπεριλαμβανομένων των Python, R και Matlab. Μαθήματα μηχανικής μάθησης προσφέρονται για διάφορες βιομηχανικές εφαρμογές, όπως Χρηματοοικονομικές, Τραπεζικές και Ασφαλιστικές, και καλύπτουν τις βασικές αρχές της Μηχανικής Μάθησης καθώς και πιο προηγμένες προσεγγίσεις, όπως η Deep Learning. Η Εκπαίδευση Εκμάθησης Μηχανών είναι διαθέσιμη ως "ζωντανή εκπαίδευση στο χώρο" ή "μακρινή ζωντανή εκπαίδευση". Η επιτόπια κατάρτιση σε πραγματικό χρόνο μπορεί να πραγματοποιηθεί σε τοπικό επίπεδο στις εγκαταστάσεις του πελάτη Ελλάδα ή σε εταιρικά κέντρα κατάρτισης NobleProg στο Ελλάδα . Η απομακρυσμένη ζωντανή προπόνηση πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας. NobleProg - Ο τοπικός παροχέας εκπαίδευσης

Machine Translated

Testimonials

★★★★★
★★★★★

Machine Learning (ML) Course Outlines

Course Name
Duration
Overview
Course Name
Duration
Overview
35 hours
Overview
Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπου ή απομακρυσμένη) απευθύνεται σε επαγγελματίες που επιθυμούν να ξεκινήσουν μια καριέρα στην Data Science .

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

- Εγκαταστήστε και ρυθμίστε τις παραμέτρους Python και MySql.
- Κατανοήστε τι είναι το Data Science και πώς μπορεί να προσθέσει αξία σχεδόν σε κάθε επιχείρηση.
- Μάθετε τα βασικά στοιχεία της κωδικοποίησης στην Python
- Μάθετε τις εποπτευόμενες και μη εποπτευόμενες τεχνικές Machine Learning και πώς να τις εφαρμόσετε και να ερμηνεύσετε τα αποτελέσματα.

Μορφή του μαθήματος

- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Χειροκίνητη υλοποίηση σε εργασιακό περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
14 hours
Overview
Αυτό το μάθημα καλύπτει το AI (με έμφαση στη Machine Learning και Deep Learning ) στην Automotive . Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (ενδεχομένως) να χρησιμοποιηθεί σε πολλαπλές περιπτώσεις ενός αυτοκινήτου: απλή αυτοματοποίηση, αναγνώριση εικόνας σε αυτόνομη λήψη αποφάσεων.
21 hours
Overview
Αυτό το μάθημα εισάγει μεθόδους μηχανικής μάθησης σε εφαρμογές ρομποτικής.

Πρόκειται για μια ευρεία επισκόπηση των υφιστάμενων μεθόδων, κινήτρων και βασικών ιδεών στο πλαίσιο της αναγνώρισης προτύπων.

Μετά από ένα σύντομο θεωρητικό υπόβαθρο, οι συμμετέχοντες θα εκτελούν απλή άσκηση χρησιμοποιώντας ανοικτή πηγή (συνήθως R) ή οποιοδήποτε άλλο δημοφιλές λογισμικό.
21 hours
Overview
PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
Το OpenNN είναι μια βιβλιοθήκη κατηγορίας ανοιχτού κώδικα γραμμένη σε C ++ που υλοποιεί νευρωνικά δίκτυα, για χρήση στη μηχανική μάθηση.

Σε αυτό το μάθημα θα ξεπεράσουμε τις αρχές των νευρωνικών δικτύων και θα χρησιμοποιήσουμε το OpenNN για την υλοποίηση μιας δειγματοληπτικής εφαρμογής.

Κοινό
Προγραμματιστές λογισμικού και προγραμματιστές που επιθυμούν να δημιουργήσουν εφαρμογές Deep Learning.

Μορφή του μαθήματος
Διάλεξη και συζήτηση σε συνδυασμό με πρακτικές ασκήσεις.
7 hours
Overview
Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να δημιουργήσουν και να χρησιμοποιήσουν το OpenNMT για να πραγματοποιήσουν μετάφραση διαφόρων δειγμάτων δεδομένων. Το μάθημα ξεκινά με μια επισκόπηση των νευρωνικών δικτύων, όπως ισχύουν για τη μηχανική μετάφραση. Οι συμμετέχοντες θα πραγματοποιήσουν ζωντανές ασκήσεις καθ 'όλη τη διάρκεια του μαθήματος για να καταδείξουν την κατανόησή τους σχετικά με τις έννοιες που έμαθαν και να λάβουν πληροφορίες από τον εκπαιδευτή.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν τις γνώσεις και την πρακτική που απαιτούνται για την υλοποίηση μιας ζωντανής λύσης OpenNMT .

Τα δείγματα γλώσσας προέλευσης και στόχου θα είναι προκαθορισμένα σύμφωνα με τις απαιτήσεις του κοινού.

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, βαριά πρακτική άσκηση
14 hours
Overview
The Apache OpenNLP library is a machine learning based toolkit for processing natural language text. It supports the most common NLP tasks, such as language detection, tokenization, sentence segmentation, part-of-speech tagging, named entity extraction, chunking, parsing and coreference resolution.

In this instructor-led, live training, participants will learn how to create models for processing text based data using OpenNLP. Sample training data as well customized data sets will be used as the basis for the lab exercises.

By the end of this training, participants will be able to:

- Install and configure OpenNLP
- Download existing models as well as create their own
- Train the models on various sets of sample data
- Integrate OpenNLP with existing Java applications

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google's FaceNet research.

In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application.

By the end of this training, participants will be able to:

- Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation
- Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc.

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
14 hours
Overview
OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.

This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.

By the end of this training, participants will be able to:

- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
Course is dedicated for those who would like to know an alternative program to the commercial MATLAB package. The three-day training provides comprehensive information on moving around the environment and performing the OCTAVE package for data analysis and engineering calculations. The training recipients are beginners but also those who know the program and would like to systematize their knowledge and improve their skills. Knowledge of other programming languages is not required, but it will greatly facilitate the learners' acquisition of knowledge. The course will show you how to use the program in many practical examples.
14 hours
Overview
Αυτή η εκπαιδευτική συνεδρία θα περιλαμβάνει παρουσιάσεις και παραδείγματα υπολογιστών και ασκήσεις μελέτης περιπτώσεων που θα πραγματοποιηθούν με σχετικές νευρικές και βαθιές βιβλιοθήκες δικτύου
28 hours
Overview
Αυτό το μάθημα θα σας δώσει γνώση στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Η εκπαίδευση αυτή είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέξετε τη σωστή τεχνολογία: TensorFlow , Caffe , Teano, DeepDrive, Keras , κλπ Τα παραδείγματα γίνονται σε TensorFlow .
21 hours
Overview
MXNet is a flexible, open-source Deep Learning library that is popular for research prototyping and production. Together with the high-level Gluon API interface, Apache MXNet is a powerful alternative to TensorFlow and PyTorch.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Apache MXNet to build and deploy a deep learning model for image recognition.

By the end of this training, participants will be able to:

- Install and configure Apache MXNet and its components.
- Understand MXNet's architecture and data structures.
- Use Apache MXNet's low-level and high-level APIs to efficiently build neural networks.
- Build a convolutional neural network for image classification.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
Αυτή η περίοδος εκπαίδευσης βασισμένη στην τάξη θα διερευνήσει τα εργαλεία μηχανικής μάθησης με την (προτεινόμενη) Python . Οι εκπρόσωποι θα έχουν παραδείγματα υπολογιστών και ασκήσεις μελέτης περιπτώσεων που θα αναλάβουν.
14 hours
Overview
MLOps (Machine Learning Operations) is the practice of integrating data science and operations to help manage the ML lifecycle. MLOps provides the ability to automate the reproduction of machine learning model development and training.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Azure Machine Learning and Azure DevOps to facilitate MLOps practices.

By the end of this training, participants will be able to:

- Build reproducible workflows and machine learning models.
- Manage the machine learning lifecycle.
- Track and report model version history, assets, and more.
- Deploy production ready machine learning models anywhere.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.
21 hours
Overview
ο στόχος αυτού του μαθήματος είναι να παρέχει γενική επάρκεια στην εφαρμογή μεθόδων μηχανικής μάθησης στην πράξη. Μέσω της χρήσης της γλώσσας προγραμματισμού Python και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιείτε τα σημαντικότερα δομικά στοιχεία της μηχανικής μάθησης, πώς να κάνετε αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσετε την τις εκροές των αλγορίθμων και να επικυρώσετε τα αποτελέσματα.

ο στόχος μας είναι να σας δώσουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε τα πιο θεμελιώδη εργαλεία από την εργαλειοθήκη μηχανικής εκμάθησης με σιγουριά και να αποφύγετε τις κοινές παγίδες των εφαρμογών των Επιστημών δεδομένων.
21 hours
Overview
PredictionIO είναι ένας Machine Learning ανοιχτού κώδικα που είναι ενσωματωμένος στην κορυφαία στοίβα ανοιχτής πηγής.

Κοινό

Αυτό το μάθημα απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που θέλουν να δημιουργήσουν μηχανές πρόβλεψης για οποιαδήποτε εργασία εκμάθησης μηχανών.
35 hours
Overview
MLOps is a set of tools and methodologies for combining Machine Learning and DevOps practices. The goal of MLOps is to automate and optimize the deployment and maintenance of ML systems in production.

This instructor-led, live training (online or onsite) is aimed at engineers who wish to evaluate the approaches and tools available today to make an intelligent decision on the path forward in adopting MLOps within their organization.

By the end of this training, participants will be able to:

- Install and configure various MLOps frameworks and tools.
- Assemble the right kind of team with the right skills for constructing and supporting an MLOps system.
- Prepare, validate and version data for use by ML models.
- Understand the components of an ML Pipeline and the tools needed to build one.
- Experiment with different machine learning frameworks and servers for deploying to production.
- Operationalize the entire Machine Learning process so that it's reproduceable and maintainable.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.
14 hours
Overview
This classroom based training session will explore machine learning techniques, with computer based examples and case study solving exercises using a relevant programme languauge
14 hours
Overview
In this instructor-led, live training, participants will learn how to use the iOS Machine Learning (ML) technology stack as they step through the creation and deployment of an iOS mobile app.

By the end of this training, participants will be able to:

- Create a mobile app capable of image processing, text analysis and speech recognition
- Access pre-trained ML models for integration into iOS apps
- Create a custom ML model
- Add Siri Voice support to iOS apps
- Understand and use frameworks such as coreML, Vision, CoreGraphics, and GamePlayKit
- Use languages and tools such as Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda, and Spyder

Audience

- Developers

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice
7 hours
Overview
Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν τις βασικές τεχνικές Machine Learning σε πρακτικές εφαρμογές.

Κοινό

Οι επιστήμονες δεδομένων και οι στατιστικολόγοι που έχουν κάποια εξοικείωση με τη μηχανική μάθηση και ξέρουν πώς να προγραμματίσουν το R. Η έμφαση σε αυτό το μάθημα αφορά στις πρακτικές πτυχές της προετοιμασίας δεδομένων / μοντέλων, της εκτέλεσης, της μετα-hoc ανάλυσης και της απεικόνισης. Ο σκοπός είναι να δοθεί μια πρακτική εισαγωγή στην μηχανική μάθηση σε συμμετέχοντες που ενδιαφέρονται να εφαρμόσουν τις μεθόδους στην εργασία

Παραδείγματα συγκεκριμένων τομέων χρησιμοποιούνται για να κάνουν την εκπαίδευση σχετική με το κοινό.
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Μέσα από τη χρήση της πλατφόρμας προγραμματισμού R και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.

Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Μέσω της χρήσης της Python προγραμματισμού Python και των διάφορων βιβλιοθηκών της και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.

Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
14 hours
Overview
Ο στόχος αυτού του μαθήματος είναι να παρέχει μια βασική επάρκεια στην εφαρμογή μεθόδων Machine Learning στην πράξη. Με τη χρήση της γλώσσας προγραμματισμού Scala και των διάφορων βιβλιοθηκών της και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσει τα πιο σημαντικά δομικά στοιχεία της Machine Learning , πώς να κάνει τις αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσει τις εξόδους των αλγορίθμων επικυρώστε τα αποτελέσματα.

Στόχος μας είναι να σας προσφέρουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με βεβαιότητα τα πιο βασικά εργαλεία από το Toolbox Machine Learning Tool και να αποφύγετε τις συνήθεις παγίδες των εφαρμογών της Data Science .
21 hours
Overview
MLflow is an open source platform for streamlining and managing the machine learning lifecycle. It supports any ML (machine learning) library, algorithm, deployment tool or language. Simply add MLflow to your existing ML code to share the code across any ML library being used within your organization.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to go beyond building ML models and optimize the ML model creation, tracking, and deployment process.

By the end of this training, participants will be able to:

- Install and configure MLflow and related ML libraries and frameworks.
- Appreciate the importance of trackability, reproducability and deployability of an ML model
- Deploy ML models to different public clouds, platforms, or on-premise servers.
- Scale the ML deployment process to accommodate multiple users collaborating on a project.
- Set up a central registry to experiment with, reproduce, and deploy ML models.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.
28 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. R είναι μια δημοφιλής γλώσσα προγραμματισμού στον χρηματοπιστωτικό κλάδο. Χρησιμοποιείται σε χρηματοοικονομικές εφαρμογές που κυμαίνονται από βασικά προγράμματα διαπραγμάτευσης μέχρι συστήματα διαχείρισης κινδύνου.

Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον χρηματοπιστωτικό κλάδο. R θα χρησιμοποιηθεί ως γλώσσα προγραμματισμού.

Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

- Κατανοήστε τις θεμελιώδεις έννοιες της μηχανικής μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της μηχανικής μάθησης στη χρηματοδότηση
- Αναπτύξτε τη δική τους στρατηγική αλγοριθμικών συναλλαγών χρησιμοποιώντας την εκμάθηση μηχανών με τον R

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
Η μηχανική μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης όπου οι υπολογιστές έχουν τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Python είναι μια γλώσσα προγραμματισμού γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα. Προσφέρει μια εξαιρετική συλλογή από καλά δοκιμασμένες βιβλιοθήκες και τεχνικές για την ανάπτυξη εφαρμογών μηχανικής μάθησης.

Σε αυτή την καθοδηγούμενη από εκπαιδευτές, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να εφαρμόζουν τεχνικές μηχανικής μάθησης και εργαλεία για την επίλυση πραγματικών προβλημάτων στον χρηματοπιστωτικό κλάδο.

Οι συμμετέχοντες μαθαίνουν πρώτα τις βασικές αρχές και στη συνέχεια εφαρμόζουν τις γνώσεις τους δημιουργώντας τα δικά τους μοντέλα μηχανικής μάθησης και χρησιμοποιώντας τα για να ολοκληρώσουν μια σειρά ομαδικών έργων.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

- Κατανοήστε τις θεμελιώδεις έννοιες της μηχανικής μάθησης
- Μάθετε τις εφαρμογές και τις χρήσεις της μηχανικής μάθησης στη χρηματοδότηση
- Αναπτύξτε τη δική τους στρατηγική αλγοριθμικών συναλλαγών χρησιμοποιώντας μηχανική μάθηση με την Python

Κοινό

- Προγραμματιστές
- Οι επιστήμονες των δεδομένων

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
21 hours
Overview
Αυτό το εκπαιδευτικό μάθημα απευθύνεται σε άτομα που θα ήθελαν να εφαρμόσουν την Machine Learning σε πρακτικές εφαρμογές για την ομάδα τους. Η εκπαίδευση δεν θα εξελιχθεί σε τεχνικές λεπτομέρειες και θα περιστρέφεται γύρω από τις βασικές έννοιες και τις επιχειρησιακές / επιχειρησιακές εφαρμογές της ίδιας.

Στοχευμένο κοινό

- Επενδυτές και επιχειρηματίες της ΑΠ
- Διευθυντές και Μηχανικοί των οποίων η εταιρεία μπαίνει σε χώρο ΑΙ
- Αναλυτές Business & Επενδυτές
14 hours
Overview
Η αντιστοίχιση μοτίβων είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό συγκεκριμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης συγκεκριμένων χαρακτηριστικών μέσα σε μια ληφθείσα εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια γραμμή εργοστασίου ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Είναι διαφορετικό από το " Pattern Recognition " (το οποίο αναγνωρίζει τα γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι επιβάλλει συγκεκριμένα αυτό που ψάχνουμε και μας λέει εάν υπάρχει το αναμενόμενο πρότυπο ή όχι.

Μορφή του μαθήματος

- Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .
14 hours
Overview
Pandas is a Python library for data manipulation and analysis. Using Pandas, users can perform predictive analysis through machine learning.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use Pandas to preform predictive analysis with machine learning.

By the end of this training, participants will be able to:

- Perform data wrangling in Python.
- Conduct ETL operations for machine learning.
- Create data visualizations with Pandas

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.
Online Machine Learning (ML) courses, Weekend Machine Learning (ML) courses, Evening Machine Learning training, Machine Learning boot camp, Machine Learning instructor-led, Weekend Machine Learning training, Evening Machine Learning (ML) courses, ML (Machine Learning) coaching, ML (Machine Learning) instructor, Machine Learning (ML) trainer, ML (Machine Learning) training courses, Machine Learning (ML) classes, Machine Learning (ML) on-site, ML (Machine Learning) private courses, Machine Learning (ML) one on one training

Course Discounts

Course Discounts Newsletter

We respect the privacy of your email address. We will not pass on or sell your address to others.
You can always change your preferences or unsubscribe completely.

Some of our clients

is growing fast!

We are looking for a good mixture of IT and soft skills in Greece!

As a NobleProg Trainer you will be responsible for:

  • delivering training and consultancy Worldwide
  • preparing training materials
  • creating new courses outlines
  • delivering consultancy
  • quality management

At the moment we are focusing on the following areas:

  • Statistic, Forecasting, Big Data Analysis, Data Mining, Evolution Alogrithm, Natural Language Processing, Machine Learning (recommender system, neural networks .etc...)
  • SOA, BPM, BPMN
  • Hibernate/Spring, Scala, Spark, jBPM, Drools
  • R, Python
  • Mobile Development (iOS, Android)
  • LAMP, Drupal, Mediawiki, Symfony, MEAN, jQuery
  • You need to have patience and ability to explain to non-technical people

To apply, please create your trainer-profile by going to the link below:

Apply now!

This site in other countries/regions