AI-Driven Process Optimization in Chip Fabrication 培训

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 AdaBoost 构建机器学习提升演算法的数据科学家和软体工程师 Python。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境，开始使用 AdaBoost 构建机器学习模型。
• 了解集成学习方法以及如何实现自适应提升。
• 在 Python 中了解如何构建 AdaBoost 模型来提升机器学习演算法。
• 使用超参数优化来提高 AdaBoost 模型的准确性和性能。

这种由 中国 的讲师指导式现场培训（在线或现场）面向数据科学家以及希望使用 Auto-Keras 来自动化选择和优化机器学习模型过程的技术人员。

在本次培训结束时，参与者将能够：

• 自动执行高效机器学习模型的训练过程。
• 自动搜索深度学习模型的最佳参数。
• 构建高度准确的机器学习模型。
• 利用机器学习的强大功能解决实际业务问题。

这种由讲师指导的 中国 现场培训（在线或现场）面向具有机器学习背景的技术人员，他们希望优化用于检测大数据中复杂模式的机器学习模型。

在本次培训结束时，参与者将能够：

• 安装和评估各种开源 AutoML 工具（H2O AutoML、auto-sklearn、TPOT、TensorFlow、PyTorch、Auto-Keras、TPOT、Auto-WEKA 等）
• 训练高品质的机器学习模型。
• 高效解决不同类型的监督式机器学习问题。
• 只需编写必要的代码即可启动自动化机器学习过程。

这种以讲师为主导的中国（在线或现场）现场培训面向具有不同专业水平的参与者，他们希望利用 Google 的 AutoML 平台为各种应用程序构建定制的聊天机器人。

在培训结束时，参与者将能够：

• 了解聊天机器人开发的基础知识。
• 浏览 Google 云平台并访问 AutoML。
• 为训练聊天机器人模型准备数据。
• 使用 AutoML 训练和评估自定义聊天机器人模型。
• 将聊天机器人部署并集成到各种平台和渠道中。
• 随时间推移监控和优化聊天机器人性能。

这门由讲师指导的中国（线上或线下）培训课程，介绍了模式识别和机器学习的领域，并涵盖了统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学中的实际应用。

通过本培训，参与者将能够：

• 应用核心统计方法于模式识别。
• 使用神经网络和核方法等关键模型进行数据分析。
• 实施高级技术以解决复杂问题。
• 通过结合不同模型来提高预测准确性。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 DataRobot 的机器学习功能自动化、评估和管理预测模型的数据科学家和数据分析师。

在本次培训结束时，参与者将能够：

• 在 DataRobot 中载入数据集以分析、评估和品质检查数据。
• 构建和训练模型以识别重要变数并满足预测目标。
• 解释模型以创建有助于做出业务决策的宝贵见解。
• 监控和管理模型以保持优化的预测性能。

此讲师指导的 中国 现场培训（在线或现场）面向希望使用 Weka 执行数据挖掘任务的初级到 中级数据分析师和数据科学家。

在本次培训结束时，参与者将能够：

• 安装并配置 Weka。
• 了解 Weka 环境和工作台。
• 使用 Weka 执行数据挖掘任务。

这种讲师指导的 中国 现场培训（在线或现场）面向数据科学家、数据分析师和开发人员，他们希望探索 AutoML 产品和功能，以最少的工作量创建和部署自定义 ML 训练模型。

在本次培训结束时，参与者将能够：

• 探索 AutoML 产品线，为各种数据类型实施不同的服务。
• 准备和标记数据集以创建自定义 ML 模型。
• 训练和管理模型以生成准确、公平的机器学习模型。
• 使用经过训练的模型进行预测，以满足业务目标和需求。

这种以讲师为主导的中国现场培训（现场或远程）面向希望在Kubernetes上构建，部署和管理机器学习工作流的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 使用 AWS EKS（弹性 Kubernetes 服务）在本地和云端安装和配置 Kubeflow。
• 基于 Docker 个容器和 Kubernetes 构建、部署和管理 ML 工作流。
• 在不同的架构和云环境中运行整个机器学习管道。
• 使用 Kubeflow 生成和管理 Jupyter 笔记本。
• 跨多个平台构建 ML 训练、超参数调优并为工作负载提供服务。

这种以讲师为主导的现场培训（现场或远程）针对的是希望超越构建ML模型并优化ML模型创建，跟踪和部署过程的数据科学家。

在培训结束时，参与者将能够：

• 安装和配置 MLflow 以及相关的 ML 库和框架。
• 了解 ML 模型的可跟踪性、可再现性和可部署性的重要性
• 将 ML 模型部署到不同的公有云、平台或本地服务器。
• 扩展 ML 部署过程，以适应在项目上进行协作的多个用户。
• 设置中央注册表以试验、复制和部署 ML 模型。

这种由讲师指导的现场培训（在线或现场）面向希望使用 Google ML Kit 构建针对行动装置上的处理进行了优化的机器学习模型的开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始为行动应用程式开发机器学习功能。
• 使用 ML Kit API 将新的机器学习技术集成到 Android 和 iOS 应用程式中。 
• 使用 ML Kit SDK 增强和优化现有应用程式，以进行设备上的处理和部署。

Pattern Matching 是一种用于在图像中定位指定模式的技术。它可用于确定捕获的图像中是否存在指定特征，例如工厂生产线中缺陷产品上的预期标签或元件的指定尺寸。它与 “Pattern Recognition” 的不同之处在于 “Pattern Recognition” （它根据更大的相关样本集合识别一般模式），因为它具体指示我们正在寻找什么，然后告诉我们预期的模式是否存在。

课程形式

• 本课程介绍了模式匹配领域中使用的方法、技术和演算法，因为它适用于 Machine Vision。

这种由 中国 的讲师指导式实时培训（在线或现场）面向希望使用 Random Forest 为大型数据集构建机器学习演算法的数据科学家和软体工程师。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境，开始使用 Random forest 构建机器学习模型。
• 了解 Random Forest 的优点以及如何实施它来解决分类和回归问题。
• 在 Random Forest 中了解如何处理大型数据集和解释多个决策树。
• 通过优化超参数来评估和优化机器学习模型的性能。

此讲师指导的 中国 现场培训（在线或现场）面向 希望学习如何使用 RapidMiner 估计和预测值并利用分析工具进行时间序列预测的中级数据分析师。

在本次培训结束时，参与者将能够：

• 学习应用 CRISP-DM 方法，选择合适的机器学习演算法，并增强模型构建和性能。
• 使用 RapidMiner 估计和预测值，并利用分析工具进行时间序列预测。

RapidMiner 是一个开源数据科学软体平台，用于快速应用程式原型设计和开发。它包括用于数据准备、机器学习、深度学习、文本挖掘和预测分析的集成环境。 

在这个由讲师指导的实时培训中，参与者将学习如何使用 RapidMiner Studio 进行数据准备、机器学习和预测模型部署。 

在本次培训结束时，参与者将能够：

• 安装与设定RapidMiner
• 使用 RapidMiner 准备和可视化数据
• 验证机器学习模型
• 混搭数据并创建预测模型
• 在业务流程中实施预测分析
• 故障排除和优化 RapidMiner

观众

• 数据科学家
• 工程师
• 开发人员

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

注意

• 要申请本课程的定制培训，请联系我们进行安排。