AI工程精通：从Python工程到生产级AI系统 培训

这门课程涵盖了人工智能(在工业中简化 Machine Learning和 Deep Learning)。 它有助于确定哪种技术可以(潜在)在汽车中的多种情况下使用:从简单的自动化,图像识别到自主决策。

探索人工智能的基础知识，揭示了智能技术如何重塑企业运营中的数字战略、自动化和决策。涵盖人工智能历史、问题解决框架、知识表示、不确定性推理和机器学习范式的核心概念，同时涉及沟通技能、感知和自主行动。指导高管和架构师评估人工智能驱动的转型机会，评估新兴技术趋势，并整合实用的智能解决方案，以加速业务敏捷性。

本课程为讲师指导的培训（线上或线下），面向希望了解AlphaFold工作原理并在实验研究中使用AlphaFold模型作为指导的生物学家。

培训结束后，学员将能够：

• 理解AlphaFold的基本原理。
• 学习AlphaFold的工作原理。
• 学习如何解读AlphaFold的预测结果。

人工神经网络是一种计算数据模型，用于开发能够执行“智能”任务的 Artificial Intelligence (AI) 系统。Neural Networks 通常用于 Machine Learning （ML） 应用程序，这些应用程序本身就是 AI 的一种实现。Deep Learning 是 ML 的一个子集。

从零开始用Python实现应用人工智能为程序员和数据分析师提供了使用Python从头构建机器学习解决方案的基础技术。涵盖监督学习分类和回归、无监督学习聚类和异常检测以及高级神经网络架构的核心原理。探讨了使用scikit-learn、Apache Spark MLlib和Jupyter笔记本进行实践AI开发的成熟方法。帮助专业人员实现实用的ML模型，评估算法局限性，并完成解决实际问题的应用项目。

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。

深度强化学习是指“人工智能体”通过反复试验和奖惩来学习的能力。人工智能体旨在模仿人类直接从原始输入（如视觉）获取和构建知识的能力。为了实现强化学习，深度学习和神经网络会被用到。强化学习与机器学习不同，不依赖于有监督和无监督的学习方法。

在这一由讲师引导的现场培训中，学员将在逐步创建深度学习智能体的过程中学习深度强化学习的基础知识。

在本次培训结束后，学员将能够：

• 理解深度强化学习的基本概念，及其与机器学习的区别
• 运用先进的强化学习算法来解决实际问题
• 构建深度学习智能体

受众

• 开发人员
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量实操

本课程为讲师指导的线下或线上培训，面向中级开发者、数据科学家和AI从业者，旨在帮助他们利用TensorFlow Lite开发Edge AI应用。

通过本培训，学员将能够：

• 理解TensorFlow Lite的基础知识及其在Edge AI中的作用。
• 使用TensorFlow Lite开发和优化AI模型。
• 在各种边缘设备上部署TensorFlow Lite模型。
• 掌握模型转换和优化的工具与技术。
• 使用TensorFlow Lite实现实际的Edge AI应用。

Kubeflow是一个开源平台，旨在简化在Kubernetes上构建、训练和部署机器学习工作负载。

本课程为讲师主导的直播培训（线上或线下），面向初级至中级专业人员，帮助其使用Kubeflow构建可靠的机器学习工作流。

完成本培训后，学员将掌握以下技能：

• 熟悉Kubeflow生态系统及核心组件。
• 使用Kubeflow Pipelines构建可复现的工作流。
• 在Kubernetes上运行可扩展的训练任务。
• 利用Kubeflow Serving高效提供机器学习模型服务。

课程形式

• 引导式演示与协作讨论。
• 基于真实Kubeflow组件的动手实验。
• 端到端机器学习工作流构建实践。

课程定制选项

• 可根据团队技术栈和项目需求，提供定制化的培训版本。

本讲师引导的培训课程在中国进行（线上或线下），面向开发者和数据科学家，旨在帮助其在Kubernetes上构建、部署和管理机器学习工作流。

完成本课程后，参与者将能够：

• 在本地（on-premise）和云端安装并配置Kubeflow。
• 基于Docker容器和Kubernetes构建、部署和管理ML工作流。
• 在多种架构和云环境中运行完整的机器学习流水线。
• 使用Kubeflow生成并管理Jupyter笔记本。
• 在多个平台上构建ML训练、超参数调优及推理服务工作负载。

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。

本课程首先为您提供神经网络、机器学习算法以及深度学习（算法和应用）的概念性知识。

本培训的第1部分（40%）更侧重于基础知识，但将帮助您选择正确的技术：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培训的第2部分（20%）介绍了Theano——一个使编写深度学习模型变得简单的Python库。

本培训的第3部分（40%）将广泛基于TensorFlow——谷歌的开源深度学习软件库的API。所有的示例和动手实践都将在TensorFlow中进行。

受众

本课程面向希望在其深度学习项目中使用TensorFlow的工程师。

完成本课程后，学员将：

• 对深度神经网络（DNN）、CNN和RNN有良好的理解
• 理解TensorFlow的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，进行调试和监控
• 能够实现高级生产任务，如训练模型、构建图和日志记录

这种由讲师指导的 中国 现场现场培训（在线或现场）面向希望探索深度学习模型的先进 XAI 技术的高级专业人员，重点是构建可解释的 AI 系统。

在本次培训结束时，参与者将能够：

• 了解深度学习中可解释性的挑战。
• 为神经网路实施高级 XAI 技术。
• 解释深度学习模型做出的决策。
• 评估性能和透明度之间的权衡。