使用ML.NET进行机器学习和人工智能 培训

本课程为讲师主导的培训，在 中国（线上或线下）进行，面向希望使用 AdaBoost 构建机器学习提升算法的数据科学家和软件工程师。

通过本培训，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。
• 理解集成学习方法，并掌握如何实现自适应提升。
• 学习如何使用 AdaBoost 模型提升 Python 中的机器学习算法。
• 使用超参数调优，提高 AdaBoost 模型的准确性和性能。

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。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

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开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

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。

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。

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。

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的过程。

本课程为讲师指导的培训（线上或线下），面向希望使用 Kubeflow 构建可靠机器学习工作流的初级到中级专业人士。

完成本培训后，学员将掌握以下技能：

• 熟悉 Kubeflow 生态系统及其核心组件。
• 使用 Kubeflow Pipelines 构建可重复的工作流。
• 在 Kubernetes 上运行可扩展的训练任务。
• 使用 Kubeflow Serving 高效部署机器学习模型。

课程形式

• 引导式演示与协作讨论。
• 使用真实 Kubeflow 组件的实践操作。
• 构建端到端机器学习工作流的实际练习。

课程定制选项

• 可根据团队的技术栈和项目需求定制本培训内容。

本课程为讲师指导的（线上或线下）培训，面向希望使用Google的ML Kit构建专为移动设备优化的机器学习模型的开发者。

培训结束后，学员将能够：

• 设置必要的开发环境，开始为移动apps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 apps中。
• 使用ML Kit SDK增强和优化现有apps，进行设备端处理和部署。

本课程为讲师指导的培训，在中国（线上或线下）进行，面向希望使用随机森林为大型数据集构建机器学习算法的数据科学家和软件工程师。

在本培训结束时，参与者将能够：

• 设置必要的开发环境，开始使用随机森林构建机器学习模型。
• 了解随机森林的优势，以及如何应用它来解决分类和回归问题。
• 学习如何处理大型数据集，并解释随机森林中的多个决策树。
• 通过调整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。