Machine Learning 和 Predictive Analytics 与 Python 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。

本次由讲师指导的线下或线上培训，面向具有机器学习背景的技术参与者，旨在通过AutoML框架优化模型，以检测大数据中的复杂模式。

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。

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。

本课程为讲师指导的中国线下或线上培训，面向希望将机器学习工作负载部署到 AWS EC2 服务器的工程师。

培训结束后，参与者将能够：

• 在 AWS 上安装和配置 Kubernetes、Kubeflow 及其他所需软件。
• 使用 EKS（Elastic Kubernetes Service）简化在 AWS 上初始化 Kubernetes 集群的工作。
• 创建并部署 Kubernetes 流水线，以自动化和管理生产环境中的 ML 模型。
• 在多个 GPU 和并行运行的机器上训练和部署 TensorFlow ML 模型。
• 利用其他 AWS 托管服务扩展 ML 应用。

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。

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。

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。

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。

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。