北京机器学习培训

这种由讲师指导的 北京 现场培训（在线或现场）面向希望了解预训练模型概念并学习如何应用它们来解决实际问题而无需从头开始构建模型的初级专业人员。

在本次培训结束时，参与者将能够：

• 了解预训练模型的概念和优势。
• 探索各种预先训练的模型架构及其使用案例。
• 针对特定任务微调预先训练的模型。
• 在简单的机器学习项目中实施预训练模型。

这种以讲师为主导的北京（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。

这种由讲师指导的 北京（在线或现场）实时培训面向希望优化 AI 模型以进行边缘部署的中级 AI 开发人员、机器学习工程师和系统架构师。

在培训结束时，参与者将能够：

• 了解在边缘设备上部署 AI 模型的挑战和要求。
• 应用模型压缩技术来减小 AI 模型的大小和复杂性。
• 利用量化方法提高边缘硬件上的模型效率。
• 实施修剪和其他优化技术以提高模型性能。
• 在各种边缘设备上部署优化的 AI 模型。

这种以讲师为主导的 北京（在线或现场）现场培训面向希望获得在边缘设备上为各种应用程序部署 AI 模型的实用技能的中级开发人员、数据科学家和技术爱好者。

在培训结束时，参与者将能够：

• 了解边缘 AI 的原理及其优势。
• 设置和配置边缘计算环境。
• 开发、训练和优化用于边缘部署的 AI 模型。
• 在边缘设备上实施实用的 AI 解决方案。
• 评估和改进边缘部署模型的性能。
• 解决边缘 AI 应用程序中的道德和安全注意事项。

这种以讲师为主导的北京现场培训（现场或远程）针对希望掌握自主系统背后技术的高级专业人士。

在培训结束时，参与者将能够：

• 设计和实施用于自主决策的 AI 模型。
• 开发用于自主导航和避障的控制算法。
• 确保 AI 驱动的自主系统的安全性和可靠性。
• 将自主系统与现有的机器人和 AI 框架集成。

本课程为讲师指导的北京（线上或线下）培训，旨在帮助高级专业人士提升机器学习模型的知识，改进超参数调优技能，并学习如何使用Google Colab有效地部署模型。

在课程结束时，学员将能够：

• 使用Scikit-learn和TensorFlow等流行框架实现高级机器学习模型。
• 通过超参数调优优化模型性能。
• 使用Google Colab在实际应用中部署机器学习模型。
• 在Google Colab中协作和管理大规模机器学习项目。

这种以讲师为主导的北京现场培训（现场或远程）面向希望应用AI技术优化半导体制造中产量管理的中级专业人员。

在培训结束时，参与者将能够：

• 分析生产数据，确定影响良率的因素。
• 实施 AI 算法以增强产量管理流程。
• 优化生产参数，减少缺陷，提高良率。
• 将 AI 驱动的产量管理集成到现有的生产工作流程中。

人工智能和Machine Learning是快速发展的技术，对数据治理和组织合规性具有重要影响。

本课程为讲师指导的培训（线上或线下），面向中级水平的治理、隐私和合规专业人员，旨在帮助他们了解如何在人工智能和机器学习环境中实施稳健的信息治理实践。

通过本培训，参与者将能够：

• 理解人工智能和机器学习在信息治理背景下的核心概念。
• 识别组织中部署AI/ML的典型领域及相关的信息治理风险。
• 评估AI/ML如何与Data Protection原则、记录管理和数据质量相互作用。
• 将DPIAs、治理框架和风险缓解方法应用于AI/ML项目。

课程形式

• 互动讲座与讨论。
• 真实案例分析与框架评估。
• 小组活动与指导性文档解读。

课程定制选项

• 如需为本课程定制培训，请联系我们安排。

这项由讲师指导的北京（线上或线下）培训课程，旨在帮助中级商业和AI专业人士，通过实际案例和Python工具，将机器学习应用于商业、预测和AI驱动的系统中。

在培训结束时，学员将能够：

• 了解机器学习如何融入AI和商业策略。
• 将监督式和无监督式学习技术应用于结构化商业问题。
• 对数据进行预处理和转换以进行建模。
• 使用神经网络进行分类和预测任务。
• 使用统计和基于ML的方法进行销售预测。
• 实施聚类和关联规则挖掘，以进行客户细分和模式发现。

这种以讲师为主导的北京现场培训（现场或远程）面向希望将尖端AI技术应用于半导体设计自动化，提高芯片设计和验证的效率，准确性和创新的高级专业人士。

在培训结束时，参与者将能够：

• 应用先进的 AI 技术来优化半导体设计流程。
• 将机器学习模型集成到 EDA 工具中，以增强设计验证。
• 开发 AI 驱动的解决方案，应对芯片制造中的复杂设计挑战。
• 利用神经网络提高设计自动化的准确性和速度。

这种以讲师为主导的北京现场培训（现场或远程）面向希望理解和应用AI技术以优化半导体制造工艺的中级专业人员。

在培训结束时，参与者将能够：

• 了解用于芯片制造中流程优化的 AI 方法。
• 实施 AI 模型以提高产量并减少缺陷。
• 分析过程数据，确定需要优化的关键参数。
• 应用机器学习技术来微调半导体制造工艺。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望自动化和管理机器学习工作流程的中级参与者，包括使用 Apache Airflow 进行模型训练、验证和部署。

在本次培训结束时，参与者将能够：

• 设置 Apache Airflow 用于机器学习工作流编排。
• 自动执行数据预处理、模型训练和验证任务。
• 将 Airflow 与机器学习框架和工具整合。
• 使用自动化管道部署机器学习模型。
• 监控和优化生产中的机器学习工作流程。

这是由讲师指导的北京（线上或线下）培训，针对希望使用Google Colab环境高效应用机器学习算法的中级数据科学家和开发者。

培训结束时，学员将能够：

• 为机器学习项目设置并导航Google Colab。
• 理解并应用各种机器学习算法。
• 使用Scikit-learn等库来分析和预测数据。
• 实现监督和非监督学习模型。
• 有效优化和评估机器学习模型。

This instructor-led, live training in 北京 (online or onsite) is aimed at data scientists and developers who wish to use ML.NET machine learning models to automatically derive projections from executed data analysis for enterprise applications.

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

• Install ML.NET and integrate it into the application development environment.
• Understand the machine learning principles behind ML.NET tools and algorithms.
• Build and train machine learning models to perform predictions with the provided data smartly.
• Evaluate the performance of a machine learning model using the ML.NET metrics.
• Optimize the accuracy of the existing machine learning models based on the ML.NET framework.
• Apply the machine learning concepts of ML.NET to other data science applications.

这门由讲师指导的北京（线上或线下）培训课程，针对中级数据专业人员，旨在将机器学习技术应用于数据驱动的业务问题，包括使用神经网络进行销售预测和预测建模。

在培训结束时，参与者将能够：

• 理解机器学习的核心概念和类型。
• 应用关键算法进行分类、回归、聚类和关联分析。
• 使用Python进行探索性数据分析和数据准备。
• 使用神经网络进行非线性建模任务。
• 实施预测分析以进行业务预测，包括销售数据。
• 使用视觉和统计技术评估和优化模型性能。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望扩展深度学习以生成文本到图像的知识和技能的中高级数据科学家、机器学习工程师、深度学习研究人员和计算机视觉专家。

在本次培训结束时，参与者将能够：

• 了解用于文字到图像生成的高级深度学习架构和技术。
• 实施复杂模型和优化，以实现高品质的图像合成。
• 优化大型数据集和复杂模型的性能和可扩充性。
• 优化超参数以获得更好的模型性能和泛化。
• 与其他深度学习框架和工具整合 Stable Diffusion

这种讲师指导的现场培训在 北京（在线或现场）进行，面向希望提升 AI 驱动型威胁检测和事件回应技能的中高级网路安全专业人员。

在本次培训结束时，参与者将能够：

• 实施高级 AI 演算法以进行即时威胁检测。
• 针对特定的网路安全挑战定制 AI 模型。
• 开发用于威胁回应的自动化工作流程。
• 保护 AI 驱动的安全工具，抵御对抗性攻击。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望学习如何利用 AI 来提高威胁检测和回应能力的初级网路安全专业人员。

在本次培训结束时，参与者将能够：

• 了解网路安全中的 AI 应用程式。
• 实施 AI 演算法进行威胁检测。
• 使用 AI 工具自动回应事件。
• 将 AI 整合到现有的网路安全基础设施中。

这种由 北京 的讲师指导的现场培训（在线或现场） 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。

在本次培训结束时，参与者将能够：

• 理解 AlphaFold 的基本原理。
• 了解 AlphaFold 的工作原理。
• 了解如何解释 AlphaFold 预测和结果。

此讲师指导的 北京 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。

此讲师指导的 北京 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。

这种讲师指导的现场培训（在线或现场）面向希望 利用 Stable Diffusion 为各种使用案例生成高品质图像的数据科学家、机器学习工程师和计算机视觉研究人员。

在本次培训结束时，参与者将能够：

• 了解 Stable Diffusion 的原理以及它如何用于图像生成。
• 为图像生成任务构建和训练 Stable Diffusion 模型。
• 将 Stable Diffusion 应用于各种图像生成方案，例如修复、出海和图像到图像的转换。
• 优化 Stable Diffusion 模型的性能和稳定性。

该课程的目的是提供在实践中应用方法的基本技能。 通过使用 Python 编程语言和其各种图书馆,并基于许多实用的例子,该课程教导如何使用最重要的建筑区块,如何做出数据模拟决策,解释算法的结果,并验证结果。

我們的目標是為您提供理解和使用最基本的工具工具的技能,以信心,並避免常見的錯誤的應用程式。

本课程的目的是提供在实践中应用机器学习方法的一般熟练程度。通过使用 Python 编程语言及其各种库, 并基于大量的实际示例, 本课程教授如何使用机器学习最重要的构建块, 如何做出数据建模决策, 解释输出并验证结果

我们的目标是让您能够自信地理解和使用机器学习工具箱中最基本的工具, 并避免数据科学应用的常见陷阱。

这种由 讲师指导的 北京 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 北京 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 北京 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。

这门由讲师指导的北京（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 北京 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。

这种以讲师为主导的北京现场培训（现场或远程）针对的是希望应用特征工程技术来更好地处理数据并获得更好的机器学习模型的工程师。

在培训结束时，参与者将能够：

• 设置最佳开发环境，包括所有需要的 Python 包。
• 通过分析数据集的特征来获得重要的见解。
• 通过调整原始数据本身来优化机器学习模型。
• 清理和转换数据集，为机器学习做好准备。

机器学习是人工智能的一个分支，其中计算机具有无需明确编程即可学习的能力。

深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构（如神经网络）的方法。

Python 是一种高级编程语言，以其清晰的语法和代码可读性而闻名。

在这个以讲师为主导的现场培训中，参与者将学习如何使用Python实施电信深度学习模型，同时逐步创建深度学习信用风险模型。

在培训结束时，参与者将能够：

• 了解深度学习的基本概念。
• 了解深度学习在电信中的应用和用途。
• 使用 Python、Keras 和 TensorFlow 创建电信深度学习模型。
• 使用 Python 构建自己的深度学习客户流失预测模型。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在现场实验室环境中实际实施。

课程定制选项

• 如需申请此课程的定制培训，请联系我们进行安排。

这种讲师指导的 北京 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。

本课程适用于已经具有数据科学和统计学背景的人。给出的解释旨在提醒那些已经熟悉这些概念的人，或者告知那些具有合适背景的人。

这种以讲师为主导的北京现场培训（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。

这种由讲师指导的北京现场现场培训面向希望将Machine Learning工作负载部署到AWS EC2服务器的工程师。

在培训结束时，参与者将能够：

• 在 AWS 上安装和配置 Kubernetes、Kubeflow 和其他需要的软件。
• 使用 EKS（Elastic Kubernetes Service）简化在 AWS 上初始化 Kubernetes 集群的工作。
• 创建和部署 Kubernetes 管道，用于在生产环境中自动执行和管理 ML 模型。
• 在多个并行运行的 GPU 和机器上训练和部署 TensorFlow ML 模型。
• 利用其他 AWS 托管服务来扩展 ML 应用程序。

此由讲师指导的现场培训（在线或现场）主要针对希望将 Machine Learning 工作负载部署到 Azure 云的工程师。

培训结束后，学员将能够：

• 在 Azure 上安装并配置 Kubernetes、Kubeflow 及其他所需软件。
• 使用 Azure Kubernetes 服务（AKS）简化在 Azure 上初始化 Kubernetes 集群的工作。
• 创建并部署 Kubernetes 管道，用于自动化和管理生产中的 ML 模型。
• 在多个GPU和并行运行的机器上训练和部署TensorFlowML模型。
• 利用其他 AWS 托管服务来扩展 ML 应用程序。

这种以讲师为主导的北京现场培训（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：

• 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。

Machine Learning是人工智能的一个分支，其中计算机能够在没有明确编程的情况下进行学习。Python是一种以清晰语法和可读性著称的编程语言，它提供了大量经过良好测试的库和技术，用于开发机器学习应用。

在这次讲师指导的线下培训中，参与者将学习如何应用机器学习技术和工具，解决银行业中的实际问题。

参与者首先学习关键原理，然后通过构建自己的机器学习模型并将其用于完成多个团队项目，将知识付诸实践。

受众

• 开发者
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

这种以讲师为主导的北京现场现场培训针对的是希望学习如何实施机器学习策略，同时最大限度地利用大数据的技术人员。

在培训结束时，参与者将：

• 了解机器学习的演变和趋势。
• 了解机器学习在不同行业的应用方式。
• 熟悉可用于在组织内实施机器学习的工具、技能和服务。
• 了解如何使用机器学习来增强数据挖掘和分析。
• 了解什么是数据中间后端，以及企业如何使用它。
• 了解大数据和智能应用在各行各业中发挥的作用。

本培训课程适合希望将Machine Learning应用于团队实际应用中的人员。培训不会深入技术细节，而是围绕基本概念及其在业务/操作中的应用展开。

目标观众

1. 投资者与AI企业家
2. 公司正涉足AI领域的经理与工程师
3. Business分析师与投资者

机器学习是人工智能的一个分支，指计算机可以在不被明确编程的情况下学习。

在这一由讲师引导的现场培训中，参与者将学习如何应用机器学习技术和工具来解决财务的现实问题。Python将被用作编程语言。

参与者首先学习关键原则，然后通过建立自己的机器学习模型并使用模型来完成一些团队项目以将所学知识运用到实践中。

在本次培训结束后，参与者将能够：

• 了解机器学习的基本概念
• 了解机器学习在金融领域的应用和使用
• 使用Python机器学习开发自己的算法交易策略

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

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。

本培训课程面向希望在实际应用中应用基本Machine Learning技术的人员。

听众

熟悉机器学习并熟悉如何编程的数据科学家和统计学家。本课程的重点是数据/模型准备，执行，事后分析和可视化的实际方面。目的是向有兴趣在工作中应用这些方法的参与者提供机器学习的实用介绍

行业特定示例用于使培训与受众相关。

在这个由讲师指导的现场培训中，参与者将学习如何使用 iOS Machine Learning （ML） 技术堆栈，逐步完成 iOS 移动应用程式的创建和部署。

在本次培训结束时，参与者将能够：

• 创建能够进行图像处理、文本分析和语音辨识的行动应用程式
• Access 用于整合到 iOS 应用程式的预训练 ML 模型
• 创建自定义 ML 模型
• 为 iOS 应用程式添加 Siri 语音支援
• 了解并使用 coreML、Vision、CoreGraphics 和 GamePlayKit 等框架
• 使用 Python、Keras、Caffee、Tensorflow、sci-kit learn、libsvm、Anaconda 和 Spyder 等语言和工具

观众

• 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

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。

这项由讲师指导的北京（线上或线下）培训，针对中级业务和技术专业人士，旨在通过实际案例研究和动手工具，应用机器学习技术解决现实业务挑战。

培训结束后，参与者将能够：

• 了解机器学习如何融入现代AI系统和业务策略。
• 针对不同业务问题，识别合适的机器学习方法。
• 预处理和转换业务数据，以用于机器学习任务。
• 应用核心机器学习技术，如分类、回归、聚类和时间序列预测。
• 在业务决策的背景下，解释和评估机器学习模型。
• 通过案例研究获得实际经验，并将所学技术应用于实际情境。

本课程介绍机器学习方法在Robotics应用中的使用。

它广泛概述了现有方法、动机以及在模式识别背景下的主要概念。

在简短的理论背景介绍后，学员将使用开源软件（通常是R）或其他流行软件进行简单的练习。

这项由讲师指导的北京（线上或线下）培训，针对中级数据分析师、开发人员或有志成为数据科学家的人士，旨在应用机器学习技术于Python中，以提取洞察、进行预测并自动化数据驱动的决策。

在本课程结束时，参与者将能够：

• 理解并区分关键的机器学习范式。
• 探索数据预处理技术和模型评估指标。
• 应用机器学习算法解决实际数据问题。
• 使用Python库和Jupyter笔记本进行实作开发。
• 构建用于预测、分类、推荐和聚类的模型。

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 北京 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。

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。