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。

本次由讲师指导的线下或线上培训，面向希望优化AI模型以在边缘设备上部署的中级AI开发者、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模型的挑战和需求。
• 应用模型压缩技术，减少AI模型的规模和复杂性。
• 利用量化方法，提升模型在边缘硬件上的效率。
• 实施剪枝和其他优化技术，提升模型性能。
• 在各种边缘设备上部署优化后的AI模型。

本次由讲师指导的线下或线上培训，面向中级开发者、数据科学家和技术爱好者，旨在帮助他们掌握在各种应用中在边缘设备上部署AI模型的实用技能。

培训结束后，参与者将能够：

• 理解Edge 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。
• 在边缘设备上实现实用的AI解决方案。
• 评估并改进边缘部署模型的性能。
• 解决Edge AI应用中的伦理和安全问题。

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培训，在北京（线上或线下）进行，面向希望掌握自主系统背后技术的高级专业人员。

在本培训结束时，参与者将能够：

• 设计和实现用于自主决策的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。

本次由讲师主导的培训在北京（线上或线下）面向希望提升机器学习模型知识、改进超参数调优技能，并学习如何使用Google Colab有效部署模型的高级专业人士。

培训结束后，参与者将能够：

• 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。

本次由讲师指导的培训在北京（线上或线下）进行，面向中级专业人员，旨在应用AI技术优化半导体制造中的良率管理。

培训结束后，学员将能够：

• 分析生产数据，识别影响良率的因素。
• 实施AI算法，优化良率管理流程。
• 优化生产参数，减少缺陷，提高良率。
• 将AI驱动的良率管理集成到现有生产工作流程中。

本次由讲师指导的线下或线上培训，面向中级水平的商业和AI专业人士，旨在通过实际案例和基于Python的工具，帮助他们将机器学习应用于商业、预测和AI驱动系统。

培训结束后，参与者将能够：

• 理解机器学习如何融入AI和商业战略。
• 将监督学习和无监督学习技术应用于结构化的商业问题。
• 对数据进行预处理和转换以用于建模。
• 使用神经网络进行分类和预测任务。
• 使用统计和基于机器学习的方法进行销售预测。
• 实施聚类和关联规则挖掘，用于客户细分和模式发现。

本课程为讲师指导的培训（线上或线下），面向希望将尖端AI技术应用于半导体设计自动化的高级专业人员，旨在提高芯片设计和验证的效率、准确性和创新性。

在本培训结束时，参与者将能够：

• 应用高级AI技术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。
• 为芯片制造中的复杂设计挑战开发AI驱动解决方案。
• 利用神经网络提高设计自动化的准确性和速度。

本课程为讲师指导的培训，在北京（线上或线下）进行，面向希望了解并应用AI技术来优化半导体制造流程的中级专业人士。

培训结束后，学员将能够：

• 了解AI在芯片制造流程优化中的方法。
• 实施AI模型以提高良率并减少缺陷。
• 分析流程数据以识别关键优化参数。
• 应用机器学习技术来微调半导体制造流程。

本次由讲师指导的培训（线上或线下）面向中级参与者，旨在帮助他们使用Apache Airflow自动化和管理机器学习工作流，包括模型训练、验证和部署。

培训结束后，参与者将能够：

• 设置Apache Airflow以进行机器学习工作流编排。
• 自动化数据预处理、模型训练和验证任务。
• 将Airflow与机器学习框架和工具集成。
• 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。

本次由讲师指导的培训在北京（线上或线下）进行，面向中级数据科学家和开发者，旨在帮助他们在Google Colab环境中高效应用机器学习算法。

培训结束后，参与者将能够：

• 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等库进行数据分析和预测。
• 实现监督学习和无监督学习模型。
• 有效优化和评估机器学习模型。

本课程为讲师指导的线下或线上培训，面向希望使用ML.NET机器学习模型为企业应用自动生成数据分析预测的数据科学家和开发人员。

培训结束后，学员将能够：

• 安装ML.NET并将其集成到应用开发环境中。
• 理解ML.NET工具和算法背后的机器学习原理。
• 构建并训练机器学习模型，智能地使用提供的数据进行预测。
• 使用ML.NET指标评估机器学习模型的性能。
• 基于ML.NET框架优化现有机器学习模型的准确性。
• 将ML.NET的机器学习概念应用于其他数据科学应用。

本课程为讲师主导的北京（线上或线下）培训，面向中级数据专业人士，旨在帮助他们将机器学习技术应用于数据驱动的业务问题，包括销售预测和使用神经网络的预测建模。

培训结束后，学员将能够：

• 理解机器学习的核心概念和类型。
• 应用分类、回归、聚类和关联分析的关键算法。
• 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，包括销售数据的业务预测。
• 使用可视化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

本次由讲师指导的线下或线上培训，面向中级到高级的网络安全专业人士，旨在提升他们在AI驱动的威胁检测和事件响应方面的技能。

培训结束后，参与者将能够：

• 实施高级AI算法，用于实时威胁检测。
• 针对特定网络安全挑战定制AI模型。
• 开发威胁响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。

本课程为讲师主导的培训，在北京（线上或线下）进行，面向希望学习如何利用AI提升威胁检测和响应能力的初级网络安全专业人士。

培训结束后，参与者将能够：

• 了解AI在网络安全中的应用。
• 实施AI算法进行威胁检测。
• 使用AI工具自动化事件响应。
• 将AI集成到现有的网络安全基础设施中。

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。

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。

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。

本次由讲师主导的培训（可在线或线下进行）面向数据科学家、机器学习工程师和计算机视觉研究人员，旨在帮助他们利用Stable Diffusion为各种用例生成高质量图像。

培训结束后，参与者将能够：

• 理解Stable Diffusion的原理及其在图像生成中的应用。
• 构建和训练Stable Diffusion模型，用于图像生成任务。
• 将Stable Diffusion应用于各种图像生成场景，如修复、扩展和图像到图像翻译。
• 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。

本课程为讲师主导的培训，在 北京（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。

这个为期8天的课程，提供了从扎实的Python工程基础到高级AI系统设计的完整学习路径。学员将培养规范的编码实践，掌握统计与深度学习方法，并构建生产级生成式AI和基于agent的系统。课程重点在于可靠性、评估、安全性和实际部署，而不仅仅是实验。

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。

本课程为讲师指导的线下或线上培训，旨在帮助工程师应用特征工程技术，更好地处理数据并获得更优的机器学习模型。

通过本课程，学员将能够：

• 设置最佳开发环境，包括所有所需的Python包。
• 通过分析数据集的特征获取重要洞察。
• 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，为机器学习做准备。

机器学习是人工智能的一个分支，计算机无需明确编程即可学习。

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的方法，如神经网络。

Python是一种高级编程语言，以其清晰的语法和代码可读性著称。

在这次讲师指导的线下培训中，学员将学习如何使用Python为电信行业实现深度学习模型，并逐步创建一个深度学习信用风险模型。

培训结束后，学员将能够：

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

课程形式

• 互动讲座与讨论。
• 大量练习与实践。
• 在实验环境中进行实际操作。

课程定制选项

• 如需为此课程定制培训，请联系我们安排。

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。

本课程适合已有数据科学和统计学背景的学员。课程讲解旨在为熟悉概念的学员提供复习，或为有相关背景的学员提供信息。

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。

本课程为讲师指导的北京线下或线上培训，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。

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。

本培训课程面向希望为其团队应用机器学习的实际应用的人士。培训不会深入技术细节，而是围绕基本概念及其在业务/运营中的应用展开。

目标受众

1. 投资者和AI企业家
2. 公司正在涉足AI领域的管理者和工程师
3. 业务分析师和投资者

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运用基本机器学习技术的人士。

受众

数据科学家和统计学家，他们对机器学习有一定了解，并熟悉R编程。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践方面。目的是为希望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。

使用特定行业的示例，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

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。

本课程由讲师主导，提供北京的线上或线下培训，面向中级商业和技术专业人士，旨在通过实际案例研究和实践工具，应用机器学习技术解决现实商业挑战。

培训结束后，参与者将能够：

• 了解机器学习如何融入现代人工智能系统和商业策略。
• 针对不同的商业问题，识别合适的机器学习方法。
• 为机器学习任务预处理和转换商业数据。
• 应用核心机器学习技术，如分类、回归、聚类和时间序列预测。
• 在商业决策的背景下，解释和评估机器学习模型。
• 通过案例研究获得实践经验，并将所学技术应用于实际场景。

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。

本课程为讲师指导的培训，在北京（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。

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。