成都机器学习培训

这种由讲师指导的 成都 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成都（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。

本课程为讲师指导的培训，在成都（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。

本次由讲师指导的线下或线上培训面向希望深入了解计算机视觉并探索TensorFlow在Google Colab上开发复杂视觉模型能力的高级专业人员。

培训结束后，参与者将能够：

• 使用TensorFlow构建和训练卷积神经网络（CNN）。
• 利用Google Colab进行可扩展且高效的基于云的模型开发。
• 为计算机视觉任务实施图像预处理技术。
• 部署计算机视觉模型以用于实际应用。
• 使用迁移学习提升CNN模型的性能。
• 可视化并解释图像分类模型的结果。

本次由讲师主导的培训在成都（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成都（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成都（线上或线下）培训，旨在帮助中级数据科学家和开发人员理解并应用深度学习技术，使用Google Colab环境。

培训结束后，参与者将能够：

• 设置并导航Google Colab，用于深度学习项目。
• 理解神经网络的基本原理。
• 使用TensorFlow实现深度学习模型。
• 训练和评估深度学习模型。
• 利用TensorFlow的高级功能进行深度学习。

本课程为讲师指导的培训，在成都（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成都（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。

这种由讲师指导的 成都 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。

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成都（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。

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，在成都（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。

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。

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 成都 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。

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。

这是一个为期 4 天的课程，介绍了 AI 及其使用 Python 编程语言的应用程序。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

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

本课程是为经理、解决方案架构师、创新官、首席技术官、软件架构师以及任何对应用人工智能概述及其发展的最新预测感兴趣的人创建的。

本课程为讲师主导的培训，在 成都（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。

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。

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。

这种由 讲师指导的 成都 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。

这门由讲师指导的成都（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 成都 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。

受众

本课程适合对利用现有工具（主要为开源工具）进行计算机图像分析的深度学习研究人员和工程师。

本课程提供实际案例。

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。

本课程为讲师指导的培训，可在成都（线上或线下）进行，旨在帮助数据科学家加速实时机器学习应用并大规模部署。

培训结束后，参与者将能够：

• 安装OpenVINO工具包。
• 使用FPGA加速计算机视觉应用。
• 在FPGA上执行不同的CNN层。
• 在Kubernetes集群中跨多个节点扩展应用。

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 成都 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。

本课程由讲师主导，提供成都（线上或线下）培训，旨在帮助开发者或数据科学家使用Horovod运行分布式深度学习训练，并将其扩展至多个GPU并行运行。

培训结束后，参与者将能够：

• 设置必要的开发环境，开始运行深度学习训练。
• 安装和配置Horovod，使用TensorFlow、Keras、PyTorch和Apache MXNet训练模型。
• 使用Horovod扩展深度学习训练，使其在多个GPU上运行。

本次实践性、讲师主导的培训课程是Python数据分析课程的自然延续。

它向参与者介绍机器学习的核心概念，并展示如何将这些概念直接应用于预测、分类和分割等数据分析任务。

重点在于理解机器学习在实践中的工作原理，使用Python、Pandas和Jupyter Notebook等熟悉的工具，无需高级数学背景。

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成都现场培训（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。

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。

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。

这项由讲师指导的成都（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。

本课程为讲师指导的培训，在成都（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。

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