Advanced Analytics with RapidMiner Training Cursus

RapidMiner is een open source softwareplatform voor data science voor snelle prototyping en ontwikkeling van applicaties. Het bevat een geïntegreerde omgeving voor gegevensvoorbereiding, machine learning, diep leren, text mining en voorspellende analyse.

In deze door een instructeur geleide live training leren deelnemers hoe ze RapidMiner Studio kunnen gebruiken voor gegevensvoorbereiding, machine learning en voorspellende RapidMiner .

Aan het einde van deze training kunnen deelnemers:

• RapidMiner installeren en configureren
• Gegevens voorbereiden en visualiseren met RapidMiner
• Valideer machine learning-modellen
• Mashup-gegevens en voorspellende modellen maken
• Operationaliseer voorspellende analyses binnen een bedrijfsproces
• Problemen met RapidMiner oplossen en optimaliseren

Publiek

• Data wetenschappers
• ingenieurs
• ontwikkelaars

Indeling van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Notitie

• Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.

Hoe zien steden er in de toekomst uit? Hoe kan Artificial Intelligence (AI) worden gebruikt om stadsplanning te verbeteren? Hoe kan AI worden gebruikt om steden efficiënter, leefbaar, veiliger en milieuvriendelijker te maken?

In deze door een instructeur geleide, live training (ter plaatse of op afstand), onderzoeken we de verschillende technologieën waaruit AI bestaat, evenals de vaardigheden en het mentale kader die nodig zijn om ze te gebruiken voor stadsplanning. We hebben ook betrekking op tools en benaderingen voor het verzamelen en organiseren van relevante gegevens voor gebruik in AI, inclusief datamining.

Publiek

• Stedenbouwkundigen
• architecten
• ontwikkelaars
• Vervoersambtenaren

Indeling van de cursus

• Deelcollege, deelbespreking en een reeks interactieve oefeningen.

Notitie

• Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.

AI is een verzameling technologieën voor het bouwen van intelligente systemen die in staat zijn gegevens te begrijpen en de activiteiten rondom de gegevens om "intelligente beslissingen" te nemen. Voor telecomaanbieders zou het bouwen van applicaties en diensten die gebruik maken van AI de deur kunnen openen voor verbeterde operaties en onderhoud op gebieden zoals onderhoud en netwerkoptimalisatie.

In deze cursus onderzoeken we de verschillende technologieën waaruit AI bestaat en de vaardigheden die nodig zijn om ze te gebruiken. Tijdens de cursus onderzoeken we de specifieke toepassingen van AI binnen de telecomsector.

Publiek

• Netwerk ingenieurs
• Netwerk operaties personeel
• Telecom technische managers

Formaat van de cursus

• Deelcollege, deelbespreking, praktische oefeningen

Deze cursus is gemaakt voor managers, oplossingsarchitecten, innovatiefunctionarissen, CTO's, softwarearchitecten en iedereen die geïnteresseerd is in een overzicht van toegepaste kunstmatige intelligentie en de dichtstbijzijnde voorspelling voor de ontwikkeling ervan.

Lineaire algebra is een tak van de wiskunde die zich bezighoudt met vectoren, matrices en lineaire transformaties. Kennis van lineaire algebra helpt ingenieurs en ontwikkelaars om hun mogelijkheden voor machine learning te verbeteren. Door lineaire algebra-concepten te begrijpen, kunnen ze de principes achter machine learning-technieken beter begrijpen en zo problemen sneller oplossen.

In deze door een instructeur geleide, live training leren deelnemers de basisprincipes van lineaire algebra terwijl ze het probleem van machinaal leren oplossen met behulp van lineaire algebra-methoden.

Aan het einde van deze training kunnen deelnemers:

• Begrijp fundamentele lineaire algebraconcepten
• Leer de lineaire algebra-vaardigheden die nodig zijn voor machine learning
• Gebruik lineaire algebra-structuren en concepten bij het werken met gegevens, afbeeldingen, algoritmen, enz.
• Los een machine learning-probleem op met behulp van lineaire algebra

Publiek

• ontwikkelaars
• ingenieurs

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Notitie

• Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.

Deze instructeur-geleide, live training in België (op locatie of op afstand) is gericht op ingenieurs die het drag-and-drop-platform van Azure ML willen gebruiken om Machine Learning workloads te implementeren zonder dat ze software en hardware hoeven aan te schaffen en zonder zich zorgen te hoeven maken. over onderhoud en implementatie.

Aan het einde van deze training kunnen deelnemers:

• Schrijf zeer nauwkeurige machine learning-modellen met behulp van Python-, R- of zero-code-tools.
• Maak gebruik van de beschikbare datasets en algoritmen van Azure om machine learning- en deep-learning-modellen te trainen en te volgen.
• Gebruik de interactieve werkruimte van Azure om samen ML-modellen te ontwikkelen.
• Kies uit verschillende door Azure ondersteunde ML-frameworks zoals PyTorch, TensorFlow en scikit-learn.

Artificial Neural Network is een computationeel datamodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) -systemen die "intelligente" taken kunnen uitvoeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) -toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.

Dit is een 4-daagse cursus waarin je AI en de toepassing ervan introduceert. Er is een optie om na voltooiing van deze cursus een extra dag te hebben om een AI-project uit te voeren.

Dit is een 4-daagse cursus die AI en de toepassing ervan introduceert met behulp van de Python programmeringstaal. Er is een optie om een extra dag te hebben om een AI-project te ondernemen aan het voltooien van deze cursus. 

Deze training is bedoeld voor mensen die Machine Learning willen toepassen in praktische toepassingen.

Publiek

Deze cursus is bedoeld voor datawetenschappers en statistici die enigszins bekend zijn met statistiek en weten hoe ze R (of Python of een andere gekozen taal) moeten programmeren. De nadruk van deze cursus ligt op de praktische aspecten van data / modelvoorbereiding, uitvoering, post hoc analyse en visualisatie.

Het doel is om praktische toepassingen te geven aan Machine Learning aan deelnemers die geïnteresseerd zijn in het toepassen van de methoden op het werk.

Sectorspecifieke voorbeelden worden gebruikt om de training relevant te maken voor het publiek.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers en ontwikkelaars die machine learning-modellen willen creëren en trainen voor implementatie in productieklare hostingomgevingen.

Aan het einde van deze training kunnen deelnemers:

• Gebruik notebookinstanties om gegevens voor te bereiden en te uploaden voor training.
• Train machine learning-modellen met behulp van trainingsgegevenssets.
• Implementeer getrainde modellen op een eindpunt om voorspellingen te maken.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die Azure Machine Learning willen gebruiken om end-to-end machine learning-modellen te bouwen voor voorspellende analyse.

Aan het einde van deze training kunnen deelnemers:

• Bouw machine learning-modellen zonder programmeerervaring.
• Creëer voorspellende algoritmen met Azure Machine Learning.
• Implementeer productieklare machine learning-algoritmen.

Deze cursus zal een combinatie zijn van theorie en praktisch werk met specifieke voorbeelden die tijdens het evenement worden gebruikt.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op webontwikkelaars die machine learning-modellen willen maken met Core ML voor iOS 11 en macOS High Sierra-ontwikkeling.

Aan het einde van deze training kunnen deelnemers:

• Bouw AI-gestuurde applicaties die gebruik maken van machine learning.
• Implementeer machine learning-modellen die afbeeldingen classificeren.
• Gebruik de Core ML API voor het ondersteunen van aangepaste workflows en geavanceerde gebruiksscenario's
• Analyseer tekst in natuurlijke taal met machine learning-modellen.