Online of ter plaatse, door instructeurs geleide live Machine Learning (ML) trainingen demonstreren via praktijkgerichte oefeningen hoe u machine learning-technieken en -tools kunt toepassen om real-world problemen in verschillende sectoren op te lossen. De ML-cursussen van NobleProg behandelen diverse programmeertalen en frameworks, waaronder Python, R en Matlab. Machine Learning-cursussen zijn beschikbaar voor tal van industrietoepassingen, zoals financiën, bankieren en verzekeringen, en omvatten zowel de basisprincipes van Machine Learning als geavanceerde methoden zoals Deep Learning.
Machine Learning-training is beschikbaar als "online live training" of "live training ter plaatse". Online live training (ook wel "remote live training" genoemd) wordt uitgevoerd via een interactieve remote desktop. Live training ter plaatse kan lokaal bij de klant worden gegeven op locatie in Brugge of in de corporate trainingcentra van NobleProg in Brugge.
NobleProg -- Uw lokale trainingsprovider
Brugge
NH Hotel Brugge, Boeveriestraat 2, Brugge, Belgie, 8000
Bruges
Brugge werd een centrale haven, een commercieel en financieel centrum in middeleeuws Europa, dat de landen van de Noordzee en de Oostzee met de Middellandse Zee verbond. Rijke kooplieden uit Brugge dreven handel met die uit heel Europa. De eerste beurs in de geschiedenis ontstond in Brugge in de 13e eeuw. In de 15e eeuw was het het belangrijkste financiële centrum van Europa. Deze economische bloei leidt ook tot een culturele en artistieke bloei die een rijk erfgoed heeft nagelaten. Het was het belangrijkste centrum voor de Vlaamse primitieve schilders, die een revolutie teweegbrachten in de westerse schilderkunst. Het is sinds het jaar 2000 lid van de Organisatie van Werelderfgoedsteden. De stad heeft zelfs de eer om drie keer op de Werelderfgoedlijst van UNESCO te staan. Om zijn historische centrum, om zijn begijnhof dat deel uitmaakt van de Vlaamse Begijnhoven en om zijn belfort dat behoort tot de Belforten van België en Frankrijk. Daarnaast staat het ook op de lijst van immaterieel cultureel erfgoed van de mensheid door UNESCO vanwege de processie van het Heilig Bloed.
De dichtstbijzijnde luchthaven bij het trainingscentrum
INTERNATIONALE LUCHTHAVEN OOSTENDE-BRUGE
Dichtstbijzijnde treinstation naar het trainingscentrum
Station Brugge
De dichtstbijzijnde parkeerplaats bij het trainingscentrum
Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor professionals op beginnersniveau die het concept van vooraf getrainde modellen willen begrijpen en willen leren hoe ze deze kunnen toepassen om echte problemen op te lossen zonder modellen helemaal opnieuw te bouwen.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp het concept en de voordelen van vooraf getrainde modellen.
Verken verschillende vooraf getrainde modelarchitecturen en hun gebruiksscenario's.
Verfijn een vooraf getraind model voor specifieke taken.
Implementeer vooraf getrainde modellen in eenvoudige machine learning-projecten.
Deze door een instructeur geleide, live training in Brugge (online of op locatie) is bedoeld voor deelnemers met verschillende expertiseniveaus die gebruik willen maken van het AutoML-platform van Google om op maat gemaakte chatbots te bouwen voor verschillende toepassingen.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp de basisprincipes van de ontwikkeling van chatbots.
Navigeer door het Google Cloud Platform en ga naar AutoML.
Bereid gegevens voor op het trainen van chatbotmodellen.
Train en evalueer aangepaste chatbotmodellen met behulp van AutoML.
Implementeer en integreer chatbots in verschillende platforms en kanalen.
Bewaak en optimaliseer de prestaties van chatbots in de loop van de tijd.
Deze door een instructeur geleide, live training (online of op locatie) is bedoeld voor AI-ontwikkelaars, machine learning engineers en systeemarchitecten op tussenniveau die AI-modellen willen optimaliseren voor edge-deployments.
Aan het einde van deze training zullen de deelnemers in staat zijn om:
De uitdagingen en vereisten van het implementeren van AI-modellen op edge-apparaten te begrijpen.
Modelcompressietechnieken toe te passen om de grootte en complexiteit van AI-modellen te verlagen.
Kwantisatiemethoden te gebruiken om de efficiëntie van modellen op edge-hardware te verbeteren.
Snoeien en andere optimalisatietechnieken te implementeren om de modelprestaties te verbeteren.
Geoptimaliseerde AI-modellen te implementeren op verschillende edge-apparaten.
Deze door een instructeur geleide, live-training (online of op locatie) is gericht op ontwikkelaars, datawetenschappers en technologieliefhebbers op intermediair niveau die praktische vaardigheden willen verwerven in het implementeren van AI-modellen op edge-apparaten voor verschillende toepassingen.
Na afloop van deze training kunnen de deelnemers:
De principes van Edge AI en de voordelen ervan begrijpen.
De edge-computingomgeving installeren en configureren.
AI-modellen ontwikkelen, trainen en optimaliseren voor edge-implementatie.
Praktische AI-oplossingen implementeren op edge-apparaten.
De prestaties van edge-implementatie van modellen evalueren en verbeteren.
Ethische en veiligheidsaspecten in Edge AI-toepassingen behandelen.
Kubeflow is een open-source platform dat ontworpen is om het bouwen, trainen en implementeren van machine learning workloads op Kubernetes te vergemakkelijken.
Deze instructeurgeleide live training (online of ter plaatse) is gericht op professionals met een beginnend tot gemiddeld niveau die betrouwbare ML-werkstroom willen bouwen met Kubeflow.
Na het volgen van deze training zullen de deelnemers de vaardigheden verwerven om:
De Kubeflow-ecosysteem en kerncomponenten te navigeren.
Reproduceerbare werkstroom te bouwen met Kubeflow Pipelines.
Schaalbare trainingstaak uit te voeren op Kubernetes.
Machine learning modellen efficiënt te serveren met Kubeflow Serving.
Format van de cursus
Geleide presentaties en collaboratieve discussies.
Hands-on labs met echte Kubeflow-componenten.
Praktische oefeningen om eind-aan-eind ML-werkstroom te bouwen.
Aanpassingsmogelijkheden voor de cursus
Aangepaste versies van deze training kunnen worden geregeld om in te lijnen met het technologiestap en projectvereisten van uw team.
Deze door een instructeur geleide, live-training (online of ter plekke) is gericht op ontwikkelaars, datawetenschappers en AI-practitioners op intermediair niveau die TensorFlow Lite willen inzetten voor Edge AI-toepassingen.
Aan het einde van deze training zullen de deelnemers in staat zijn om:
De basisprincipes van TensorFlow Lite en zijn rol in Edge AI te begrijpen.
AI-modellen te ontwikkelen en te optimaliseren met behulp van TensorFlow Lite.
TensorFlow Lite-modellen te implementeren op verschillende randapparaten.
Gebruik te maken van gereedschappen en technieken voor modelconversie en optimalisatie.
Praktische Edge AI-toepassingen te implementeren met behulp van TensorFlow Lite.
Deze door instructeurs geleide, live training in Brugge (online of ter plaatse) is bedoeld voor geavanceerde professionals die de technologieën achter autonome systemen willen meesteren.
Aan het einde van deze training kunnen de deelnemers:
AI-modellen ontwerpen en implementeren voor autonomes beslissingsnemen.
Besturingsalgorithmen ontwikkelen voor autonomie navigeren en obstakelvermijden.
Veiligheid en betrouwbaarheid waarborgen in AI-gevoede autonome systemen.
Autonome systemen integreren met bestaande robotica- en AI-kaders.
Deze instructeurgeleide live training in Brugge (online of on-site) is gericht op geavanceerde professionals die hun begrip van computer vision willen verdiepen en de mogelijkheden van TensorFlow voor het ontwikkelen van soepelijke visiemodellen met Google Colab willen verkennen.
Na afloop van deze training zullen deelnemers in staat zijn:
Convolutieve neurale netwerken (CNNs) te bouwen en trainen met TensorFlow.
Google Colab te gebruiken voor schaalbare en efficiënte cloudgebaseerde modelontwikkeling.
Afbeeldingspreprocessing technieken toe te passen voor computer vision taken.
Computer vision modellen in de praktijk te implementeren.
Transfer learning te gebruiken om de prestaties van CNN-modellen te verbeteren.
De resultaten van afbeeldingsclassificatiemodellen te visualiseren en interpreteren.
Deze instructeurgeleide, live training in Brugge (online of ter plaatse) is gericht op geavanceerde professionals die hun kennis van machine learning modellen willen vergroten, hun vaardigheden in hyperparameter tuning willen verbeteren en leren hoe ze modellen effectief kunnen implementeren met Google Colab.
Na afloop van deze training zullen deelnemers in staat zijn om:
Geavanceerde machine learning modellen te implementeren met populaire frameworks zoals Scikit-learn en TensorFlow.
De prestaties van modellen te optimaliseren door hyperparameter tuning.
Machine learning modellen in praktijktoepassingen te implementeren met Google Colab.
Samen te werken en grote machine learning projecten in Google Colab te beheren.
Deze door een instructeur geleide, live training in Brugge (online of ter plekke) is bedoeld voor professionals op middenniveau die AI-technieken willen toepassen om de rendementsbeheer in de halvegeleiderproductie te optimaliseren.
Aan het einde van deze training zullen de deelnemers in staat zijn om:
Productiedata analyseren om factoren te identificeren die de rendementspercentages beïnvloeden.
AI-algoritmen implementeren om de rendementsbeheerprocessen te verbeteren.
Productieparameters optimaliseren om defecten te verminderen en de rendementen te verbeteren.
AI-gestuurde rendementsbeheer integreren in bestaande productiewerkstromen.
Deze door een instructeur geleide live training in Brugge (online of ter plaatse) is gericht op middelgevorderde bedrijfs- en AI-professionals die machine learning willen toepassen in het bedrijfsleven, voorspellingen en AI-gedreven systemen met behulp van echte casestudies en Python-gebaseerde tools.
Aan het einde van deze training zullen de deelnemers in staat zijn:
Inzicht hebben in hoe machine learning past binnen AI en bedrijfsstrategie.
Supervised en unsupervised learning technieken toepassen op gestructureerde bedrijfsproblemen.
Data voorbereiden en transformeren voor modellering.
Neuraal netwerken gebruiken voor classificatie- en voorspellingsopdrachten.
Verkoopvoorspelling uitvoeren met statistische en ML-gestuurde methoden.
Clustering en associatie Regel Mining implementeren voor klantsegmentatie en patroondetectie.
Deze door instructeurs geleide, live training in Brugge (online of ter plaatse) is gericht op professionals op gevorderd niveau die de nieuwste AI-technieken willen toepassen op de automatisering van halfgeleiderontwerp, waardoor de efficiëntie, nauwkeurigheid en innovatie in chipontwerp en verificatie worden verbeterd.
Aan het einde van deze training kunnen de deelnemers:
Geavanceerde AI-technieken toepassen om de halfgeleiderontwerpprocessen te optimaliseren.
Machine learning-modellen integreren in EDA-tools voor verbeterde ontwerpverificatie.
AI-gestuurde oplossingen ontwikkelen voor complexe ontwerpuitdagingen in chipfabricage.
Neurale netwerken inzetten voor het verbeteren van de nauwkeurigheid en snelheid van ontwerpautomatisering.
Deze door een instructeur geleide, live training (online of op locatie) is gericht op geavanceerde datawetenschappers en ontwikkelaars die deep learning technieken met behulp van de Google Colab omgeving willen begrijpen en toepassen.
Aan het einde van deze training kunnen de deelnemers:
Google Colab instellen en navigeren voor deep learning projecten.
De basisprincipes van neurale netwerken begrijpen.
Deep learning modellen implementeren met behulp van TensorFlow.
Deep learning modellen trainen en evalueren.
Geavanceerde functies van TensorFlow voor deep learning gebruiken.
Deze door een instructeur geleide live training (online of op locatie) is gericht op professionals op tussenniveau die AI-technieken willen begrijpen en toepassen om halfgeleiderfabricageprocessen te optimaliseren.
Aan het einde van deze training zullen de deelnemers in staat zijn om:
AI-methodologieën voor procesoptimalisatie in chipfabricage te begrijpen.
AI-modellen te implementeren om de opbrengst te verhogen en defecten te verminderen.
Procesgegevens te analyseren om belangrijke parameters voor optimalisatie te identificeren.
Machine learning technieken toe te passen om halfgeleiderfabricageprocessen te verfijnen.
Deze door een instructeur gegeven, live training (online of op locatie) is gericht op deelnemers op intermediair niveau die machine learning workflows willen automatiseren en beheren, inclusief model training, validatie en implementatie met behulp van Apache Airflow.
Na afloop van deze training zullen de deelnemers in staat zijn om:
Apache Airflow in te stellen voor het orchestreren van machine learning workflows.
Data preprocessing, model training en validatietaken te automatiseren.
Airflow te integreren met machine learning frameworks en tools.
Machine learning modellen te implementeren met behulp van geautomatiseerde pipelines.
Machine learning workflows in productie te monitoren en te optimaliseren.
Deze door een instructeur geleide, live training in Brugge (online of on-site) is gericht op datawetenschappers en ontwikkelaars met een tussenliggend niveau die willen leren hoe ze machine learning-algoritmen efficiënt kunnen toepassen in de Google Colab-omgeving.
Aan het einde van deze training zullen de deelnemers in staat zijn:
Google Colab op te zetten en te navigeren voor machine learning-projecten.
Verschillende machine learning-algoritmen te begrijpen en toe te passen.
Bibliotheken zoals Scikit-learn te gebruiken om gegevens te analyseren en te voorspellen.
Toezichtgeleide en niet-toezichtgeleide leermodellen te implementeren.
Machine learning-modellen efficiënt te optimaliseren en te evalueren.
Deze door een instructeur geleide, live training in Brugge (online of ter plaatse) is gericht op professionals op gevorderd niveau die state-of-the-art XAI-technieken voor deep learning-modellen willen verkennen, met een focus op het bouwen van interpreteerbare AI-systemen.
Aan het einde van deze training zijn de deelnemers in staat om:
Begrijp de uitdagingen van uitlegbaarheid in deep learning.
Implementeer geavanceerde XAI-technieken voor neurale netwerken.
Interpreteer beslissingen die zijn genomen door deep learning-modellen.
Evalueer de afwegingen tussen prestaties en transparantie.
Deze door een instructeur geleide, live training (online of op locatie) is gericht op datawetenschappers en ontwikkelaars die ML.NET machine learning modellen willen gebruiken om automatisch voorspellingen af te leiden uit uitgevoerde data-analyse voor ondernemingsapplicaties.
Aan het einde van deze training kunnen de deelnemers:
ML.NET installeren en integreren in de applicatieontwikkelingsomgeving.
De machine learning principes achter de ML.NET hulpmiddelen en algoritmen begrijpen.
Machine learning modellen bouwen en trainen om voorspellingen te doen met de verstrekte data.
De prestaties van een machine learning model evalueren met behulp van de ML.NET metriek.
De nauwkeurigheid van bestaande machine learning modellen optimaliseren op basis van het ML.NET framework.
De machine learning concepten van ML.NET toepassen op andere datawetenschapstoepassingen.
Deze instructeurgeleide, live training (online of op locatie) is gericht op data professionals op tussenniveau die machine learning technieken willen toepassen op data-gedreven zakelijke problemen, inclusief verkoopvoorspellingen en voorspellend modellering met behulp van neurale netwerken.
Aan het einde van deze training kunnen de deelnemers:
De kernbegrippen en typen van machine learning begrijpen.
Sleutelalgorithmen toepassen voor classificatie, regressie, clustering en associatie-analyse.
Exploratory data analysis en data voorbereiding uitvoeren met Python.
Neurale netwerken gebruiken voor niet-lineaire modelleringstaken.
Voorspellende analyse implementeren voor zakelijke voorspellingen, inclusief verkoopgegevens.
Modelprestaties evalueren en optimaliseren met behulp van visuele en statistische technieken.
Deze door instructeurs geleide live training in Brugge (online of op locatie) richt zich op cyberbeveiligingsprofessionals op middel tot gevorderd niveau die hun vaardigheden op het gebied van AI-gedreven bedreigingsdetectie en incidentrespons willen verbeteren.
Aan het einde van deze training zullen de deelnemers in staat zijn om:
Geavanceerde AI-algoritmen implementeren voor real-time bedreigingsdetectie.
AI-modellen aanpassen voor specifieke cyberbeveiligingsuitdagingen.
Automatisatieworkflows ontwikkelen voor bedreigingsrespons.
AI-gedreven beveiligingsinstrumenten beschermen tegen adversarische aanvallen.
Deze door een instructeur geleide, live training in Brugge (online of op locatie) is gericht op cybersecurity-professionals op beginniveau die willen leren hoe ze AI kunnen inzetten voor verbeterde mogelijkheden voor detectie en respons op bedreigingen.
Aan het einde van deze training kunnen de deelnemers:
AI-toepassingen in cybersecurity begrijpen.
AI-algoritmes implementeren voor bedreigingsdetectie.
Incidentrespons automatiseren met AI-tools.
AI integreren in bestaande cybersecurity-infrastructuur.
Deze door instructeurs geleide, live training in Brugge (online of op locatie) is gericht op biologen die wensen te begrijpen hoe AlphaFold werkt en AlphaFold-modellen als leidraad willen gebruiken in hun experimentele studies.
Aan het einde van deze training zijn de deelnemers in staat om:
De basisprincipes van AlphaFold te begrijpen.
Te leren hoe AlphaFold werkt.
Te leren hoe AlphaFold-voorspellingen en -resultaten te interpreteren.
Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor data-analisten op gemiddeld niveau die willen leren hoe ze RapidMiner kunnen gebruiken om waarden te schatten en te projecteren en analytische tools willen gebruiken voor het voorspellen van tijdreeksen.
Aan het einde van deze training zijn de deelnemers in staat om:
Leer de CRISP-DM-methodologie toe te passen, selecteer de juiste machine learning-algoritmen en verbeter de modelconstructie en -prestaties.
Gebruik RapidMiner om waarden te schatten en te projecteren, en gebruik analytische hulpmiddelen voor het voorspellen van tijdreeksen.
Het doel van deze cursus is om een basiskennis te bieden in het toepassen van Machine Learning methoden in de praktijk. Door het gebruik van de Python programmeringstaal en de verschillende bibliotheken, en gebaseerd op een groot aantal praktische voorbeelden, leert deze cursus hoe de belangrijkste bouwblokken van Machine Learning te gebruiken, hoe data-modelingbeslissingen te nemen, de uitkomsten van de algoritmen te interpreteren en de resultaten te valideren.
Ons doel is om u de vaardigheden te geven om de meest fundamentele hulpmiddelen van de Machine Learning toolbox vertrouwelijk te begrijpen en te gebruiken en de gemeenschappelijke pitfalls van de Data Science-toepassingen te voorkomen.
het doel van deze cursus is het verstrekken van algemene bekwaamheid in de toepassing van machine leermethoden in de praktijk. Door het gebruik van de python programmeertaal en de verschillende bibliotheken, en gebaseerd op een veelheid van praktische voorbeelden van deze cursus leert hoe de belangrijkste bouwstenen van de machine leren gebruiken, hoe je data modellering beslissingen te maken, interpreteren van de uitgangen van de algoritmen en valideren van de resultaten.
ons doel is om u de vaardigheden om te begrijpen en gebruik maken van de meest fundamentele instrumenten van de machine leren Toolbox vol vertrouwen en Vermijd de gemeenschappelijke valkuilen van data Sciences toepassingen.
Toegepaste AI vanuit het nul in Python voorziet programmeurs en data-analisten van basisvaardigheden voor het bouwen van machine learning-oplossingen vanaf de grond met behulp van Python. Beslaat kernprincipes van supervised learning (classificatie en regressie), unsupervised learning (clustering en anomaliedetectie), en geavanceerde neurale netwerkarchitecturen. Onderzoekt bewezen methoden voor het werken met scikit-learn, Apache Spark MLlib en Jupyter notebooks voor praktische AI-ontwikkeling. Helpt professionals bij het implementeren van praktische ML-modellen, het evalueren van algoritmebeperkingen en het afronden van toegepaste projecten voor probleemoplossing in de echte wereld.
Deep Reinforcement Learning (DRL) combineert de principes van reinforcement learning met diep leergeving architecturen, zodat agenten beslissingen kunnen nemen door interactie met hun omgevingen. Het vormt de basis voor veel moderne AI-vooruitgang zoals zelfrijdende voertuigen, robotbesturing, algoritmische handel en adaptieve aanbevelingssystemen. DRL stelt een kunstmatige agent in staat strategieën te leren, beleid te optimaliseren en autonome beslissingen te nemen op basis van proef-en-error met behulp van beloninggebaseerd leren.
Deze door een docent geleide, live training (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers op intermediair niveau die Deep Reinforcement Learning technieken willen leren en toepassen om intelligente agenten te bouwen die in staat zijn tot autonome besluitvorming in complexe omgevingen.
Na voltooiing van deze training kunnen de deelnemers:
De theoretische grondslagen en wiskundige principes van Reinforcement Learning begrijpen.
Sleutel RL-algoritmen implementeren, waaronder Q-Learning, Policy Gradients en Actor-Critic methoden.
Deep Reinforcement Learning agenten bouwen en trainen met TensorFlow of PyTorch.
DRL toepassen op praktische toepassingen zoals games, robotica en besluitoptimalisatie.
Trainingprestaties oplossen, visualiseren en optimaliseren met behulp van moderne hulpmiddelen.
Opzet van de cursus
Interactieve college en begeleide discussie.
Handson-oefeningen en praktische implementaties.
Live codemonstraties en projectgebaseerde toepassingen.
Opties voor cursusaanpassing
Om een aangepaste versie van deze cursus aan te vragen (bijvoorbeeld het gebruik van PyTorch in plaats van TensorFlow), neem contact met ons op om dit te regelen.
Door de basisprincipes van kunstmatige intelligentie te onderzoeken, wordt duidelijk hoe intelligente technologie de digitale strategie, automatisering en besluitvorming in bedrijfsprocessen transformeert. Het belicht kernconcepten die reiken van de geschiedenis van AI, probleemoplossingskaders en kennisrepresentatie tot onzeker redeneren en machine learning-paradigma's, evenals communicatie, perceptie en autonoom handelen. Het stelt directeuren en architecten in staat om kansen voor AI-gedreven transformatie te evalueren, trends in opkomende technologieën te beoordelen en praktische intelligente oplossingen te integreren om de bedrijfsagiliteit te versnellen.
Deze door een instructeur geleide, live training in Brugge (online of ter plaatse) is gericht op datawetenschappers en software-ontwikkelaars die AdaBoost willen gebruiken om boosting-algoritmen te bouwen voor machine learning met Python.
Aan het einde van deze training kunnen deelnemers:
De noodzakelijke ontwikkelomgeving instellen om te beginnen met het bouwen van machine learning modellen met AdaBoost.
Het ensemble learning benadering begrijpen en het implementeren van adaptieve boosting.
Leren hoe AdaBoost modellen te bouwen om machine learning algoritmen in Python te verbeteren.
Hyperparameter tuning gebruiken om de nauwkeurigheid en prestaties van AdaBoost modellen te verhogen.
Deze cursus omvat AI (emphasizing Machine Learning en Deep Learning) in Automotive Industrie. Het helpt om te bepalen welke technologie (potentieel) kan worden gebruikt in meerdere situaties in een auto: van eenvoudige automatisering, beeldrecognitie tot autonome besluitvorming.
Dit 8-daagse programma biedt een complete reis van sterke Python-engineeringsgrondslagen naar geavanceerde AI-systeemontwerp. De deelnemers ontwikkelen gedisciplineerde coderingspraktijken, beheersen statistische en diepleermethoden en bouwen production-ready generatieve AI en agentengebaseerde systemen. De focus ligt op betrouwbaarheid, evaluatie, veiligheid en implementatie in de praktijk, in plaats van alleen experimentatie.
Kunstmatig neuraal netwerk is een computationeel gegevensmodel dat wordt gebruikt bij de ontwikkeling van Artificial Intelligence (AI) systemen die in staat zijn om "intelligente" taken uit te voeren. Neural Networks worden vaak gebruikt in Machine Learning (ML) toepassingen, die zelf een implementatie van AI zijn. Deep Learning is een subset van ML.
Verhoog uw expertise op het gebied van data science met deze uitgebreide trainingscursus Machine Learning, die de kernalgoritmen behandelt, waaronder Naive Bayes, Beslissingsbomen, Neuraal Netwerken, Support Vector Machines en Clustering-technieken. Verkrijg praktische ervaring met theoretische fundamenten en praktische toepassingen aan de hand van voorbeelden uit de praktijk. Ideaal voor data-analisten, software-ingenieurs, AI-liefhebbers en zakelijke professionals die machine learning-oplossingen willen toepassen. Meester classificatie-prestatie-indicatoren, cross-validatie, de bias-variance trade-off en de fundamenten van deep learning om robuuste voorspellende modellen te bouwen.
Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor onderzoekers en ontwikkelaars die Chainer willen gebruiken om neurale netwerken te bouwen en te trainen in Python en tegelijkertijd de code gemakkelijk te debuggen te maken.
Aan het einde van deze training zijn de deelnemers in staat om:
Zet de benodigde ontwikkelomgeving op om te beginnen met het ontwikkelen van neurale netwerkmodellen.
Definieer en implementeer neurale netwerkmodellen met behulp van een begrijpelijke broncode.
Voer voorbeelden uit en wijzig bestaande algoritmen om deep learning-trainingsmodellen te optimaliseren en tegelijkertijd gebruik te maken van GPUs voor hoge prestaties.
Deze door een instructeur geleide live training op Brugge (online of op locatie) biedt een introductie in het gebied van patroonherkenning en machine learning. Het raakt aan praktische toepassingen in statistiek, informatica, signaalverwerking, computervisie, datamining en bio-informatiek.
Na afloop van deze training kunnen de deelnemers:
Kernstatistische methoden toepassen op patroonherkenning.
Sleutelmodellen zoals neurale netwerken en kernelmethoden gebruiken voor gegevensanalyse.
Geavanceerde technieken implementeren voor complex probleemoplossen.
Voorspellingsnauwkeurigheid verbeteren door verschillende modellen te combineren.
Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor datawetenschappers en data-analisten die voorspellende modellen willen automatiseren, evalueren en beheren met behulp van de machine learning-mogelijkheden van DataRobot.
Aan het einde van deze training zijn de deelnemers in staat om:
Laad datasets in DataRobot om gegevens te analyseren, te beoordelen en de kwaliteit te controleren.
Bouw en train modellen om belangrijke variabelen te identificeren en voorspellingsdoelen te halen.
Interpreteer modellen om waardevolle inzichten te creëren die nuttig zijn bij het nemen van zakelijke beslissingen.
Bewaak en beheer modellen om geoptimaliseerde voorspellingsprestaties te behouden.
Dit cursus is geschikt voor Deep Learning onderzoekers en ingenieurs die geïnteresseerd zijn in het gebruik van beschikbare tools (voornamelijk opensource) voor het analyseren van computers afbeeldingen.
Deze door een instructeur geleide live training in Brugge (online of op locatie) is gericht op data scientists die real-time machine learning-toepassingen willen versnellen en op schaal willen implementeren.
Op het einde van deze training zullen deelnemers in staat zijn om:
De OpenVINO-toolkit te installeren.
Een computer vision-toepassing te versnellen met behulp van een FPGA.
Verschillende CNN-lagen op de FPGA uit te voeren.
De toepassing te schalen over meerdere knooppunten in een Kubernetes-cluster.
Dit instructeur-led, live training in Brugge (online of on-site) is gericht op data scientists die willen leren hoe ze TensorFlow kunnen gebruiken om potentiële fraudedata te analyseren.
Na afloop van deze training zullen de deelnemers in staat zijn:
Een fraude-detectie model te creëren met Python en TensorFlow.
Lineaire regressies en lineaire regressiemodellen op te bouwen om fraude te voorspellen.
Een end-to-end AI-toepassing voor het analyseren van fraudedata te ontwikkelen.
Machine learning is een tak van kunstmatige intelligentie waarbij computers in staat zijn te leren zonder expliciet geprogrammeerd te worden.
Deep learning is een subveld van machine learning dat methoden gebruikt die gebaseerd zijn op het leren van data-representaties en structuren zoals neurale netwerken.
Python is een hoog-niveau programmeertaal bekend om zijn duidelijke syntaxis en code-lesbaarheid.
In deze instructeurgeleide, live-training leren de deelnemers hoe ze deep learning-modellen voor telecom kunnen implementeren met behulp van Python, terwijl ze door het creëren van een diep leerend kredietrisicemodel gaan.
Aan het einde van deze training zullen de deelnemers in staat zijn:
De fundamentele concepten van deep learning te begrijpen.
De toepassingen en gebruiksgebieden van deep learning in telecom te leren kennen.
Python, Keras en TensorFlow te gebruiken om deep learning-modellen voor telecom te creëren.
Hun eigen diep leerend klantverliesvoorspellingsmodel te bouwen met behulp van Python.
Cursusopzet
Interactieve les en discussie.
Veel oefeningen en praktijk.
Handson implementatie in een live-labomgeving.
Cursusaanpassingsmogelijkheden
Voor een aangepaste training voor deze cursus, neemt u contact met ons op om een afspraak te maken.
Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor datawetenschappers, data-analisten en ontwikkelaars die AutoML producten en functies willen verkennen om met minimale inspanning aangepaste ML-trainingsmodellen te maken en te implementeren.
Aan het einde van deze training zijn de deelnemers in staat om:
Verken de productlijn AutoML om verschillende services voor verschillende gegevenstypen te implementeren.
Bereid gegevenssets voor en label ze om aangepaste ML-modellen te maken.
Train en beheer modellen om nauwkeurige en eerlijke machine learning-modellen te produceren.
Maak voorspellingen met behulp van getrainde modellen om te voldoen aan bedrijfsdoelstellingen en -behoeften.
Deze instructorgeleide live training in Brugge (online of op locatie) is gericht op ontwikkelaars of data scientists die Horovod willen gebruiken voor gedistribueerde deep learning-trainingen en deze willen schalen om parallel over meerdere GPUs te draaien.
Na afloop van deze training zijn de deelnemers in staat om:
De benodigde ontwikkelomgeving op te zetten om deep learning-trainingen te starten.
Horovod te installeren en configureren voor het trainen van modellen met TensorFlow, Keras, PyTorch en Apache MXNet.
Deep learning-training met Horovod te schalen om op meerdere GPUs te draaien.
Deze praktische, door een instructeur begeleidde training is ontworpen als een natuurlijke vervolgopleiding op de cursus Python voor Data-analyse.
Deelnemers worden kennigemaakt met de kernconcepten van Machine Learning en leren hoe deze direct toegepast kunnen worden op taken binnen data-analyse, zoals voorspelling, classificatie en segmentatie.
De focus ligt op het begrijpen van hoe Machine Learning in de praktijk werkt, met gebruikmaking van bekende tools zoals Python, Pandas en Jupyter Notebook, zonder dat een uitgebreide wiskundige achtergrond vereist is.
Deze cursus is bedoeld voor mensen die al een achtergrond hebben in data science en statistiek. De uitleg is ontworpen om als herinnering te dienen voor hen die al vertrouwd zijn met de concepten, of om informatie te geven aan personen met een geschikte achtergrond.
Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers die machine learning-workflows willen bouwen, implementeren en beheren op Kubernetes.
Aan het einde van deze training zijn de deelnemers in staat om:
Installeer en configureer Kubeflow op locatie en in de cloud.
Bouw, implementeer en beheer ML-workflows op basis van Docker containers en Kubernetes.
Voer volledige machine learning-pijplijnen uit op verschillende architecturen en cloudomgevingen.
Kubeflow gebruiken om Jupyter-notebooks te maken en te beheren.
Bouw ML-training, hyperparameterafstemming en het serveren van workloads op meerdere platforms.
Dit opleidingstraject is bedoeld voor mensen die basis Machine Learning-technieken willen toepassen in praktische toepassingen.
Publiek
Datawetenschappers en statistici die een bepaalde bekendheid hebben met machine learning en weten hoe ze R moeten programmeren. De nadruk van dit opleidingscursus ligt op de praktische aspecten van data/modelvoorbereiding, uitvoering, post hoc-analyse en visualisatie. Het doel is om deelnemers een praktische inleiding tot machine learning te geven die geïnteresseerd zijn in het toepassen van de methoden op hun werk.
Sector-specifieke voorbeelden worden gebruikt om de training relevant te maken voor het publiek.
Deze door een instructeur geleide live-training (online of ter plekke) is gericht op ontwikkelaars die Google’s ML Kit willen gebruiken om machine learning-modellen te bouwen die zijn geoptimaliseerd voor verwerking op mobiele apparaten.
Aan het einde van deze training kunnen de deelnemers:
De noodzakelijke ontwikkelomgeving instellen om met het ontwikkelen van machine learning-functies voor mobiele apps te beginnen.
Nieuwe machine learning-technologieën integreren in Android- en iOS-apps met behulp van de ML Kit APIs.
Bestaande apps verbeteren en optimaliseren met behulp van de ML Kit SDK voor op-apparaatverwerking en implementatie.
Deze cursus introduceert machine learning-methoden in robotica-toepassingen.
Het is een brede overzicht van bestaande methoden, motivaties en hoofdideeën in de context van patroonherkenning.
Na een korte theoretische achtergrond zullen de deelnemers eenvoudige oefeningen uitvoeren met behulp van open source (meestal R) of andere populaire software.
Deze door een instructeur geleide live training in Brugge (online of ter plaatse) is gericht op geavanceerde data-analyse, ontwikkelaars of toekomstige datawetenschappers die machine learning-technieken willen toepassen in Python om inzichten te verkrijgen, voorspellingen te doen en gegevensgestuurde beslissingen te automatiseren.
Na voltooiing van deze cursus zullen de deelnemers in staat zijn om:
De belangrijkste machine learning-paradigma's te begrijpen en te onderscheiden.
Gegevensvoorbewerkingstechnieken en modelbeoordelingsmetrieken te verkennen.
Machine learning-algoritmen toe te passen op echte problemen met gegevens.
Python bibliotheken en Jupyter-notebooks te gebruiken voor praktische ontwikkeling.
Modellen te bouwen voor voorspelling, classificatie, aanbeveling en clustering.
Deze door een instructeur geleide, live training (online of op locatie) is bedoeld voor datawetenschappers en softwareontwikkelaars die Random Forest willen gebruiken om machine learning-algoritmen te bouwen voor grote datasets.
Aan het einde van deze training zullen de deelnemers in staat zijn om:
De noodzakelijke ontwikkelomgeving in te stellen om te beginnen met het bouwen van machine learning-modellen met Random Forest.
De voordelen van Random Forest te begrijpen en te leren hoe je het kunt implementeren om classificatie- en regressieproblemen op te lossen.
Te leren hoe je grote datasets kunt beheren en de verschillende beslissingsbomen in Random Forest kunt interpreteren.
De prestaties van machine learning-modellen te evalueren en te optimaliseren door hyperparameters af te stellen.
Dit cursus begint met conceptuele kennis over neurale netwerken en machine learning-algoritmen in het algemeen, diep leren (algoritmen en toepassingen).
Deel-1 (40%) van deze training richt zich voornamelijk op de grondbeginselen, maar helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.
Deel-2 (20%) introduceert Theano - een Python-bibliotheek die het schrijven van deep learning-modellen eenvoudig maakt.
Deel-3 (40%) van de training is uitgebreid gebaseerd op TensorFlow - API van Google's open source softwarebibliotheek voor Deep Learning. De voorbeelden en handsonpracticum worden allemaal in TensorFlow gemaakt.
Doelgroep
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten
Na het afwerken van deze cursus kunnen de cursisten:
een goede kennis hebben van diepe neurale netwerken (DNN), CNN en RNN
de structuur en implementatiemechanismen van TensorFlow begrijpen
in staat zijn om installatietaken, productieomgeving, architectuurtaken en configuratie uit te voeren
de kwaliteit van code kunnen beoordelen, debuggen en monitoren
geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging kunnen uitvoeren
Lees meer...
Laatst bijgewerkt:
Getuigenissen (7)
Duidelijkheid en tempo van de uitleg
Federica Galeazzi - Aethra Telecomunications SRL
Cursus - AI-Powered Cybersecurity: Advanced Threat Detection & Response
Automatisch vertaald
Ik heb de training volledig naar mijn zin gevonden en ik waardeerde het diepere inzicht in het onderwerp Machine Learning. De balans tussen theorie en praktische toepassingen was perfect, vooral de hands-on coderingsessies vond ik zeer waardevol. De trainer gaf boeiende voorbeelden en goed uitgewerkte oefeningen die de leerervaring verrijkt hebben. Het cursusprogramma behandelde een breed scala aan onderwerpen, en Abhi toonde uitstekende expertise door alle vragen met duidelijkheid en gemak te beantwoorden.
Valentina
Cursus - Machine Learning
Automatisch vertaald
De training gaf een interessant overzicht van diepleermodellen en gerelateerde methoden. Het onderwerp was voor mij nogal nieuw, maar nu voel ik me alsof ik echt een idee heb van wat AI en ML kunnen inhouden, waar deze termen voor staan en hoe ze voordelig kunnen worden gebruikt. In het algemeen vond ik het fijn om te beginnen met de statistische achtergrond en de basisleermodellen zoals lineaire regressie, met name de oefeningen ertussen.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Cursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Automatisch vertaald
De trainer beantwoordde mijn vragen precies en gaf mij tips. De trainer zette de deelnemers goed aan tot deelname, wat ik ook leuk vond. Wat de inhoud betreft, Python-oefeningen.
Dawid - P4 Sp z o. o.
Cursus - Introduction to Machine Learning
Automatisch vertaald
We hadden een overzicht over Machine Learning, Neuronale Netwerken, AI met praktische voorbeelden.
Catalin - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
De trainer toonde aan dat hij een goed begrip van het onderwerp heeft.
Machine Learning training cursus in Brugge, ML (Machine Learning) opleiding cursus in Brugge, Weekend Machine Learning cursus in Brugge, Avond ML (Machine Learning) training in Brugge, Machine Learning instructeur geleid Brugge, Machine Learning coaching in Brugge, Machine Learning (ML) instructeur geleid in Brugge,ML (Machine Learning) lessen in Brugge, Machine Learning instructeur in Brugge, Machine Learning trainer in Brugge, Machine Learning op locatie in Brugge, Machine Learning een op een opleiding in Brugge, Machine Learning (ML) on-site in Brugge, Machine Learning een op een training in Brugge, Weekend Machine Learning training in Brugge, ML (Machine Learning) boot camp in Brugge, Avond ML (Machine Learning) cursus in Brugge, Machine Learning privé cursus in Brugge
