Curs de pregatire Introducere în Modele Pre-antrenate
Modelele pre-antrenate reprezintă o piatră de temelie a inteligenței artificiale moderne, oferind capabilități preconstruite care pot fi adaptate pentru o varietate de aplicații. Acest curs introduce participanții în elementele de bază ale modelelor pre-antrenate, arhitectura lor și cazurile lor practice de utilizare. Participanții vor învăța cum să utilizeze aceste modele pentru sarcini precum clasificarea textelor, recunoașterea imaginilor și multe altele.
Această formare condusă de un instructor, live (online sau la fața locului), este destinată profesioniștilor de nivel începător care doresc să înțeleagă conceptul de modele pre-antrenate și să învețe cum să le aplice pentru a rezolva probleme din lumea reală fără a construi modele de la zero.
La sfârșitul acestei formări, participanții vor putea:
- Înțelege conceptul și beneficiile modelelor pre-antrenate.
- Explora diverse arhitecturi de modele pre-antrenate și cazurile lor de utilizare.
- Fine-tune un model pre-antrenat pentru sarcini specifice.
- Implementa modele pre-antrenate în proiecte simple de învățare automată.
Formatul Cursului
- Prelegere interactivă și discuții.
- Multe exerciții și practică.
- Implementare practică într-un mediu live-lab.
Opțiuni de Personalizare a Cursului
- Pentru a solicita o formare personalizată pentru acest curs, vă rugăm să ne contactați pentru a aranja.
Schița de curs
Introducere în Modele Pre-antrenate
- Ce sunt modelele pre-antrenate?
- Beneficiile utilizării modelelor pre-antrenate
- Prezentare generală a modelelor pre-antrenate populare (de ex., BERT, ResNet)
Înțelegerea Arhitecturilor Modelelor Pre-antrenate
- Elemente de bază ale arhitecturii modelelor
- Concepte de transfer learning și fine-tuning
- Cum sunt construite și antrenate modelele pre-antrenate
Configurarea Mediului
- Instalarea și configurarea Python și a bibliotecilor relevante
- Explorarea repertoriilor de modele pre-antrenate (de ex., Hugging Face)
- Încărcarea și testarea modelelor pre-antrenate
Lucru Practic cu Modele Pre-antrenate
- Utilizarea modelelor pre-antrenate pentru clasificarea textelor
- Aplicarea modelelor pre-antrenate pentru sarcini de recunoaștere a imaginilor
- Fine-tuning modelelor pre-antrenate pentru seturi de date personalizate
Implementarea Modelelor Pre-antrenate
- Exportarea și salvarea modelelor fine-tuned
- Integrarea modelelor în aplicații
- Elemente de bază ale implementării modelelor în producție
Provocări și Bune Practici
- Înțelegerea limitărilor modelelor
- Evitarea overfitting-ului în timpul fine-tuning-ului
- Asigurarea utilizării etice a modelelor AI
Tendințe Viitoare în Modelele Pre-antrenate
- Arhitecturi emergente și aplicațiile lor
- Avansuri în transfer learning
- Explorarea modelelor lingvistice mari și a modelelor multimodale
Rezumat și Pași Următori
Cerințe
- Înțelegere de bază a conceptelor de învățare automată
- Familiaritate cu programarea în Python
- Cunoștințe de bază despre manipularea datelor folosind biblioteci precum Pandas
Public țintă
- Oameni de știință de date
- Entuziaști AI
Cursurile publice necesita 5+ participanti
Curs de pregatire Introducere în Modele Pre-antrenate - Rezervare
Curs de pregatire Introducere în Modele Pre-antrenate - Solicitare
Cursuri viitoare
Cursuri înrudite
AdaBoost Python pentru Învățarea Automată
14 OreAcest training condus de un instructor, live în România (online sau la fața locului) este destinat specialiștilor în știința datelor și inginerilor de software care doresc să folosească AdaBoost pentru a construi algoritmi de boosting pentru învățarea automată cu Python.
La finalul acestui training, participanții vor putea:
- Să configureze mediul de dezvoltare necesar pentru a începe construirea modelelor de învățare automată cu AdaBoost.
- Să înțeleagă abordarea învățării ensembliste și cum să implementeze adaptive boosting.
- Să învețe cum să construiască modele AdaBoost pentru a îmbunătăți algoritmii de învățare automată în Python.
- Să utilizeze ajustarea hiperparametrilor pentru a crește acuratețea și performanța modelelor AdaBoost.
AlphaFold: Predicția și Interpretarea Structurilor Proteice Bazate pe Inteligență Artificială
7 OreAcest training condus de un instructor, live în România (online sau onsite) este destinat biologiilor care doresc să înțeleagă cum funcționează AlphaFold și să utilizeze modelele AlphaFold ca ghid în studiile lor experimentale.
La finalul acestui training, participanții vor putea:
- Să înțeleagă principiile de bază ale AlphaFold.
- Să învețe cum funcționează AlphaFold.
- Să învețe cum să interpreteze predicțiile și rezultatele AlphaFold.
Ecosistemul Anaconda pentru Oamenii de Știință a Datelor
14 OreAcest training condus de un instructor, live în România (online sau la fața locului), este destinat oamenilor de știință a datelor care doresc să utilizeze ecosistemul Anaconda pentru a captura, gestiona și implementa pachete și fluxuri de lucru de analiză a datelor într-o singură platformă.
La finalul acestui training, participanții vor putea:
- Instala și configura componentele și bibliotecile Anaconda.
- Înțelege conceptele de bază, caracteristicile și beneficiile Anaconda.
- Gestiona pachete, medii și canale folosind Anaconda Navigator.
- Utiliza pachete Conda, R și Python pentru știința datelor și învățarea automată.
- Să cunoască câteva cazuri practice și tehnici pentru gestionarea mai multor medii de date.
Crearea de Chatbot-uri Personalizate cu Google AutoML
14 OreAcest training condus de un instructor, live în România (online sau la fața locului), este destinat participanților cu niveluri variate de expertiză care doresc să utilizeze platforma AutoML a Google pentru a construi chatboti personalizați pentru diverse aplicații.
La finalul acestui training, participanții vor putea:
- Să înțeleagă elementele fundamentale ale dezvoltării de chatboti.
- Să navigheze pe Google Cloud Platform și să acceseze AutoML.
- Să pregătească date pentru antrenarea modelelor de chatboti.
- Să antreneze și să evalueze modele personalizate de chatboti folosind AutoML.
- Să implementeze și să integreze chatboti pe diverse platforme și canale.
- Să monitorizeze și să optimizeze performanța chatbotilor în timp.
Recunoașterea Modelelor
21 OreAcest training condus de un instructor, live în România (online sau la fața locului), oferă o introducere în domeniul recunoașterii modelelor și al învățării automate. Acesta abordează aplicații practice în statistică, informatică, procesarea semnalelor, vizualizarea computerizată, exploatarea datelor și bioinformatică.
La sfârșitul acestui training, participanții vor putea:
- Aplica metode statistice de bază în recunoașterea modelelor.
- Utiliza modele cheie precum rețele neuronale și metode bazate pe nuclee pentru analiza datelor.
- Implementa tehnici avansate pentru rezolvarea problemelor complexe.
- Îmbunătăți acuratețea predicțiilor prin combinarea diferitelor modele.
DataRobot
7 OreAcest training condus de un instructor, live în România (online sau la fața locului) este destinat oamenilor de știință de date și analiștilor de date care doresc să automatizeze, să evalueze și să gestioneze modele predictive folosind capacitățile de învățare automată ale DataRobot.
La finalul acestui training, participanții vor putea:
- Încărca seturi de date în DataRobot pentru a analiza, evalua și verifica calitatea datelor.
- Construi și antrena modele pentru a identifica variabile importante și a atinge obiectivele de predicție.
- Interpreta modele pentru a crea informații valoroase, utile în luarea deciziilor de afaceri.
- Monitoriza și gestiona modele pentru a menține o performanță optimă de predicție.
Edge AI cu TensorFlow Lite
14 OreAceastă formare condusă de un instructor, live în România (online sau la fața locului) este destinată dezvoltatorilor de nivel intermediar, oamenilor de știință de date și practicienilor AI care doresc să exploateze TensorFlow Lite pentru aplicații Edge AI.
La finalul acestei formări, participanții vor putea:
- Înțelege noțiunile de bază ale TensorFlow Lite și rolul său în Edge AI.
- Dezvolta și optimiza modele de AI folosind TensorFlow Lite.
- Implementa modele TensorFlow Lite pe diverse dispozitive de margine.
- Utiliza instrumente și tehnici pentru conversia și optimizarea modelelor.
- Implementa aplicații practice Edge AI folosind TensorFlow Lite.
Google Cloud AutoML
7 OreAcest training condus de un instructor, live în România (online sau la fața locului), este destinat specialiștilor în știința datelor, analiștilor de date și dezvoltatorilor care doresc să exploreze produsele și funcționalitățile AutoML pentru a crea și a implementa modele de antrenament ML personalizate cu un efort minim.
La finalul acestui training, participanții vor fi capabili să:
- Exploreze gama de produse AutoML pentru a implementa diferite servicii pentru diverse tipuri de date.
- Pregătească și eticheteze seturi de date pentru a crea modele ML personalizate.
- Antreneze și gestioneze modele pentru a produce modele de învățare automată precise și corecte.
- Facă predicții folosind modele antrenate pentru a îndeplini obiectivele și nevoile de afaceri.
Kaggle
14 OreAcest training condus de un instructor, live în România (online sau la fața locului) este destinat specialiștilor în știința datelor și dezvoltatorilor care doresc să învețe și să-și construiască o carieră în Știința Datelor folosind Kaggle.
La finalul acestui training, participanții vor putea:
- Să învețe despre știința datelor și învățarea automată.
- Să exploreze analiza datelor.
- Să învețe despre Kaggle și cum funcționează.
Kubeflow Essentials: Construiește, Antrenează și Servește cu Kubernetes
14 OreKubeflow este o platformă open-source proiectată pentru a simplifica construirea, antrenarea și implementarea sarcinilor de învățare automată pe Kubernetes.
Această instruire condusă de un instructor, live (online sau la fața locului), este destinată profesioniștilor de la nivel începător până la intermediar care doresc să construiască fluxuri de lucru ML fiabile folosind Kubeflow.
La finalizarea acestei instruiri, participanții vor dobândi abilitățile necesare pentru a:
- Naviga prin ecosistemul și componentele de bază ale Kubeflow.
- Construi fluxuri de lucru reproductibile cu Kubeflow Pipelines.
- Rula sarcini de antrenament scalabile pe Kubernetes.
- Serve modele de învățare automată eficient folosind Kubeflow Serving.
Formatul Cursului
- Prezentări ghidate și discuții collaborative.
- Laboratoare practice cu componente reale ale Kubeflow.
- Exerciții practice pentru construirea fluxurilor de lucru ML de la un capăt la altul.
Opțiuni de Personalizare a Cursului
- Pot fi aranjate versiuni personalizate ale acestei instruiri pentru a se alinia cu tehnologia echipei dvs. și cerințele proiectului.
Fundamentele Kubeflow
28 OreAcest training condus de un instructor, live în România (online sau la fața locului) este destinat dezvoltatorilor și oamenilor de știință care doresc să construiască, să implementeze și să gestioneze fluxuri de lucru de învățare automată pe Kubernetes.
La sfârșitul acestui training, participanții vor fi capabili să:
- Instaleze și configureze Kubeflow on premise și în cloud.
- Construiască, implementeze și gestioneze fluxuri de lucru ML bazate pe containere Docker și Kubernetes.
- Ruleze întregi pipeline-uri de învățare automată pe diverse arhitecturi și medii cloud.
- Folosească Kubeflow pentru a porni și a gestiona notebook-uri Jupyter.
- Construiască sarcini de antrenament ML, ajustare a hiperparametrilor și servire pe mai multe platforme.
Învățarea automată pentru aplicații mobile folosind Google ML Kit
14 OreAcest training condus de un instructor, live (online sau la fața locului), este destinat dezvoltatorilor care doresc să folosească Google ML Kit pentru a construi modele de învățare automată optimizate pentru procesare pe dispozitive mobile.
La finalul acestui training, participanții vor putea:
- Să configureze mediul de dezvoltare necesar pentru a începe dezvoltarea de funcționalități de învățare automată pentru aplicații mobile.
- Să integreze noi tehnologii de învățare automată în aplicațiile Android și iOS folosind API-urile ML Kit.
- Să îmbunătățească și să optimizeze aplicațiile existente folosind SDK-ul ML Kit pentru procesare și implementare pe dispozitiv.
Învățare Automată cu Random Forest
14 OreAceastă formare condusă de un instructor, live în România (online sau la fața locului) este destinată specialiștilor în știința datelor și inginerilor de software care doresc să folosească Random Forest pentru a construi algoritmi de învățare automată pentru seturi de date mari.
La finalul acestei formări, participanții vor putea:
- Să configureze mediul de dezvoltare necesar pentru a începe construirea modelelor de învățare automată cu Random Forest.
- Să înțeleagă avantajele Random Forest și cum să îl implementeze pentru a rezolva probleme de clasificare și regresie.
- Să învețe cum să gestioneze seturi de date mari și să interpreteze mai mulți arbori de decizie în Random Forest.
- Să evalueze și să optimizeze performanța modelului de învățare automată prin ajustarea hiperparametrilor.
Analiză Avansată cu RapidMiner
14 OreAcest training condus de un instructor, live în România (online sau la fața locului), este destinat analiștilor de date de nivel intermediar care doresc să învețe cum să folosească RapidMiner pentru a estima și proiecta valori și să utilizeze instrumente analitice pentru prognozarea seriilor de timp.
La finalul acestui training, participanții vor putea:
- Învață să aplice metodologia CRISP-DM, să selecteze algoritmi de învățare automată adecvați și să îmbunătățească construcția și performanța modelelor.
- Folosi RapidMiner pentru a estima și proiecta valori și să utilizeze instrumente analitice pentru prognozarea seriilor de timp.
Știința Datelor pe GPU cu NVIDIA RAPIDS
14 OreAcest training condus de un instructor, live în România (online sau la fața locului), este destinat oamenilor de știință și dezvoltatorilor care doresc să folosească RAPIDS pentru a construi fluxuri de date accelerate pe GPU, fluxuri de lucru și vizualizări, aplicând algoritmi de învățare automată, cum ar fi XGBoost, cuML etc.
La finalul acestui training, participanții vor putea:
- Să configureze mediul de dezvoltare necesar pentru a construi modele de date cu NVIDIA RAPIDS.
- Să înțeleagă caracteristicile, componentele și avantajele RAPIDS.
- Să utilizeze GPU-uri pentru a accelera fluxurile de date și analize de la un capăt la altul.
- Să implementeze pregătirea datelor accelerate pe GPU și ETL cu cuDF și Apache Arrow.
- Să învețe cum să execute sarcini de învățare automată cu algoritmii XGBoost și cuML.
- Să construiască vizualizări de date și să execute analize grafice cu cuXfilter și cuGraph.
