Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in fortgeschrittene Machine Learning-Modelle
- Überblick über komplexe Modelle: Random Forests, Gradient Boosting, Neuronale Netze
- Wann fortgeschrittene Modelle eingesetzt werden sollten: Best Practices und Anwendungsfälle
- Einführung in Ensemble-Lernverfahren
Hyperparameter-Tuning und -Optimierung
- Grid Search- und Random Search-Techniken
- Automatisches Hyperparameter-Tuning mit Google Colab
- Verwendung fortschrittlicher Optimierungstechniken (Bayesian, Genetische Algorithmen)
Neuronale Netze und Deep Learning
- Erstellung und Training von tiefen neuronalen Netzen
- Transfer Learning mit vortrainierten Modellen
- Optimierung von Deep-Learning-Modellen für die Leistungsfähigkeit
Modellbereitstellung
- Einführung in Strategien der Modellbereitstellung
- Bereitstellung von Modellen in cloudbasierten Umgebungen mit Google Colab
- Echtzeit-Inferenz und Batch-Verarbeitung
Arbeit mit Google Colab für large-scale Machine Learning
- Zusammenarbeit an Machine Learning-Projekten in Colab
- Verwendung von Colab für verteiltes Training und GPU/TPU-Beschleunigung
- Integration mit Cloud-Services für skalierbares Modell-Training
Modellinterpretierbarkeit und -Erklärbarkeit
- Erkundung von Techniken zur Modellinterpretierbarkeit (LIME, SHAP)
- Erklärbare KI für Deep-Learning-Modelle
- Handhabung von Bias und Fairness in Machine Learning-Modellen
Anwendungen in der Praxis und Fallstudien
- Anwendung fortgeschrittener Modelle in Gesundheitswesen, Finanzwesen und E-Commerce
- Fallstudien: Erfolgreiche Modellbereitstellungen
- Herausforderungen und zukünftige Trends im fortgeschrittenen Machine Learning
Zusammenfassung und nächste Schritte
Voraussetzungen
- Solides Verständnis von Machine Learning-Algorithmus und Konzepten
- Profizienz in Python-Programmierung
- Erfahrung mit Jupyter Notebooks oder Google Colab
Zielgruppe
- Data Scientists
- Machine Learning-Praktiker
- KI-Ingenieure
21 Stunden
Erfahrungsberichte (2)
das ML-Ökosystem nicht nur MLflow, sondern auch Optuna, Hyperopt, Docker und Docker Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
Maschinelle Übersetzung
Ich habe es genossen, an der Kubeflow-Schulung teilzunehmen, die fernmündlich durchgeführt wurde. Diese Schulung ermöglichte mir, mein Wissen zu AWS-Diensten, K8s und allen devOps-Tools um Kubeflow herum zu vertiefen, was die notwendigen Grundlagen sind, um das Thema angemessen anzugehen. Ich möchte mich bei Malawski Marcin für seine Geduld und Professionalität bei der Schulung sowie für seine Ratschläge zur Best Practice bedanken. Malawski behandelt das Thema aus verschiedenen Perspektiven und nutzt verschiedene Bereitstellungstools wie Ansible, EKS kubectl und Terraform. Nun bin ich definitiv davon überzeugt, dass ich mich in dem richtigen Anwendungsbereich befinde.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Maschinelle Übersetzung
