Pobierz kartę szkolenia

Azure Machine Learning Service dla analityków: Projektowanie i wdrażanie modeli ML bez kodowania

kod szkolenia: Azure ML Service / PL DL 3d

Termin
tryb Distance Learning

poziom Podstawowy

czas trwania 3 dni |  21h|  21.10 22.10 23.10
4 000,00 PLN + 23% VAT (4 920,00 PLN brutto)
Poprzednia najniższa cena:
4 000,00 PLN
tryb Distance Learning

poziom Podstawowy

czas trwania 3 dni |  21h|  25.11 26.11 27.11
4 000,00 PLN + 23% VAT (4 920,00 PLN brutto)
Poprzednia najniższa cena:
4 000,00 PLN
4 000,00 PLN 4 920,00 PLN brutto

Dowiedz się, jak skutecznie projektować i wdrażać modele uczenia maszynowego, rozpoczynając od zdefiniowania problemu, poprzez przygotowanie danych, modelowanie, aż po wdrożenie. Wykorzystamy graficzny kreator AMLS, by w praktyce omówić i przećwiczyć wszystkie zagadnienia. Pozyskane umiejętności pozwolą Ci na definiowanie eksperymentów automatycznego uczenia maszynowego.

Po ukończeniu szkolenia będziesz potrafił/a samodzielnie trenować, oceniać i wdrażać modele ML, w tym klasyfikatory, modele regresji, prognozujące, wykrywające obiekty i oceniające nastawienie wypowiedzi

Nie wymagamy umiejętności programowania ani znajomości algorytmów uczenia maszynowego. Wykorzystamy nowoczesne narzędzia, takie jak Azure Machine Learning Service (AMLS), umożliwiające graficzne eksperymentowanie w chmurze.

 

Jeżeli chcesz wykorzystać swoją wiedzę dziedzinową, np. z obszaru sprzedaży, logistyki, analizy ryzyka czy zarządzania produkcją, do tworzenia niezawodnych, godnych zaufania modeli uczenia maszynowego, to szkolenie jest dla Ciebie. Adresowane głównie do analityków.

  • Szkolenie: polski

  • Materiały: angielski

 

 

 

* dostęp do portalu słuchacza Altkom Akademii

Metoda szkolenia:

Wykład + ćwiczenia

  • Wprowadzenie do uczenia maszynowego

  • Projekty uczenia maszynowego

  • Dane w uczeniu maszynowym

  • Przygotowanie danych do modelowania

  • Regresja jako technika uczenia nadzorowanego

  • Klasyfikacja jako technika uczenia nadzorowanego

  • Analiza obrazów

  • Analiza języka naturalnego

  • Ocena modeli regresji

  • Ocena modeli klasyfikacji

  • Ocena głębokich modeli uczenia maszynowego

  • Odpowiedzialna i interpretowalna sztuczna inteligencja

  • Wdrożenie modeli