機器學習與 Python – 2 天

培訓

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望使用 DataRobot 的機器學習功能自動化、評估和管理預測模型的數據科學家和數據分析師。

在本次培訓結束時，參與者將能夠：

• 在 DataRobot 中載入數據集以分析、評估和品質檢查數據。
• 構建和訓練模型以識別重要變數並滿足預測目標。
• 解釋模型以創建有助於做出業務決策的寶貴見解。
• 監控和管理模型以保持優化的預測性能。

這種由 講師指導的 台灣現場培訓（在線或現場）面向希望使用 H2O AutoML 來自動構建和選擇最佳機器學習演算法和參數的數據科學家。

在本次培訓結束時，參與者將能夠：

• 自動化機器學習工作流程。
• 在指定時間範圍內自動訓練和優化許多機器學習模型。
• 訓練堆疊集成以獲得高度預測的集成模型。

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望使用 Auto-sklearn 來自動化選擇和優化機器學習模型過程的機器學習從業者。

在本次培訓結束時，參與者將能夠：

• 自動執行高效機器學習模型的訓練過程。
• 構建高度準確的機器學習模型，同時繞過選擇、訓練和測試不同模型的更繁瑣的任務。
• 利用機器學習的強大功能解決實際業務問題。

這種由 台灣 的講師指導式現場培訓（在線或現場）面向數據科學家以及希望使用 Auto-Keras 來自動化選擇和優化機器學習模型過程的技術人員。

在本次培訓結束時，參與者將能夠：

• 自動執行高效機器學習模型的訓練過程。
• 自動搜索深度學習模型的最佳參數。
• 構建高度準確的機器學習模型。
• 利用機器學習的強大功能解決實際業務問題。

這種由講師指導的 台灣 現場培訓（在線或現場）面向希望擴展深度學習以生成文本到圖像的知識和技能的中高級數據科學家、機器學習工程師、深度學習研究人員和計算機視覺專家。

在本次培訓結束時，參與者將能夠：

• 了解用於文字到圖像生成的高級深度學習架構和技術。
• 實施複雜模型和優化，以實現高品質的圖像合成。
• 優化大型數據集和複雜模型的性能和可擴充性。
• 優化超參數以獲得更好的模型性能和泛化。
• 與其他深度學習框架和工具整合 Stable Diffusion

這種講師指導的現場培訓（在線或現場）面向希望 利用 Stable Diffusion 為各種使用案例生成高品質圖像的數據科學家、機器學習工程師和計算機視覺研究人員。

在本次培訓結束時，參與者將能夠：

• 瞭解 Stable Diffusion 的原理以及它如何用於圖像生成。
• 為圖像生成任務構建和訓練 Stable Diffusion 模型。
• 將 Stable Diffusion 應用於各種圖像生成方案，例如修復、出海和圖像到圖像的轉換。
• 優化 Stable Diffusion 模型的性能和穩定性。

這種由 台灣 的講師指導的現場培訓（在線或現場） 面向希望瞭解 AlphaFold 工作原理並在實驗研究中使用 AlphaFold 模型作為指導的生物學家。

在本次培訓結束時，參與者將能夠：

• 理解 AlphaFold 的基本原理。
• 瞭解 AlphaFold 的工作原理。
• 瞭解如何解釋 AlphaFold 預測和結果。

這種由講師指導的 台灣（在線或現場）實時培訓面向希望利用 TensorFlow Lite 進行邊緣 AI 應用程式的中級開發人員、數據科學家和 AI 從業者。

在培訓結束時，參與者將能夠：

• 瞭解 TensorFlow Lite 的基礎知識及其在邊緣 AI 中的作用。
• 使用 TensorFlow Lite 開發和優化 AI 模型。
• 在各種邊緣設備上部署 TensorFlow Lite 模型。
• 利用工具和技術進行模型轉換和優化。
• 使用 TensorFlow Lite 實現實用的邊緣 AI 應用程式。

這種以講師為主導的台灣現場現場培訓面向希望使用TensorFlow Lite在嵌入式設備上部署深度學習模型的開發人員。

在培訓結束時，參與者將能夠：

• 在嵌入式設備上安裝和配置 Tensorflow Lite。
• 瞭解 TensorFlow Lite 的基本概念和元件。
• 將現有模型轉換為 TensorFlow Lite 格式，以便在嵌入式設備上執行。
• 在小型設備和 TensorFlow Lite 的限制範圍內工作，同時學習如何擴展可以運行的操作範圍。
• 在運行 Linux 的嵌入式設備上部署深度學習模型。

這種以講師為主導的台灣現場培訓（現場或遠端）針對希望使用TensorFlow Lite開發具有深度學習功能的移動應用程式的開發人員。

在培訓結束時，參與者將能夠：

• 安裝和配置 TensorFlow Lite。
• 瞭解 TensorFlow、機器學習和深度學習背後的原理。
• 將 TensorFlow 模型載入到 Android 設備上。
• 在移動應用程式中啟用深度學習和機器學習功能，例如電腦視覺和自然語言識別。

這種以講師為主導的現場培訓（現場或遠端）面向希望使用TensorFlow Lite開發具有深度學習功能的iOS移動應用程式的開發人員。

在培訓結束時，參與者將能夠：

• 安裝和配置 TensorFlow Lite。
• 了解行動裝置上的 TensorFlow 和機器學習背後的原理。
• 將 TensorFlow 模型載入到 iOS 設備上。
• 運行能夠檢測和分類通過設備攝像頭捕獲的物件的iOS應用程式。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望在非常小的嵌入式設備上編寫，載入和運行機器學習模型的工程師。

在培訓結束時，參與者將能夠：

• 安裝 TensorFlow Lite。
• 將機器學習模型載入式設備上，使其能夠檢測語音、對圖像進行分類等。
• 將 AI 添加到硬體設備，而無需依賴網路連接。

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望使用 Chainer 在 Python 中構建和訓練神經網路，同時使代碼易於調試的研究人員和開發人員。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始開發神經網路模型。
• 使用易於理解的原始程式碼定義和實現神經網路模型。
• 執行範例並修改現有演算法以優化深度學習訓練模型，同時利用 GPU 實現高性能。

這種由 講師指導的 台灣 現場實時培訓（在線或現場）面向希望使用 Horovod 運行分散式深度學習訓練並將其擴展為在多個 GPU 之間並行運行的開發人員或數據科學家。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始運行深度學習訓練。
• 安裝並配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 訓練模型。
• 使用 Horovod 擴展深度學習訓練以在多個 GPU 上運行。

這種由講師指導的 台灣 現場實時培訓（在線或現場）面向希望加速即時機器學習應用程式並大規模部署它們的數據科學家。

在本次培訓結束時，參與者將能夠：

• 安裝 OpenVINO 工具包。
• 使用 FPGA 加速電腦視覺應用程式。
• 在 FPGA 上執行不同的 CNN 層。
• 在 Kubernetes 群集中的多個節點之間擴展應用程式。