台北現場機器學習培訓

這種由講師指導的 台北 現場培訓（在線或現場）面向希望瞭解預訓練模型概念並學習如何應用它們來解決實際問題而無需從頭開始構建模型的初級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解預訓練模型的概念和優勢。
• 探索各種預先訓練的模型架構及其使用案例。
• 針對特定任務微調預先訓練的模型。
• 在簡單的機器學習項目中實施預訓練模型。

這種以講師為主導的台北（在線或現場）現場培訓面向具有不同專業水平的參與者，他們希望利用 Google 的 AutoML 平臺為各種應用程式構建定製的聊天機器人。

在培訓結束時，參與者將能夠：

• 瞭解聊天機器人開發的基礎知識。
• 流覽 Google 雲平臺並訪問 AutoML。
• 為訓練聊天機器人模型準備數據。
• 使用 AutoML 訓練和評估自定義聊天機器人模型。
• 將聊天機器人部署並整合到各種平台和管道中。
• 隨時間推移監控和優化聊天機器人性能。

本次由講師指導的線下或線上培訓，面向希望優化AI模型以在邊緣設備上部署的中級AI開發者、機器學習工程師和系統架構師。

在培訓結束時，參與者將能夠：

• 瞭解在邊緣設備上部署AI模型的挑戰和需求。
• 應用模型壓縮技術，減少AI模型的規模和複雜性。
• 利用量化方法，提升模型在邊緣硬件上的效率。
• 實施剪枝和其他優化技術，提升模型性能。
• 在各種邊緣設備上部署優化後的AI模型。

本次由講師指導的線下或線上培訓，面向中級開發者、數據科學家和技術愛好者，旨在幫助他們掌握在各種應用中在邊緣設備上部署AI模型的實用技能。

培訓結束後，參與者將能夠：

• 理解Edge AI的原理及其優勢。
• 設置和配置邊緣計算環境。
• 開發、訓練和優化用於邊緣部署的AI模型。
• 在邊緣設備上實現實用的AI解決方案。
• 評估並改進邊緣部署模型的性能。
• 解決Edge AI應用中的倫理和安全問題。

Kubeflow 是一個開源平臺，旨在簡化在 Kubernetes 上構建、訓練和部署機器學習工作負載的過程。

本課程爲講師指導的培訓（線上或線下），面向希望使用 Kubeflow 構建可靠機器學習工作流的初級到中級專業人士。

完成本培訓後，學員將掌握以下技能：

• 熟悉 Kubeflow 生態系統及其核心組件。
• 使用 Kubeflow Pipelines 構建可重複的工作流。
• 在 Kubernetes 上運行可擴展的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程形式

• 引導式演示與協作討論。
• 使用真實 Kubeflow 組件的實踐操作。
• 構建端到端機器學習工作流的實際練習。

課程定製選項

• 可根據團隊的技術棧和項目需求定製本培訓內容。

本課程爲講師指導的培訓，在台北（線上或線下）進行，面向希望掌握自主系統背後技術的高級專業人員。

在本培訓結束時，參與者將能夠：

• 設計和實現用於自主決策的AI模型。
• 開發用於自主導航和避障的控制算法。
• 確保AI驅動的自主系統的安全性和可靠性。
• 將自主系統與現有的機器人和AI框架集成。

本次由講師主導的培訓在台北（線上或線下）面向希望提升機器學習模型知識、改進超參數調優技能，並學習如何使用Google Colab有效部署模型的高級專業人士。

培訓結束後，參與者將能夠：

• 使用Scikit-learn和TensorFlow等流行框架實現高級機器學習模型。
• 通過超參數調優優化模型性能。
• 使用Google Colab在實際應用中部署機器學習模型。
• 在Google Colab中協作和管理大規模機器學習項目。

本次由講師指導的培訓在台北（線上或線下）進行，面向中級專業人員，旨在應用AI技術優化半導體制造中的良率管理。

培訓結束後，學員將能夠：

• 分析生產數據，識別影響良率的因素。
• 實施AI算法，優化良率管理流程。
• 優化生產參數，減少缺陷，提高良率。
• 將AI驅動的良率管理集成到現有生產工作流程中。

本次由講師指導的線下或線上培訓，面向中級水平的商業和AI專業人士，旨在通過實際案例和基於Python的工具，幫助他們將機器學習應用於商業、預測和AI驅動系統。

培訓結束後，參與者將能夠：

• 理解機器學習如何融入AI和商業戰略。
• 將監督學習和無監督學習技術應用於結構化的商業問題。
• 對數據進行預處理和轉換以用於建模。
• 使用神經網絡進行分類和預測任務。
• 使用統計和基於機器學習的方法進行銷售預測。
• 實施聚類和關聯規則挖掘，用於客戶細分和模式發現。

本課程爲講師指導的培訓（線上或線下），面向希望將尖端AI技術應用於半導體設計自動化的高級專業人員，旨在提高芯片設計和驗證的效率、準確性和創新性。

在本培訓結束時，參與者將能夠：

• 應用高級AI技術優化半導體設計流程。
• 將機器學習模型集成到EDA工具中，以增強設計驗證。
• 爲芯片製造中的複雜設計挑戰開發AI驅動解決方案。
• 利用神經網絡提高設計自動化的準確性和速度。

本課程爲講師指導的培訓，在台北（線上或線下）進行，面向希望瞭解並應用AI技術來優化半導體制造流程的中級專業人士。

培訓結束後，學員將能夠：

• 瞭解AI在芯片製造流程優化中的方法。
• 實施AI模型以提高良率並減少缺陷。
• 分析流程數據以識別關鍵優化參數。
• 應用機器學習技術來微調半導體制造流程。

本次由講師指導的培訓（線上或線下）面向中級參與者，旨在幫助他們使用Apache Airflow自動化和管理機器學習工作流，包括模型訓練、驗證和部署。

培訓結束後，參與者將能夠：

• 設置Apache Airflow以進行機器學習工作流編排。
• 自動化數據預處理、模型訓練和驗證任務。
• 將Airflow與機器學習框架和工具集成。
• 使用自動化管道部署機器學習模型。
• 監控和優化生產中的機器學習工作流。

本次由講師指導的培訓在台北（線上或線下）進行，面向中級數據科學家和開發者，旨在幫助他們在Google Colab環境中高效應用機器學習算法。

培訓結束後，參與者將能夠：

• 爲機器學習項目設置並導航Google Colab。
• 理解並應用各種機器學習算法。
• 使用Scikit-learn等庫進行數據分析和預測。
• 實現監督學習和無監督學習模型。
• 有效優化和評估機器學習模型。

本課程爲講師指導的線下或線上培訓，面向希望使用ML.NET機器學習模型爲企業應用自動生成數據分析預測的數據科學家和開發人員。

培訓結束後，學員將能夠：

• 安裝ML.NET並將其集成到應用開發環境中。
• 理解ML.NET工具和算法背後的機器學習原理。
• 構建並訓練機器學習模型，智能地使用提供的數據進行預測。
• 使用ML.NET指標評估機器學習模型的性能。
• 基於ML.NET框架優化現有機器學習模型的準確性。
• 將ML.NET的機器學習概念應用於其他數據科學應用。

本課程爲講師主導的台北（線上或線下）培訓，面向中級數據專業人士，旨在幫助他們將機器學習技術應用於數據驅動的業務問題，包括銷售預測和使用神經網絡的預測建模。

培訓結束後，學員將能夠：

• 理解機器學習的核心概念和類型。
• 應用分類、迴歸、聚類和關聯分析的關鍵算法。
• 使用Python進行探索性數據分析和數據準備。
• 使用神經網絡進行非線性建模任務。
• 實施預測分析，包括銷售數據的業務預測。
• 使用可視化和統計技術評估和優化模型性能。

這種由講師指導的 台北 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

本次由講師指導的線下或線上培訓，面向中級到高級的網絡安全專業人士，旨在提升他們在AI驅動的威脅檢測和事件響應方面的技能。

培訓結束後，參與者將能夠：

• 實施高級AI算法，用於即時威脅檢測。
• 針對特定網絡安全挑戰定製AI模型。
• 開發威脅響應的自動化工作流程。
• 保護AI驅動的安全工具，抵禦對抗性攻擊。

本課程爲講師主導的培訓，在台北（線上或線下）進行，面向希望學習如何利用AI提升威脅檢測和響應能力的初級網絡安全專業人士。

培訓結束後，參與者將能夠：

• 瞭解AI在網絡安全中的應用。
• 實施AI算法進行威脅檢測。
• 使用AI工具自動化事件響應。
• 將AI集成到現有的網絡安全基礎設施中。

這種由 台北 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。

本次由講師指導的線下或線上培訓，面向具有機器學習背景的技術參與者，旨在通過AutoML框架優化模型，以檢測大數據中的複雜模式。

此講師指導的 台北 現場培訓（在線或現場）面向 希望學習如何使用 RapidMiner 估計和預測值並利用分析工具進行時間序列預測的中級數據分析師。

在本次培訓結束時，參與者將能夠：

• 學習應用 CRISP-DM 方法，選擇合適的機器學習演算法，並增強模型構建和性能。
• 使用 RapidMiner 估計和預測值，並利用分析工具進行時間序列預測。

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。

本課程的目的是提供在實踐中應用Machine Learning方法的基本熟練程度。通過使用Python編程語言及其各種庫，並基於大量實際示例，本課程教授如何使用Machine Learning最重要的構建塊，如何制定數據建模決策，解釋算法的輸出和驗證結果。

我們的目標是讓您自信地理解和使用Machine Learning工具箱中最基本的工具，並避免Data Science應用程序的常見缺陷。

本課程的目的是提供在實踐中應用機器學習方法的一般熟練程度。通過使用 Python 程式設計語言及其各種庫, 並基於大量的實際示例, 本課程教授如何使用機器學習最重要的構建塊, 如何做出資料建模決策, 解釋輸出並驗證結果

我們的目標是讓您能夠自信地理解和使用機器學習工具箱中最基本的工具, 並避免資料科學應用的常見陷阱。

本課程爲講師主導的培訓，在 台北（線上或線下）進行，面向希望使用 AdaBoost 構建機器學習提升算法的數據科學家和軟件工程師。

通過本培訓，參與者將能夠：

• 設置必要的開發環境，開始使用 AdaBoost 構建機器學習模型。
• 理解集成學習方法，並掌握如何實現自適應提升。
• 學習如何使用 AdaBoost 模型提升 Python 中的機器學習算法。
• 使用超參數調優，提高 AdaBoost 模型的準確性和性能。

這種由 台北 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。

本課程將理論和實踐工作相結合，並在整個活動中使用的具體示例。

這門由講師指導的台北（線上或線下）培訓課程，介紹了模式識別和機器學習的領域，並涵蓋了統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

通過本培訓，參與者將能夠：

• 應用核心統計方法於模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施高級技術以解決複雜問題。
• 通過結合不同模型來提高預測準確性。

這種由 講師指導的 台北 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。

本課程爲講師指導的線下或線上培訓，旨在幫助工程師應用特徵工程技術，更好地處理數據並獲得更優的機器學習模型。

通過本課程，學員將能夠：

• 設置最佳開發環境，包括所有所需的Python包。
• 通過分析數據集的特徵獲取重要洞察。
• 通過調整原始數據本身來優化機器學習模型。
• 清理和轉換數據集，爲機器學習做準備。

機器學習是人工智能的一個分支，計算機無需明確編程即可學習。

深度學習是機器學習的一個子領域，它使用基於學習數據表示和結構的方法，如神經網絡。

Python是一種高級編程語言，以其清晰的語法和代碼可讀性著稱。

在這次講師指導的線下培訓中，學員將學習如何使用Python爲電信行業實現深度學習模型，並逐步創建一個深度學習信用風險模型。

培訓結束後，學員將能夠：

• 理解深度學習的基本概念。
• 瞭解深度學習在電信中的應用。
• 使用Python、Keras和TensorFlow爲電信創建深度學習模型。
• 使用Python構建自己的深度學習客戶流失預測模型。

課程形式

• 互動講座與討論。
• 大量練習與實踐。
• 在實驗環境中進行實際操作。

課程定製選項

• 如需爲此課程定製培訓，請聯繫我們安排。

這種講師指導的 台北 現場培訓（在線或現場）面向數據科學家、數據分析師和開發人員，他們希望探索 AutoML 產品和功能，以最少的工作量創建和部署自定義 ML 訓練模型。

在本次培訓結束時，參與者將能夠：

• 探索 AutoML 產品線，為各種數據類型實施不同的服務。
• 準備和標記數據集以創建自定義 ML 模型。
• 訓練和管理模型以生成準確、公平的機器學習模型。
• 使用經過訓練的模型進行預測，以滿足業務目標和需求。

本課程適合已有數據科學和統計學背景的學員。課程講解旨在爲熟悉概念的學員提供複習，或爲有相關背景的學員提供信息。

這種以講師為主導的台北現場培訓（現場或遠端）面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 使用 AWS EKS（彈性 Kubernetes 服務）在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 個容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優併為工作負載提供服務。

本課程爲講師指導的台北線下或線上培訓，面向希望將機器學習工作負載部署到 AWS EC2 服務器的工程師。

培訓結束後，參與者將能夠：

• 在 AWS 上安裝和配置 Kubernetes、Kubeflow 及其他所需軟件。
• 使用 EKS（Elastic Kubernetes Service）簡化在 AWS 上初始化 Kubernetes 集羣的工作。
• 創建並部署 Kubernetes 流水線，以自動化和管理生產環境中的 ML 模型。
• 在多個 GPU 和並行運行的機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務擴展 ML 應用。

這種由講師指導的台北現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到Azure雲的工程師。

在培訓結束時，參與者將能夠：

• 在 Azure 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
使用 Azure Kubernetes
• 服務 （AKS） 簡化在 Azure 上初始化 Kubernetes 群集的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務來擴展 ML 應用程式。

這種以講師為主導的台北現場培訓（現場或遠端）面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 個容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優併為工作負載提供服務。

Machine Learning 是人工智慧的一個分支，其中計算機具有無需明確程式設計即可學習的能力。Python 是一種程式設計語言，以其清晰的語法和可讀性而聞名。它提供了一系列經過充分測試的優秀庫和技術，用於開發機器學習應用程式。

在這個以講師為主導的現場培訓中，參與者將學習如何應用機器學習技術和工具來解決銀行業的實際問題。

參與者首先學習關鍵原則，然後通過構建自己的機器學習模型並使用它們完成一些團隊專案，將他們的知識付諸實踐。

觀眾

• 開發人員
• 數據科學家

課程形式

• 部分講座，部分討論，練習和大量的實踐練習

This instructor-led, live training in 台北 (online or onsite) is aimed at technical persons who wish to learn how to implement a machine learning strategy while maximizing the use of big data.

By the end of this training, participants will:

• Understand the evolution and trends for machine learning.
• Know how machine learning is being used across different industries.
• Become familiar with the tools, skills and services available to implement machine learning within an organization.
• Understand how machine learning can be used to enhance data mining and analysis.
• Learn what a data middle backend is, and how it is being used by businesses.
• Understand the role that big data and intelligent applications are playing across industries.

本培訓課程面向希望爲其團隊應用機器學習的實際應用的人士。培訓不會深入技術細節，而是圍繞基本概念及其在業務/運營中的應用展開。

目標受衆

1. 投資者和AI企業家
2. 公司正在涉足AI領域的管理者和工程師
3. 業務分析師和投資者

機器學習是人工智慧的一個分支，其中計算機具有無需明確程式設計即可學習的能力。Python 是一種程式設計語言，以其清晰的語法和可讀性而聞名。它提供了一系列經過充分測試的優秀庫和技術，用於開發機器學習應用程式。

在這個以講師為主導的現場培訓中，參與者將學習如何應用機器學習技術和工具來解決金融行業的實際問題。

參與者首先學習關鍵原則，然後通過構建自己的機器學習模型並使用它們完成一些團隊專案，將他們的知識付諸實踐。

在培訓結束時，參與者將能夠：

• 了解機器學習中的基本概念
• 了解機器學習在金融中的應用和用途
• 使用機器學習開發自己的演算法交易策略 Python

觀眾

• 開發人員
• 數據科學家

課程形式

• 部分講座，部分討論，練習和大量的實踐練習

這種以講師為主導的現場培訓（現場或遠端）針對的是希望超越構建ML模型並優化ML模型創建，跟蹤和部署過程的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 MLflow 以及相關的 ML 庫和框架。
• 瞭解 ML 模型的可跟蹤性、可再現性和可部署性的重要性
• 將 ML 模型部署到不同的公有雲、平臺或本地伺服器。
• 擴展 ML 部署過程，以適應在專案上進行協作的多個使用者。
• 設置中央註冊表以試驗、複製和部署ML模型。

本培訓課程面向希望在實際應用中運用基本機器學習技術的人士。

受衆

數據科學家和統計學家，他們對機器學習有一定了解，並熟悉R編程。本課程的重點是數據/模型準備、執行、事後分析和可視化的實踐方面。目的是爲希望在工作中應用這些方法的參與者提供機器學習的實用介紹。

使用特定行業的示例，使培訓與受衆相關。

在這個由講師指導的現場培訓中，參與者將學習如何使用 iOS Machine Learning （ML） 技術堆棧，逐步完成 iOS 移動應用程式的創建和部署。

在本次培訓結束時，參與者將能夠：

• 創建能夠進行圖像處理、文本分析和語音辨識的行動應用程式
• Access 用於整合到 iOS 應用程式的預訓練 ML 模型
• 創建自定義 ML 模型
• 為 iOS 應用程式添加 Siri 語音支援
• 瞭解並使用 coreML、Vision、CoreGraphics 和 GamePlayKit 等框架
• 使用 Python、Keras、Caffee、Tensorflow、sci-kit learn、libsvm、Anaconda 和 Spyder 等語言和工具

觀眾

• 開發人員

課程形式

• 部分講座、部分討論、練習和大量動手實踐

本課程爲講師指導的（線上或線下）培訓，面向希望使用Google的ML Kit構建專爲移動設備優化的機器學習模型的開發者。

培訓結束後，學員將能夠：

• 設置必要的開發環境，開始爲移動apps開發機器學習功能。
• 使用ML Kit API將新的機器學習技術集成到Android和iOS apps中。
• 使用ML Kit SDK增強和優化現有apps，進行設備端處理和部署。

本課程由講師主導，提供台北的線上或線下培訓，面向中級商業和技術專業人士，旨在通過實際案例研究和實踐工具，應用機器學習技術解決現實商業挑戰。

培訓結束後，參與者將能夠：

• 瞭解機器學習如何融入現代人工智能系統和商業策略。
• 針對不同的商業問題，識別合適的機器學習方法。
• 爲機器學習任務預處理和轉換商業數據。
• 應用核心機器學習技術，如分類、迴歸、聚類和時間序列預測。
• 在商業決策的背景下，解釋和評估機器學習模型。
• 通過案例研究獲得實踐經驗，並將所學技術應用於實際場景。

本課程介紹機器學習方法在Robotics應用中的使用。

它廣泛概述了現有方法、動機以及在模式識別背景下的主要概念。

在簡短的理論背景介紹後，學員將使用開源軟件（通常是R）或其他流行軟件進行簡單的練習。

這項由講師指導的台北（線上或線下）培訓，針對中級數據分析師、開發人員或有志成為數據科學家的人士，旨在應用機器學習技術於Python中，以提取洞察、進行預測並自動化數據驅動的決策。

在本課程結束時，參與者將能夠：

• 理解並區分關鍵的機器學習範式。
• 探索數據預處理技術和模型評估指標。
• 應用機器學習算法解決實際數據問題。
• 使用Python庫和Jupyter筆記本進行實作開發。
• 構建用於預測、分類、推薦和聚類的模型。

Pattern Matching 是一種用於在圖像中定位指定模式的技術。它可用於確定捕獲的圖像中是否存在指定特徵，例如工廠生產線中缺陷產品上的預期標籤或元件的指定尺寸。它與 “Pattern Recognition” 的不同之處在於 “Pattern Recognition” （它根據更大的相關樣本集合識別一般模式），因為它具體指示我們正在尋找什麼，然後告訴我們預期的模式是否存在。

課程形式

• 本課程介紹了模式匹配領域中使用的方法、技術和演算法，因為它適用於 Machine Vision。

本課程爲講師指導的培訓，在台北（線上或線下）進行，面向希望使用隨機森林爲大型數據集構建機器學習算法的數據科學家和軟件工程師。

在本培訓結束時，參與者將能夠：

• 設置必要的開發環境，開始使用隨機森林構建機器學習模型。
• 瞭解隨機森林的優勢，以及如何應用它來解決分類和迴歸問題。
• 學習如何處理大型數據集，並解釋隨機森林中的多個決策樹。
• 通過調整超參數來評估和優化機器學習模型的性能。

RapidMiner 是一個開源數據科學軟體平臺，用於快速應用程式原型設計和開發。它包括用於數據準備、機器學習、深度學習、文本挖掘和預測分析的集成環境。 

在這個由講師指導的實時培訓中，參與者將學習如何使用 RapidMiner Studio 進行數據準備、機器學習和預測模型部署。 

在本次培訓結束時，參與者將能夠：

• 安裝與設定RapidMiner
• 使用 RapidMiner 準備和可視化數據
• 驗證機器學習模型
• 混搭數據並創建預測模型
• 在業務流程中實施預測分析
• 故障排除和優化 RapidMiner

觀眾

• 數據科學家
• 工程師
• 開發人員

課程形式

• 部分講座、部分討論、練習和大量動手實踐

注意

• 要申請本課程的定製培訓，請聯繫我們進行安排。