Building AI Solutions on the Edge Training Course

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan AdaBoost untuk membangun algoritma peningkatan untuk pembelajaran mesin dengan Python.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai membangun model pembelajaran mesin dengan AdaBoost.
• Memahami pendekatan pembelajaran ensemble dan cara menerapkan peningkatan adaptif.
• Pelajari cara membuat model AdaBoost untuk meningkatkan algoritma pembelajaran mesin di Python.
• Gunakan penyetelan hiperparameter untuk meningkatkan akurasi dan kinerja model AdaBoost.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data serta orang-orang yang kurang teknis yang ingin menggunakan Auto-Keras untuk mengotomatiskan proses pemilihan dan pengoptimalan model pembelajaran mesin.

Pada akhir pelatihan ini, peserta akan dapat:

• Otomatisasi proses pelatihan model pembelajaran mesin yang sangat efisien.
• Secara otomatis mencari parameter terbaik untuk model pembelajaran mendalam.
• Membangun model pembelajaran mesin yang sangat akurat.
• Gunakan kekuatan pembelajaran mesin untuk memecahkan masalah bisnis di dunia nyata.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk orang-orang teknis dengan latar belakang pembelajaran mesin yang ingin mengoptimalkan model pembelajaran mesin yang digunakan untuk mendeteksi pola-pola kompleks dalam data besar.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan evaluasi berbagai alat sumber terbuka AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, dll.)
• Melatih model pembelajaran mesin berkualitas tinggi.
• Memecahkan berbagai jenis masalah pembelajaran mesin yang diawasi secara efisien.
• Tulis kode yang diperlukan saja untuk memulai proses pembelajaran mesin otomatis.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk peserta dengan berbagai tingkat keahlian yang ingin memanfaatkan platform Google AutoML untuk membuat chatbot yang disesuaikan untuk berbagai aplikasi.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar pengembangan chatbot.
• Navigasikan Google Cloud Platform dan akses AutoML.
• Siapkan data untuk melatih model chatbot.
• Latih dan evaluasi model chatbot khusus menggunakan AutoML.
• Terapkan dan integrasikan chatbot ke berbagai platform dan saluran.
• Pantau dan optimalkan kinerja chatbot dari waktu ke waktu.

This instructor-led, live training in Indonesia (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.

By the end of this training, participants will be able to:

• Apply core statistical methods to pattern recognition.
• Use key models like neural networks and kernel methods for data analysis.
• Implement advanced techniques for complex problem-solving.
• Improve prediction accuracy by combining different models.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan analis data yang ingin mengotomatiskan, mengevaluasi, dan mengelola model prediktif menggunakan kemampuan pembelajaran mesin DataRobot.

Pada akhir pelatihan ini, peserta akan dapat:

• Muat kumpulan data dalam DataRobot untuk menganalisis, menilai, dan memeriksa kualitas data.
• Bangun dan latih model untuk mengidentifikasi variabel penting dan memenuhi target prediksi.
• Menafsirkan model untuk menciptakan wawasan berharga yang berguna dalam pengambilan keputusan bisnis.
• Pantau dan kelola model untuk mempertahankan kinerja prediksi yang optimal.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk analis data dan ilmuwan data tingkat pemula hingga menengah yang ingin menggunakan Weka untuk melakukan tugas penambangan data.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Weka.
• Memahami lingkungan dan meja kerja Weka.
• Lakukan tugas penambangan data menggunakan Weka.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data, analis data, dan pengembang yang ingin menjelajahi AutoML produk dan fitur untuk membuat dan menerapkan model pelatihan ML khusus dengan upaya minimal.

Pada akhir pelatihan ini, peserta akan dapat:

• Jelajahi lini produk AutoML untuk menerapkan berbagai layanan untuk berbagai tipe data.
• Siapkan dan beri label kumpulan data untuk membuat model ML khusus.
• Melatih dan mengelola model untuk menghasilkan model pembelajaran mesin yang akurat dan adil.
• Buat prediksi menggunakan model terlatih untuk memenuhi tujuan dan kebutuhan bisnis.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang dan ilmuwan data yang ingin membangun, menerapkan, dan mengelola alur kerja pembelajaran mesin di Kubernetes.

Pada akhir pelatihan ini, peserta akan mampu:

• Instal dan konfigurasikan Kubeflow di lokasi dan di cloud menggunakan AWS EKS (Layanan Elastis Kubernetes).
• Bangun, terapkan, dan kelola alur kerja ML berdasarkan Docker container dan Kubernetes.
• Jalankan seluruh alur pembelajaran mesin pada beragam arsitektur dan lingkungan cloud.
• Menggunakan Kubeflow untuk menelurkan dan mengelola notebook Jupyter.
• Bangun pelatihan ML, penyesuaian hyperparameter, dan penyajian beban kerja di berbagai platform.

Pelatihan langsung yang dipimpin instruktur (online atau di lokasi) ini ditujukan untuk data scientist yang ingin melakukan lebih dari sekadar membuat model ML dan mengoptimalkan proses pembuatan, pelacakan, dan penerapan model ML.

Pada akhir pelatihan ini, peserta akan mampu:

• Instal dan konfigurasikan MLflow serta pustaka dan kerangka kerja ML terkait.
• Menghargai pentingnya keterlacakan, kemampuan reproduksi, dan kemampuan penerapan model ML
• Terapkan model ML ke cloud publik, platform, atau server lokal yang berbeda.
• Skalakan proses penerapan ML untuk mengakomodasi banyak pengguna yang berkolaborasi dalam sebuah proyek.
• Siapkan registri pusat untuk bereksperimen, mereproduksi, dan menerapkan model ML.

Pelatihan langsung yang dipimpin instruktur ini (online atau di tempat) ditujukan untuk pengembang yang ingin menggunakan Google ML Kit untuk membangun model pembelajaran mesin yang dioptimalkan untuk pemrosesan pada perangkat seluler.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai mengembangkan fitur pembelajaran mesin untuk aplikasi seluler.
• Integrasikan teknologi pembelajaran mesin baru ke dalam aplikasi Android dan iOS menggunakan API ML Kit.
• Tingkatkan dan optimalkan aplikasi yang ada menggunakan SDK ML Kit untuk pemrosesan dan penerapan pada perangkat.

Pattern Matching adalah teknik yang digunakan untuk menemukan pola tertentu dalam sebuah gambar. Teknik ini dapat digunakan untuk menentukan keberadaan karakteristik tertentu dalam gambar yang diambil, misalnya label yang diharapkan pada produk cacat di jalur produksi pabrik atau dimensi komponen tertentu. Teknik ini berbeda dari "Pattern Recognition" (yang mengenali pola umum berdasarkan kumpulan sampel terkait yang lebih besar) karena teknik ini secara spesifik mendiktekan apa yang kita cari, lalu memberi tahu kita apakah pola yang diharapkan itu ada atau tidak.

Format Kursus

• Kursus ini memperkenalkan pendekatan, teknologi, dan algoritma yang digunakan dalam bidang pencocokan pola sebagaimana diterapkan pada Machine Vision.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan Random Forest untuk membangun algoritma pembelajaran mesin untuk kumpulan data besar.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan pengembangan yang diperlukan untuk mulai membangun model pembelajaran mesin dengan Hutan Acak.
• Memahami keuntungan Random Forest dan cara mengimplementasikannya untuk menyelesaikan masalah klasifikasi dan regresi.
• Pelajari cara menangani kumpulan data besar dan menafsirkan beberapa pohon keputusan di Random Forest.
• Mengevaluasi dan mengoptimalkan kinerja model pembelajaran mesin dengan menyetel hiperparameter.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk analis data tingkat menengah yang ingin mempelajari cara menggunakan RapidMiner untuk memperkirakan dan memproyeksikan nilai dan memanfaatkan alat analitis untuk peramalan deret waktu.

Pada akhir pelatihan ini, peserta akan dapat:

• Pelajari cara menerapkan metodologi CRISP-DM, pilih algoritma pembelajaran mesin yang tepat, dan tingkatkan konstruksi dan kinerja model.
• Gunakan RapidMiner untuk memperkirakan dan memproyeksikan nilai, dan memanfaatkan alat analitis untuk peramalan deret waktu.

RapidMiner adalah platform perangkat lunak ilmu data sumber terbuka untuk pembuatan prototipe dan pengembangan aplikasi yang cepat. Platform ini mencakup lingkungan terintegrasi untuk persiapan data, pembelajaran mesin, pembelajaran mendalam, penambangan teks, dan analisis prediktif.

Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan RapidMiner Studio untuk persiapan data, pembelajaran mesin, dan penerapan model prediktif.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan RapidMiner
• Siapkan dan visualisasikan data dengan RapidMiner
• Validasi model pembelajaran mesin
• Gabungkan data dan buat model prediktif
• Mengoperasionalkan analitik prediktif dalam proses bisnis
• Pecahkan masalah dan optimalkan RapidMiner

Hadirin

• Ilmuwan data
• Insinyur
• Pengembang

Format Kursus

• Sebagian kuliah, sebagian diskusi, latihan dan praktik langsung yang berat

Catatan

• Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.