Kursus Pelatihan Pengenalan Model yang Telah Dilatih
Model yang telah dilatih sebelumnya merupakan landasan AI modern, yang menawarkan kemampuan yang telah dibangun sebelumnya yang dapat diadaptasi untuk berbagai aplikasi. Kursus ini memperkenalkan peserta pada dasar-dasar model yang telah dilatih sebelumnya, arsitekturnya, dan kasus penggunaan praktisnya. Peserta akan mempelajari cara memanfaatkan model ini untuk tugas-tugas seperti klasifikasi teks, pengenalan gambar, dan banyak lagi.
Pelatihan langsung yang dipandu instruktur ini (online atau di tempat) ditujukan untuk profesional tingkat pemula yang ingin memahami konsep model terlatih dan mempelajari cara menerapkannya untuk memecahkan masalah dunia nyata tanpa membangun model dari awal.
Pada akhir pelatihan ini, peserta akan dapat:
- Memahami konsep dan manfaat model pra-terlatih.
- Jelajahi berbagai arsitektur model pra-terlatih dan kasus penggunaannya.
- Menyempurnakan model yang telah dilatih sebelumnya untuk tugas-tugas tertentu.
- Menerapkan model yang telah dilatih sebelumnya dalam proyek pembelajaran mesin sederhana.
Format Kursus
- Kuliah dan diskusi interaktif.
- Banyak latihan dan praktik.
- Implementasi langsung di lingkungan lab langsung.
Opsi Kustomisasi Kursus
- Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.
Kerangka Materi
Introduction to Pre-trained Models
- Apa itu model pra-terlatih?
- Manfaat menggunakan model yang telah dilatih sebelumnya
- Tinjauan umum model pra-latihan yang populer (misalnya, BERT, ResNet)
Memahami Arsitektur Model yang Telah Dilatih Sebelumnya
- Dasar-dasar arsitektur model
- Pembelajaran transfer dan penyempurnaan konsep
- Bagaimana model pra-terlatih dibangun dan dilatih
Menyiapkan Lingkungan
- Menginstal dan mengkonfigurasi Python dan pustaka terkait
- Menjelajahi repositori model yang telah dilatih sebelumnya (misalnya, Hugging Face)
- Memuat dan menguji model yang telah dilatih sebelumnya
Praktik Langsung dengan Model yang Telah Dilatih
- Menggunakan model terlatih untuk klasifikasi teks
- Menerapkan model pra-terlatih ke tugas pengenalan gambar
- Menyempurnakan model pra-latihan untuk kumpulan data khusus
Menyebarkan Model yang Telah Dilatih Sebelumnya
- Mengekspor dan menyimpan model yang telah disesuaikan
- Mengintegrasikan model ke dalam aplikasi
- Dasar-dasar penerapan model dalam produksi
Tantangan dan Praktik Terbaik
- Memahami keterbatasan model
- Menghindari overfitting selama fine-tuning
- Memastikan penggunaan model AI yang etis
Tren Masa Depan dalam Model Pra-Pelatihan
- Arsitektur yang muncul dan aplikasinya
- Kemajuan dalam pembelajaran transfer
- Menjelajahi model bahasa besar dan model multimodal
Ringkasan dan Langkah Berikutnya
Persyaratan
- Pemahaman dasar tentang konsep pembelajaran mesin
- Keakraban dengan Python pemrograman
- Pengetahuan dasar penanganan data menggunakan library seperti Pandas
Hadirin
- Ilmuwan data
- Penggemar AI
Kursus Pelatihan Terbuka membutuhkan minimal 5 peserta.
Kursus Pelatihan Pengenalan Model yang Telah Dilatih - Pemesanan
Kursus Pelatihan Pengenalan Model yang Telah Dilatih - Penyelidikan
Kursus Mendatang
Kursus Terkait
AdaBoost Python untuk Machine Learning
14 JamPelatihan ini yang dipimpin oleh instruktur secara langsung (online atau tatap muka) ditujukan untuk ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan AdaBoost untuk membangun algoritma boosting untuk machine learning dengan Python.
Di akhir pelatihan ini, peserta akan mampu untuk:
- Mengatur lingkungan pengembangan yang diperlukan untuk memulai membangun model machine learning dengan AdaBoost.
- Memahami pendekatan ensemble learning dan bagaimana untuk menerapkan adaptive boosting.
- Belajar bagaimana untuk membangun model AdaBoost untuk mempromosikan algoritma machine learning di Python.
- Menggunakan hyperparameter tuning untuk meningkatkan akurasi dan kinerja model AdaBoost.
AlphaFold: Prediksi dan Interpretasi Struktur Protein Berbasis AI
7 JamPelatihan langsung yang dipandu oleh instruktur ini Indonesia (online langsung atau pelatihan langsung tatap muka) ditujukan bagi para biologiwan yang ingin memahami cara kerja AlphaFold dan menggunakan model AlphaFold sebagai panduan dalam studi eksperimen mereka.
Di akhir pelatihan ini, peserta akan mampu:
- Memahami prinsip-prinsip dasar AlphaFold.
- Mengetahui cara kerja AlphaFold.
- Mengetahui cara menginterpretasikan prediksi dan hasil AlphaFold.
Anaconda Ecosystem for Data Scientists
14 JamPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data yang ingin menggunakan ekosistem Anaconda untuk menangkap, mengelola, dan menyebarkan paket dan alur kerja analisis data dalam satu platform.
Pada akhir pelatihan ini, peserta akan dapat:
- Instal dan konfigurasikan Anaconda komponen dan pustaka.
- Memahami konsep inti, fitur, dan manfaat Anaconda.
- Kelola paket, lingkungan, dan saluran menggunakan Anaconda Navigator.
- Gunakan paket Conda, R, dan Python untuk ilmu data dan pembelajaran mesin.
- Ketahui beberapa kasus penggunaan praktis dan teknik untuk mengelola berbagai lingkungan data.
Membuat Chatbot Kustom dengan Google AutoML
14 JamPelatihan 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.
Pengenalan Pola
21 JamPelatihan langsung oleh instruktur di Indonesia (online atau di tempat) ini memberikan pengenalan ke bidang pengenalan pola dan pembelajaran mesin. Topik ini meliputi aplikasi praktis dalam statistik, ilmu komputer, pemrosesan sinyal, penglihatan komputer, penambangan data, dan bioinformatika.
Selesai mengikuti pelatihan ini, peserta akan dapat:
- Menerapkan metode statistik dasar ke dalam pengenalan pola.
- Menggunakan model kunci seperti jaringan saraf dan metode kernel untuk analisis data.
- Menyelenggarakan teknik lanjutan untuk penyelesaian masalah kompleks.
- Meningkatkan akurasi prediksi dengan menggabungkan berbagai model.
DataRobot
7 JamPelatihan 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.
Edge AI dengan TensorFlow Lite
14 JamPelatihan ini yang dibimbing oleh instruktur secara langsung (online atau tatap muka) ditujukan untuk pengembang, ilmuwan data, dan praktisi AI tingkat menengah yang ingin memanfaatkan TensorFlow Lite untuk aplikasi Edge AI.
Dengan pelatihan ini, peserta akan dapat:
- Memahami dasar-dasar TensorFlow Lite dan perannya dalam Edge AI.
- Mengembangkan dan mengoptimalkan model AI menggunakan TensorFlow Lite.
- Menyebarkan model TensorFlow Lite pada berbagai perangkat edge.
- Menggunakan alat dan teknik untuk konversi dan optimasi model.
- Mengimplementasikan aplikasi Edge AI praktis menggunakan TensorFlow Lite.
Google Cloud AutoML
7 JamPelatihan 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.
Kaggle
14 JamPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan pengembang yang ingin belajar dan membangun karier mereka di Data Science menggunakan Kaggle.
Pada akhir pelatihan ini, peserta akan dapat:
- Pelajari tentang ilmu data dan pembelajaran mesin.
- Jelajahi analitik data.
- Pelajari tentang Kaggle dan cara kerjanya.
Kubeflow Essentials: Build, Train & Serve with Kubernetes
14 JamKubeflow adalah platform open-source yang dirancang untuk mempermudah pembuatan, pelatihan, dan penyebaran beban kerja machine learning di Kubernetes.
Pelatihan ini dipandu oleh instruktur (online atau tatap muka) ditujukan bagi profesional tingkat pemula hingga menengah yang ingin membangun alur kerja ML yang handal menggunakan Kubeflow.
Setelah selesai pelatihan ini, peserta akan mendapatkan keterampilan untuk:
- Menavigasi ekosistem dan komponen inti Kubeflow.
- Membuat alur kerja yang dapat direproduksi dengan Kubeflow Pipelines.
- Menjalankan pekerjaan pelatihan skalabel di Kubernetes.
- Menyajikan model machine learning secara efisien menggunakan Kubeflow Serving.
Format Pelatihan
- Penyajian yang dipandu dan diskusi kolaboratif.
- Latihan praktik dengan komponen Kubeflow asli.
- Latihan praktis untuk membangun alur kerja ML end-to-end.
Opsi Penyesuaian Pelatihan
- Versi yang disesuaikan dari pelatihan ini dapat diatur untuk sesuai dengan tumpukan teknologi dan persyaratan proyek tim Anda.
Kubeflow Fundamentals
28 JamPelatihan 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.
- 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.
Machine Learning untuk Aplikasi Mobile Menggunakan Google’s ML Kit
14 JamPelatihan ini dipimpin instruktur, langsung (online atau tatap muka), dan ditujukan untuk para pengembang yang ingin menggunakan Google’s ML Kit untuk membangun model pemodelan mesin yang teroptimasi untuk pemrosesan pada perangkat seluler.
Di akhir pelatihan ini, peserta akan mampu:
- Mengatur lingkungan pengembangan yang diperlukan untuk memulai pengembangan fitur pemodelan mesin untuk aplikasi seluler.
- Mengintegrasikan teknologi pemodelan mesin baru ke dalam aplikasi Android dan iOS menggunakan API ML Kit.
- Meningkatkan dan mengoptimalkan aplikasi yang ada menggunakan SDK ML Kit untuk pemrosesan dan peluncuran di perangkat.
Machine Learning dengan Random Forest
14 JamPelatihan langsung yang dipandu instruktur di Indonesia (online atau tatap muka) ini ditujukan bagi para ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan Random Forest untuk membangun algoritma machine learning pada dataset besar.
Pada akhir pelatihan ini, peserta akan dapat:
- Menyiapkan lingkungan pengembangan yang diperlukan untuk memulai pembuatan model machine learning dengan Random Forest.
- Memahami keunggulan Random Forest dan cara mengimplementasikannya untuk menyelesaikan masalah klasifikasi dan regresi.
- Belajar cara menangani dataset besar dan menafsirkan beberapa pohon keputusan dalam Random Forest.
- Menilai dan mengoptimalkan kinerja model machine learning dengan menyesuaikan hyperparameter.
Pelatihan Analitik Lanjut dengan RapidMiner
14 JamPelatihan 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.
GPU Data Science dengan NVIDIA RAPIDS
14 JamPelatihan ini yang dilaksanakan oleh instruktur dalam format Indonesia (pelatihan online langsung atau pelatihan langsung tatap muka) ditujukan untuk ilmuwan data dan pengembang yang ingin menggunakan RAPIDS untuk membangun pipa data, workflow, dan visualisasi yang dioptimalkan dengan GPU, menerapkan algoritma machine learning seperti XGBoost, cuML, dan lain-lain.
Setelah menyelesaikan pelatihan ini, peserta akan mampu untuk:
- Menyiapkan lingkungan pengembangan yang diperlukan untuk membangun model data dengan NVIDIA RAPIDS.
- Memahami fitur, komponen, dan keunggulan RAPIDS.
- Menggunakan GPU untuk mempercepat pipa data dan analitik end-to-end.
- Mengimplementasikan persiapan data dan ETL yang dioptimalkan dengan GPU dengan cuDF dan Apache Arrow.
- Belajar mengelola tugas machine learning dengan algoritma XGBoost dan cuML.
- Membangun visualisasi data dan menjalankan analisis grafik dengan cuXfilter dan cuGraph.
