Apache Airflow for Data Science: Automating Machine Learning Pipelines Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), makine öğrenimi için Python ile güçlendirme algoritmaları oluşturmak isteyen veri bilimcileri ve yazılım mühendislerini hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Makine öğrenimi modelleri oluşturmaya başlamak için gerekli geliştirme ortamını kurmak AdaBoost.
• Topluluk öğrenimi yaklaşımını ve uyarlanabilir güçlendirmeyi nasıl uygulayacağınızı anlamak.
• Python içinde makine öğrenimi algoritmalarını güçlendirmek için AdaBoost modelleri oluşturmayı öğrenmek.
• AdaBoost modellerinin doğruluğunu ve performansını artırmak için hiperparametre ayarlamayı kullanmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), paketleri ve veri analizi iş akışlarını tek bir platformda yakalamak, yönetmek ve dağıtmak için Anaconda ekosistemini kullanmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Anaconda bileşenlerini ve kütüphanelerini kurmak ve yapılandırmak.
• Anaconda'ün temel kavramlarını, özelliklerini ve faydalarını anlamak.
• Anaconda Navigator kullanarak paketleri, ortamları ve kanalları yönetmek.
• Veri bilimi ve makine öğrenimi için Conda, R ve Python paketlerini kullanmak.
• Çoklu veri ortamlarını yönetmek için bazı pratik kullanım durumlarını ve teknikleri öğrenmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), veri bilimcilerine ve makine öğrenimi modelini seçme ve optimize etme sürecini otomatikleştirmek isteyen daha az teknik kişilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Son derece verimli makine öğrenimi modellerini eğitme sürecini otomatikleştirin.
• Derin öğrenme modelleri için en iyi parametreleri otomatik olarak arayın.
• Son derece doğru makine öğrenimi modelleri oluşturun.
• Makine öğreniminin gücünü gerçek dünya iş sorunlarını çözmek için kullanın.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), büyük verilerde karmaşık kalıpları tespit etmek için kullanılan makine öğrenimi modellerini optimize etmek isteyen makine öğrenimi geçmişine sahip teknik kişiler için tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli açık kaynaklı AutoML araçları (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, vb.) kurmak ve değerlendirmek.
• Yüksek kaliteli makine öğrenimi modelleri eğitmek.
• Farklı türdeki denetimli makine öğrenimi problemlerini verimli bir şekilde çözmek.
• Otomatik makine öğrenimi sürecini başlatmak için yalnızca gerekli kodu yazmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Google'nın AutoML platformunu kullanarak çeşitli uygulamalar için özelleştirilmiş sohbet robotları oluşturmak isteyen farklı uzmanlık seviyelerindeki katılımcılara yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sohbet robotu geliştirmenin temellerini anlayabilecektir.
• Google Bulut Platformunda gezinebilecek ve AutoML'ya erişebilecektir.
• Sohbet robotu modellerini eğitmek için verileri hazırlayabilecektir.
• AutoML kullanarak özel sohbet robotu modellerini eğitebilecek ve değerlendirebilecektir.
• Sohbet robotlarını çeşitli platformlara ve kanallara dağıtabilecek ve entegre edebilecektir.
• Sohbet robotu performansını zaman içinde izleyebilecek ve optimize edebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), DataRobot'in makine öğrenimi yeteneklerini kullanarak tahmin modellerini otomatikleştirmek, değerlendirmek ve yönetmek isteyen veri bilimcileri ve veri analistlerini hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri kümelerini DataRobot içine yükleyerek verileri analiz etmek, değerlendirmek ve kalite kontrolünden geçirmek.
• Önemli değişkenleri belirlemek ve tahmin hedeflerine ulaşmak için modeller oluşturmak ve eğitmek.
• İş kararlarında faydalı olabilecek değerli bilgiler oluşturmak için modelleri yorumlamak.
• Optimize edilmiş bir tahmin performansı sağlamak için modelleri izlemek ve yönetmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), veri madenciliği görevlerini gerçekleştirmek için Weka'i kullanmak isteyen başlangıç ​​seviyesinden orta seviyeye kadar veri analistleri ve veri bilimcileri için tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Weka'i kurmak ve yapılandırmak.
• Weka ortamını ve iş tezgahını anlamak.
• Weka kullanarak veri madenciliği görevlerini gerçekleştirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), özel ML eğitim modelleri oluşturmak ve dağıtmak isteyen veri bilimcileri, veri analistlerini ve geliştiricileri hedeflemektedir. Minimum çabayla AutoML ürünleri ve özelliklerini keşfetmeyi amaçlamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli veri türleri için farklı hizmetleri uygulamak üzere AutoML ürün yelpazesini keşfedebilecekler.
• Özel ML modelleri oluşturmak için veri kümelerini hazırlayabilecek ve etiketleyebilecekler.
• Doğru ve adil makine öğrenimi modelleri üretmek için modelleri eğitebilecek ve yönetebilecekler.
• İşletme hedeflerine ve ihtiyaçlarına ulaşmak için eğitilmiş modeller kullanarak Make tahminlerde bulunabilecekler.

Bu eğitmen liderliğindeki, canlı eğitim (online veya yerinde), Data Science kullanarak kariyerlerini geliştirmek isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri bilimi ve makine öğrenimi hakkında bilgi edinin.
• Veri analitiğini keşfedin.
• Kaggle hakkında bilgi edinin ve nasıl çalıştığını öğrenin.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), mobil cihazlarda işlenmek üzere optimize edilmiş makine öğrenimi modelleri oluşturmak için Google'ün ML Kit'ünü kullanmak isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Mobil uygulamalar için makine öğrenimi özellikleri geliştirmeye başlamak için gerekli geliştirme ortamını kurmak.
• Android ve iOS uygulamalarına ML Kit API'lerini kullanarak yeni makine öğrenimi teknolojilerini entegre etmek.
• Cihaz üzerinde işleme ve dağıtım için ML Kit SDK'sını kullanarak mevcut uygulamaları geliştirmek ve optimize etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), daha hızlı veri analizi için Pandas ile paralel hesaplamalar oluşturmak ve uygulamak isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Modin ile ölçeklenebilir Pandas iş akışlarını geliştirmek için gerekli ortamı kurmak.
• Modin'in özelliklerini, mimarisini ve avantajlarını anlamak.
• Modin, Dask ve Ray arasındaki farkları bilmek.
• Modin ile Pandas işlemlerini daha hızlı gerçekleştirmek.
• Tüm Pandas API'sini ve işlevlerini uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), büyük veri kümeleri için makine öğrenimi algoritmaları oluşturmak isteyen veri bilimcileri ve yazılım mühendislerini hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Random forest ile makine öğrenimi modelleri oluşturmaya başlamak için gerekli geliştirme ortamını kurmak.
• Random Forest'ün avantajlarını anlamak ve sınıflandırma ve regresyon problemlerini çözmek için bunu nasıl uygulayacağınızı öğrenmek.
• Random Forest içinde büyük veri kümelerini nasıl ele alacağınızı ve çoklu karar ağaçlarını nasıl yorumlayacağınızı öğrenmek.
• Hiperparametreleri ayarlayarak makine öğrenimi modelinin performansını değerlendirmek ve optimize etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), değerleri tahmin ve projeksiyon yapmak ve zaman serisi tahmini için analitik araçlar kullanmak isteyen orta düzey veri analistlerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• CRISP-DM metodolojisini uygulamayı, uygun makine öğrenimi algoritmalarını seçmeyi ve model oluşturmayı ve performansını iyileştirmeyi öğreneceklerdir.
• RapidMiner kullanarak değerleri tahmin ve projeksiyon yapabilecek ve zaman serisi tahmini için analitik araçlar kullanabileceklerdir.

RapidMiner, hızlı uygulama prototipleme ve geliştirme için açık kaynaklı bir veri bilimi yazılım platformudur. Veri hazırlama, makine öğrenimi, derin öğrenme, metin madenciliği ve tahmine dayalı analiz için entegre bir ortam içerir.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, veri hazırlama, makine öğrenimi ve tahmine dayalı model dağıtımı için RapidMiner Studio'nun nasıl kullanılacağını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• RapidMiner'ü kurmak ve yapılandırmak
• RapidMiner ile veri hazırlamak ve görselleştirmek
• Makine öğrenimi modellerini doğrulamak
• Verileri birleştirmek ve tahmine dayalı modeller oluşturmak
• Tahmine dayalı analitiği bir iş sürecine dahil etmek
• RapidMiner'ü sorun gidermek ve optimize etmek

Hedef Kitle

• Veri bilimcileri
• Mühendisler
• Geliştiriciler

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Not

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek ayarlama yapınız.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), RAPIDS kullanarak GPU hızlandırılmış veri işlem hatları, iş akışları ve görselleştirmeler oluşturmak isteyen veri bilimcileri ve geliştiricilere yöneliktir; XGBoost, cuML gibi makine öğrenimi algoritmalarını uygulayarak.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NVIDIA RAPIDS ile veri modelleri oluşturmak için gerekli geliştirme ortamını kurmak.
• RAPIDS’nin özelliklerini, bileşenlerini ve avantajlarını anlamak.
• Uçtan uca veri ve analiz işlem hatlarını hızlandırmak için GPU’ları kullanmak.
• cuDF ve Apache Arrow ile GPU hızlandırılmış veri hazırlama ve ETL uygulamak.
• XGBoost ve cuML algoritmalarıyla makine öğrenimi görevlerini nasıl gerçekleştireceğini öğrenmek.
• cuXfilter ve cuGraph ile veri görselleştirmeleri oluşturmak ve grafik analizi yapmak.