Introduction to AI in Semiconductor Manufacturing Eğitimi

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), örüntü tanıma ve makine öğrenimi alanına bir giriş sunar. İstatistik, bilgisayar bilimi, sinyal işleme, bilgisayar görüşü, veri madenciliği ve biyoinformatik alanlarındaki pratik uygulamalara değinir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Örüntü tanımaya temel istatistiksel yöntemleri uygulayabilecektir.
• Veri analizi için sinir ağları ve çekirdek yöntemleri gibi temel modelleri kullanabilecektir.
• Karmaşık problem çözme için gelişmiş teknikleri uygulayabilecektir.
• Farklı modelleri birleştirerek tahmin doğruluğunu artırabilecektir.

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), 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 (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.

Pattern Matching, bir görüntü içinde belirtilen kalıpları bulmak için kullanılan bir tekniktir. Örneğin, bir fabrikadaki hatalı ürün üzerindeki beklenen etiketi veya bir bileşenin belirtilen boyutlarını belirlemek gibi, yakalanan bir görüntü içinde belirli özelliklerin varlığını belirlemek için kullanılabilir. Pattern Recognition'ten (daha büyük ilgili örnekler koleksiyonuna dayalı genel kalıpları tanıyan) farklı olarak, özellikle ne aradığımızı belirtir ve ardından beklenen kalıbın mevcut olup olmadığını bize bildirir.

Kurs Formatı

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), üretim verimliliğini artırmak ve beklenmedik ekipman arızalarını azaltmak amacıyla yarı iletken üretiminde yapay zeka güdümlü öngörülü bakım tekniklerini uygulamak isteyen orta düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yarı iletken üretiminde ekipman arızalarını tahmin etmek için yapay zeka modellerini uygulayın.
• Olası sorunları gösteren kalıpları ve eğilimleri belirlemek için bakım verilerini analiz edin.
• Yapay zeka güdümlü öngörülü bakımı mevcut üretim iş akışlarına entegre edin.
• Proaktif ekipman yönetimi yoluyla duruş süresini ve bakım maliyetlerini azaltın.

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.