Cursos de AI-Enhanced Yield Management in Semiconductor Production

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a cientistas de dados e analistas de dados que desejam automatizar, avaliar e gerenciar modelos preditivos usando os recursos de aprendizado de máquina da DataRobot.

No final deste treinamento, os participantes serão capazes de:

• Carregar conjuntos de dados em DataRobot para analisar, avaliar e verificar a qualidade dos dados.
• Construir e treinar modelos para identificar variáveis importantes e atingir metas de previsão.
• Interpretar modelos para criar insights valiosos que são úteis na tomada de decisões de negócios.
• Monitorizar e gerir modelos para manter um desempenho de previsão optimizado.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a cientistas de dados, bem como a pessoas menos técnicas que desejam usar Auto-Keras para automatizar o processo de seleção e otimização de um modelo de aprendizado de máquina.

No final deste treinamento, os participantes serão capazes de:

• Automatizar o processo de treinamento de modelos de aprendizado de máquina altamente eficientes.
• Procurar automaticamente os melhores parâmetros para modelos de aprendizagem profunda.
• Crie modelos de aprendizado de máquina altamente precisos.
• Use o poder do aprendizado de máquina para resolver problemas de negócios do mundo real.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a cientistas de dados e engenheiros de software que desejam usar AdaBoost para criar algoritmos de reforço para aprendizado de máquina com Python.

No final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a construir modelos de aprendizado de máquina com AdaBoost.
• Compreender a abordagem de aprendizagem de conjunto e como implementar o reforço adaptativo.
• Aprender a construir modelos AdaBoost para impulsionar algoritmos de aprendizado de máquina em Python.
• Utilizar a afinação de hiperparâmetros para aumentar a precisão e o desempenho dos modelos AdaBoost.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a cientistas de dados e engenheiros de software que desejam usar Random Forest para criar algoritmos de aprendizado de máquina para grandes conjuntos de dados.

No final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a construir modelos de aprendizado de máquina com Random forest.
• Compreender as vantagens de Random Forest e como implementá-lo para resolver problemas de classificação e regressão.
• Aprender a lidar com grandes conjuntos de dados e a interpretar múltiplas árvores de decisão em Random Forest.
• Avaliar e otimizar o desempenho do modelo de aprendizagem automática através da afinação dos hiperparâmetros.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a analistas de dados de nível iniciante a intermediário e cientistas de dados que desejam usar Weka para executar tarefas de mineração de dados.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Weka.
• Compreender o ambiente e o workbench do Weka.
• Executar tarefas de mineração de dados usando Weka.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a desenvolvedores que desejam usar o Go ogle ML Kit para criar modelos de aprendizado de máquina otimizados para processamento em dispositivos móveis.

No final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a desenvolver recursos de aprendizado de máquina para aplicativos móveis.
• Integrar novas tecnologias de aprendizado de máquina em aplicativos Android e iOS usando as APIs ML Kit.
• Melhorar e otimizar as aplicações existentes utilizando o ML Kit SDK para processamento e implementação no dispositivo.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a pessoas técnicas com experiência em aprendizado de máquina que desejam otimizar os modelos de aprendizado de máquina usados para detetar padrões complexos em big data.

No final deste treinamento, os participantes serão capazes de:

• Instalar e avaliar várias ferramentas de código aberto AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, etc.)
• Treinar modelos de aprendizagem automática de alta qualidade.
• Resolver eficazmente diferentes tipos de problemas de aprendizagem automática supervisionada.
• Escrever apenas o código necessário para iniciar o processo de aprendizagem automática de máquinas.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a participantes com diferentes níveis de experiência que desejam aproveitar a plataforma Go ogle AutoML para criar chatbots personalizados para vários aplicativos.

No final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos do desenvolvimento do chatbot.
• Navegar na Google Cloud Platform e acessar AutoML.
• Prepare dados para treinar modelos de chatbot.
• Treinar e avaliar modelos de chatbot personalizados usando AutoML.
• Implementar e integrar chatbots em várias plataformas e canais.
• Monitorizar e otimizar o desempenho do chatbot ao longo do tempo.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a cientistas de dados, analistas de dados e desenvolvedores que desejam explorar AutoML produtos e recursos para criar e implantar modelos de treinamento de ML personalizados com o mínimo de esforço.

No final deste treinamento, os participantes serão capazes de:

• Explorar a linha de produtos AutoML para implementar diferentes serviços para vários tipos de dados.
• Preparar e rotular conjuntos de dados para criar modelos ML personalizados.
• Treinar e gerenciar modelos para produzir modelos de aprendizado de máquina precisos e justos.
• Fazer previsões usando modelos treinados para atender aos objetivos e necessidades de negócios.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a analistas de dados de nível intermediário que desejam aprender como usar RapidMiner para estimar e projetar valores e utilizar ferramentas analíticas para previsão de séries temporais.

No final desta formação, os participantes serão capazes de:

• Aprender a aplicar a metodologia CRISP-DM, selecionar algoritmos de aprendizagem automática adequados e melhorar a construção e o desempenho do modelo.
• Utilizar RapidMiner para estimar e projetar valores, e utilizar ferramentas analíticas para a previsão de séries temporais.

RapidMiner é uma plataforma de software de ciência de dados de fonte aberta para prototipagem e desenvolvimento rápidos de aplicações. Ele inclui um ambiente integrado para preparação de dados, aprendizado de máquina, aprendizado profundo, mineração de texto e análise preditiva.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar o RapidMiner Studio para preparação de dados, aprendizado de máquina e implantação de modelo preditivo.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar RapidMiner
• Preparar e visualizar dados com RapidMiner
• Validar modelos de aprendizado de máquina
• Mashup dados e criar modelos preditivos
• Operacionalizar a análise preditiva em um processo de negócios
• Resolver problemas e otimizar RapidMiner

Público-alvo

• Cientistas de dados
• Engenheiros
• Desenvolvedores

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Nota

• Para solicitar uma formação personalizada para este curso, por favor contacte-nos para combinar.

This instructor-led, live training in Portugal (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.

Pattern Matching é uma técnica utilizada para localizar padrões específicos numa imagem. Pode ser utilizada para determinar a existência de caraterísticas específicas numa imagem capturada, por exemplo, a etiqueta esperada num produto defeituoso numa linha de produção ou as dimensões especificadas de um componente. É diferente de "Pattern Recognition" (que reconhece padrões gerais com base em colecções maiores de amostras relacionadas) na medida em que dita especificamente o que estamos à procura e depois diz-nos se o padrão esperado existe ou não.

Formato do curso

• Este curso apresenta as abordagens, tecnologias e algoritmos utilizados no campo da correspondência de padrões, uma vez que se aplica a Machine Vision.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam ir além da construção de modelos de ML e otimizar o processo de criação, rastreamento e implantação de modelos de ML.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar MLflow e bibliotecas e estruturas de ML relacionadas.
• Apreciar a importância da rastreabilidade, reprodutibilidade e implantação de um modelo de ML
• Implantar modelos de ML em diferentes nuvens públicas, plataformas ou servidores locais.
• Dimensionar o processo de implementação de ML para acomodar vários utilizadores que colaboram num projeto.
• Criar um registo central para experimentar, reproduzir e implementar modelos de ML.

Esse treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem usando o AWS EKS (Elastic Kubernetes Service).
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizagem automática completos em diversas arquitecturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.