Corso di formazione Introduzione ai Modelli Pre-addestrati
I modelli pre-addestrati sono una pietra miliare dell'intelligenza artificiale moderna, in quanto offrono funzionalità predefinite che possono essere adattate per una varietà di applicazioni. Questo corso introduce i partecipanti ai fondamenti dei modelli pre-addestrati, alla loro architettura e ai loro casi d'uso pratici. I partecipanti impareranno come sfruttare questi modelli per attività come la classificazione del testo, il riconoscimento delle immagini e altro ancora.
Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto a professionisti di livello principiante che desiderano comprendere il concetto di modelli pre-addestrati e imparare ad applicarli per risolvere problemi del mondo reale senza costruire modelli da zero.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Comprendere il concetto e i vantaggi dei modelli pre-addestrati.
- Esplora varie architetture di modelli pre-addestrati e i relativi casi d'uso.
- Ottimizza un modello pre-addestrato per attività specifiche.
- Implementa modelli pre-addestrati in semplici progetti di Machine Learning.
Formato del corso
- Lezione e discussione interattiva.
- Un sacco di esercizi e pratica.
- Implementazione pratica in un ambiente live-lab.
Opzioni di personalizzazione del corso
- Per richiedere una formazione personalizzata per questo corso, contattateci per l'organizzazione.
Struttura del corso
Introduction to Pre-trained Models
- Cosa sono i modelli pre-addestrati?
- Vantaggi dell'utilizzo di modelli pre-addestrati
- Panoramica dei modelli pre-addestrati più diffusi (ad esempio, BERT, ResNet)
Informazioni sulle architetture dei modelli pre-addestrati
- Nozioni di base sull'architettura del modello
- Trasferire i concetti di apprendimento e messa a punto
- Modalità di creazione e addestramento dei modelli pre-addestrati
Configurazione dell'ambiente
- Installazione e configurazione di Python e delle librerie pertinenti
- Esplorazione di repository di modelli pre-addestrati (ad esempio, Hugging Face)
- Caricamento e test di modelli pre-addestrati
Hands-on con modelli pre-addestrati
- Utilizzo di modelli con training preliminare per la classificazione del testo
- Applicazione di modelli pre-addestrati alle attività di riconoscimento delle immagini
- Ottimizzazione di modelli pre-addestrati per set di dati personalizzati
Distribuzione di modelli con training preliminare
- Esportazione e salvataggio di modelli ottimizzati
- Integrazione di modelli nelle applicazioni
- Nozioni di base sulla distribuzione di modelli in produzione
Sfide e best practice
- Informazioni sulle limitazioni del modello
- Evitare l'overfitting durante la messa a punto
- Garantire l'uso etico dei modelli di IA
Tendenze future nei modelli pre-addestrati
- Architetture emergenti e loro applicazioni
- Progressi nell'apprendimento di trasferimento
- Esplorazione di modelli linguistici di grandi dimensioni e modelli multimodali
Riepilogo e passaggi successivi
Requisiti
- Conoscenza di base dei concetti di machine learning
- Familiarità con la programmazione Python
- Conoscenze di base sulla gestione dei dati utilizzando librerie come Pandas
Pubblico
- Scienziati dei dati
- Appassionati di intelligenza artificiale
I corsi di formazione interaziendali richiedono più di 5 partecipanti.
Corso di formazione Introduzione ai Modelli Pre-addestrati - Prenotazione
Corso di formazione Introduzione ai Modelli Pre-addestrati - Richiesta
Corsi in Arrivo
Corsi relativi
AdaBoost Python per Machine Learning
14 oreQuesto corso di formazione guidato dal docente (online o in sede) è rivolto a data scientists e software engineers che desiderano utilizzare AdaBoost per creare algoritmi di boosting per il machine learning con Python.
Al termine di questo training, i partecipanti saranno in grado di:
- Configurare l'ambiente di sviluppo necessario per iniziare a creare modelli di machine learning con AdaBoost.
- Comprendere l'approccio di apprendimento ensemble e come implementare il boosting adattivo.
- Imparare a costruire modelli AdaBoost per migliorare gli algoritmi di machine learning in Python.
- Utilizzare l'ottimizzazione degli iperparametri per aumentare l'accuratezza e le prestazioni dei modelli AdaBoost.
AlphaFold: Previsione e interpretazione della struttura proteica basata sull'intelligenza artificiale
7 oreQuesta formazione in diretta, condotta da un istruttore in Italia (online o in presenza), è rivolta ai biologi che desiderano comprendere il funzionamento di AlphaFold e utilizzare i modelli generati da AlphaFold come guida nei loro studi sperimentali.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendere i principi fondamentali di AlphaFold.
- Imparare come funziona AlphaFold.
- Imparare a interpretare le previsioni e i risultati di AlphaFold.
Ecosystem per gli Scienziati dei Dati
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist che desiderano utilizzare l'ecosistema Anaconda per acquisire, gestire e distribuire pacchetti e flussi di lavoro di analisi dei dati in un'unica piattaforma.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Installare e configurare Anaconda componenti e librerie.
- Comprendere i concetti fondamentali, le caratteristiche e i vantaggi di Anaconda.
- Gestisci pacchetti, ambienti e canali utilizzando Anaconda Navigator.
- Usa i pacchetti Conda, R e Python per l'analisi scientifica dei dati e l'apprendimento automatico.
- Scopri alcuni casi d'uso pratici e tecniche per la gestione di più ambienti di dati.
Creazione di Chatbot Personalizzati con Google AutoML
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a partecipanti con diversi livelli di esperienza che desiderano sfruttare la piattaforma AutoML di Google per creare chatbot personalizzati per varie applicazioni.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendere i fondamenti dello sviluppo di chatbot.
- Naviga in Google Cloud Platform e accedi a AutoML.
- Preparare i dati per l'addestramento dei modelli di chatbot.
- Addestra e valuta modelli di chatbot personalizzati usando AutoML.
- Distribuisci e integra i chatbot in varie piattaforme e canali.
- Monitora e ottimizza le prestazioni del chatbot nel tempo.
Riconoscimento dei Pattern
21 oreQuesta formazione interattiva guidata dal formatore (online o in sede) fornisce una introduzione al campo della riconoscimento dei modelli e dell'apprendimento automatico. Si sofferma su applicazioni pratiche in statistica, informatica, elaborazione del segnale, visione artificiale, data mining e bioinformatica.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Applicare metodi statistici fondamentali al riconoscimento dei modelli.
- Utilizzare modelli chiave come reti neurali e metodi kernel per l'analisi dei dati.
- Mettere in pratica tecniche avanzate per la risoluzione di problemi complessi.
- Migliorare l'accuratezza delle previsioni combinando diversi modelli.
DataRobot
7 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist e analisti di dati che desiderano automatizzare, valutare e gestire modelli predittivi utilizzando le funzionalità di apprendimento automatico di DataRobot.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Carica i set di dati in DataRobot per analizzare, valutare e controllare la qualità dei dati.
- Crea e addestra modelli per identificare variabili importanti e raggiungere gli obiettivi di previsione.
- Interpreta i modelli per creare informazioni preziose utili per prendere decisioni aziendali.
- Monitora e gestisci i modelli per mantenere prestazioni di previsione ottimizzate.
Edge AI con TensorFlow Lite
14 oreQuesto addestramento interattivo guidato dall'insegnante in Italia (online o sul posto) si rivolge ai sviluppatori di livello intermedio, ai data scientist e agli esperti di IA che desiderano sfruttare TensorFlow Lite per applicazioni Edge AI.
Al termine del corso, i partecipanti saranno in grado di:
- Comprendere le basi di TensorFlow Lite e il suo ruolo nell'Edge AI.
- Sviluppare ed ottimizzare modelli AI utilizzando TensorFlow Lite.
- Distribuire modelli TensorFlow Lite su diversi dispositivi Edge.
- Utilizzare strumenti e tecniche per la conversione e l'ottimizzazione dei modelli.
- Implementare applicazioni pratiche di Edge AI utilizzando TensorFlow Lite.
Google Cloud AutoML
7 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist, analisti di dati e sviluppatori che desiderano esplorare AutoML prodotti e funzionalità per creare e distribuire modelli di formazione ML personalizzati con il minimo sforzo.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Esplora la linea di prodotti AutoML per implementare diversi servizi per vari tipi di dati.
- Prepara ed etichetta i set di dati per creare modelli ML personalizzati.
- Addestra e gestisci i modelli per produrre modelli di machine learning accurati ed equi.
- Effettua previsioni utilizzando modelli addestrati per soddisfare gli obiettivi e le esigenze aziendali.
Kaggle
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist e sviluppatori che desiderano apprendere e costruire la propria carriera in Data Science utilizzando Kaggle.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Scopri di più sulla scienza dei dati e sull'apprendimento automatico.
- Esplora l'analisi dei dati.
- Scopri di più su Kaggle e su come funziona.
Kubeflow Essentials: Build, Train & Serve with Kubernetes
14 oreKubeflow è una piattaforma open source progettata per semplificare la creazione, il training e il deployment di carichi di lavoro di machine learning su Kubernetes.
Questo corso di formazione guidato dall'instruttore (online o in sede) è rivolto a professionisti di livello principiante-intermedio che desiderano costruire workflow ML affidabili utilizzando Kubeflow.
Al termine di questo corso, i partecipanti acquisiranno le competenze per:
- Navigare nell'ecosistema Kubeflow e nelle componenti principali.
- Costruire workflow riproducibili con Kubeflow Pipelines.
- Eseguire job di training scalabili su Kubernetes.
- Distribuire modelli di machine learning in modo efficiente utilizzando Kubeflow Serving.
Formato del Corso
- Presentazioni guidate e discussioni collaborative.
- Laboratori pratici con componenti Kubeflow reali.
- Esercizi pratici per costruire workflow ML end-to-end.
Opzioni di Personalizzazione del Corso
- Versioni personalizzate di questo corso possono essere organizzate per allinearsi con la stack tecnologica e i requisiti progettuali del vostro team.
Fondamenti di Kubeflow
28 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori e data scientist che desiderano creare, distribuire e gestire flussi di lavoro di apprendimento automatico su Kubernetes.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Installa e configura Kubeflow on-premise e nel cloud.
- Crea, distribuisci e gestisci flussi di lavoro ML basati su Docker container e Kubernetes.
- Esegui intere pipeline di machine learning su architetture e ambienti cloud diversi.
- Utilizzo di Kubeflow per generare e gestire i notebook Jupyter.
- Crea formazione ML, ottimizzazione degli iperparametri e gestione dei carichi di lavoro su più piattaforme.
Intelligenza Artificiale per App Mobili utilizzando Google’s ML Kit
14 oreQuesto corso di formazione guidato dal formatore (online o in sede) è rivolto a sviluppatori che desiderano utilizzare Google's ML Kit per creare modelli di machine learning ottimizzati per l'elaborazione su dispositivi mobili.
Alla fine di questo corso, i partecipanti saranno in grado di:
- Configurare l'ambiente di sviluppo necessario per iniziare a sviluppare funzionalità di machine learning per le app mobili.
- Integrare nuove tecnologie di machine learning nelle app Android e iOS utilizzando le API di ML Kit.
- Potenziare ed ottimizzare le app esistenti utilizzando il SDK di ML Kit per l'elaborazione in dispositivo e la distribuzione.
Apprendimento Automatico con Random Forest
14 oreQuesto corso guidato dal docente (online o in sede) è rivolto a data scientists e software engineers che desiderano utilizzare Random Forest per creare algoritmi di machine learning su grandi set di dati.
Al termine di questo training, i partecipanti saranno in grado di:
- Configurare l'ambiente di sviluppo necessario per iniziare a costruire modelli di machine learning con Random Forest.
- Comprendere i vantaggi di Random Forest e come implementarlo per risolvere problemi di classificazione e regressione.
- Imparare a gestire grandi set di dati e interpretare più alberi decisionali in Random Forest.
- Valutare e ottimizzare le prestazioni del modello di machine learning attraverso l'adjustment dei hyperparametri.
Analisi Avanzate con RapidMiner
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ad analisti di dati di livello intermedio che desiderano imparare a utilizzare RapidMiner per stimare e proiettare i valori e utilizzare strumenti analitici per la previsione delle serie temporali.
Al termine di questo corso di formazione, i partecipanti saranno in grado di:
- Impara ad applicare la metodologia CRISP-DM, a selezionare gli algoritmi di machine learning appropriati e a migliorare la costruzione e le prestazioni del modello.
- Utilizzare RapidMiner per stimare e proiettare i valori e utilizzare strumenti analitici per la previsione delle serie temporali.
Data Science con GPU utilizzando NVIDIA RAPIDS
14 oreQuesto corso di formazione guidato dal docente (online o in sede) è rivolto a data scientists e sviluppatori che desiderano utilizzare RAPIDS per costruire pipeline di dati, flussi di lavoro e visualizzazioni accelerate da GPU, applicando algoritmi di machine learning come XGBoost, cuML, ecc.
Al termine di questo corso, i partecipanti saranno in grado di:
- Configurare l'ambiente di sviluppo necessario per costruire modelli di dati con NVIDIA RAPIDS.
- Comprendere le funzionalità, i componenti e i vantaggi di RAPIDS.
- Sfruttare le GPU per accelerare pipeline end-to-end di dati e analisi.
- Implementare la preparazione dei dati e l'ETL accelerati da GPU con cuDF e Apache Arrow.
- Imparare come eseguire compiti di machine learning con algoritmi XGBoost e cuML.
- Creare visualizzazioni dei dati ed eseguire l'analisi grafica con cuXfilter e cuGraph.
