線上 Data Science 培訓在 香港

這種由講師指導的 香港 現場培訓（在線或現場）面向希望瞭解預訓練模型概念並學習如何應用它們來解決實際問題而無需從頭開始構建模型的初級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解預訓練模型的概念和優勢。
• 探索各種預先訓練的模型架構及其使用案例。
• 針對特定任務微調預先訓練的模型。
• 在簡單的機器學習項目中實施預訓練模型。

本課程爲講師指導的培訓，在 香港（線上或線下）進行，面向希望使用 AWS Cloud9 簡化數據科學工作流程的中級數據科學家和分析師。

培訓結束後，參與者將能夠：

• 在 AWS Cloud9 中設置數據科學環境。
• 在 Cloud9 中使用 Python、R 和 Jupyter Notebook 進行數據分析。
• 將 AWS Cloud9 與 AWS 數據服務（如 S3、RDS 和 Redshift）集成。
• 使用 AWS Cloud9 進行機器學習模型的開發和部署。
• 優化基於雲的數據分析和處理工作流程。

本次由講師指導的培訓（線上或線下）面向中級參與者，旨在幫助他們使用Apache Airflow自動化和管理機器學習工作流，包括模型訓練、驗證和部署。

培訓結束後，參與者將能夠：

• 設置Apache Airflow以進行機器學習工作流編排。
• 自動化數據預處理、模型訓練和驗證任務。
• 將Airflow與機器學習框架和工具集成。
• 使用自動化管道部署機器學習模型。
• 監控和優化生產中的機器學習工作流。

本次由講師主導的培訓在香港（線上或線下）進行，面向初學者級別的數據科學家和 IT 專業人士，旨在幫助他們學習使用 Google Colab 進行數據科學的基礎知識。

在培訓結束後，參與者將能夠：

• 設置和導航 Google Colab。
• 編寫和執行基本的 Python 代碼。
• 導入和處理數據集。
• 使用 Python 庫創建可視化。

Python 是一種在金融行業中廣受歡迎的程式語言。它被大型投資銀行和對沖基金採用，用於構建各種金融應用程式，從核心交易程式到風險管理系統。

在這場由講師指導的現場培訓中，學員將學習如何使用 Python 開發實際應用程式，以解決一系列特定的金融相關問題。

培訓結束時，學員將能夠：

• 理解 Python 程式語言的基本原理
• 下載、安裝並維護用於在 Python 中創建金融應用程式的最佳開發工具
• 選擇並利用最合適的 Python 套件和程式技術來組織、可視化和分析來自各種來源（CSV、Excel、數據庫、網絡等）的金融數據
• 構建解決資產配置、風險分析、投資績效等問題的應用程式
• 對 Python 應用程式進行故障排除、集成、部署和優化

目標受眾

• 開發人員
• 分析師
• 量化分析師

課程形式

• 部分講授、部分討論、練習和大量實踐操作

注意事項

• 本培訓旨在為金融專業人員面臨的一些主要問題提供解決方案。如果您有特定的主題、工具或技術希望補充或進一步詳細說明，請聯繫我們進行安排。

深入探討使用Python進行數據科學與人工智能的實用方法，爲專業人士提供探索數據、構建機器學習模型以及在業務場景中部署AI驅動應用的技能；涵蓋CRISP-DM工作流、統計分析、監督與無監督學習、使用Tensorflow進行深度學習、自然語言處理、使用Spark處理大數據以及數據驅動講故事；適合初學者獲取Python數據科學認證和職業準備的分析培訓。

KNIME分析平臺是數據驅動創新的領先開源選擇，幫助您發現數據中隱藏的潛力，挖掘新的見解，或預測未來。擁有超過1000個模塊、數百個即用示例、全面的集成工具集以及最廣泛的高級算法選擇，KNIME分析平臺是任何數據科學家和業務分析師的完美工具箱。

本課程爲KNIME分析平臺提供了理想的機會，適合初學者、高級用戶和KNIME專家，介紹KNIME，學習如何更有效地使用它，並基於KNIME工作流創建清晰、全面的報告。

本次由講師主導的培訓（線上或線下）面向希望使用KNIME解決複雜業務需求的數據專業人士。

目標受衆是不懂編程，但希望使用前沿工具實現分析場景的人員。

培訓結束後，學員將能夠：

• 安裝和配置KNIME。
• 構建數據科學場景。
• 訓練、測試和驗證模型。
• 實現數據科學模型的端到端價值鏈。

課程形式

• 互動講座和討論。
• 大量練習和實踐。
• 在即時實驗室環境中進行實操。

課程定製選項

• 如需爲本課程定製培訓或瞭解更多信息，請聯繫我們安排。

這項由講師指導的香港（線上或線下）培訓，針對中級數據分析師、開發人員或有志成為數據科學家的人士，旨在應用機器學習技術於Python中，以提取洞察、進行預測並自動化數據驅動的決策。

在本課程結束時，參與者將能夠：

• 理解並區分關鍵的機器學習範式。
• 探索數據預處理技術和模型評估指標。
• 應用機器學習算法解決實際數據問題。
• 使用Python庫和Jupyter筆記本進行實作開發。
• 構建用於預測、分類、推薦和聚類的模型。