香港現場機器學習培訓

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。

這種以講師為主導的香港（在線或現場）現場培訓面向具有不同專業水平的參與者，他們希望利用 Google 的 AutoML 平臺為各種應用程式構建定製的聊天機器人。

在培訓結束時，參與者將能夠：

• 瞭解聊天機器人開發的基礎知識。
• 流覽 Google 雲平臺並訪問 AutoML。
• 為訓練聊天機器人模型準備數據。
• 使用 AutoML 訓練和評估自定義聊天機器人模型。
• 將聊天機器人部署並整合到各種平台和管道中。
• 隨時間推移監控和優化聊天機器人性能。

本次由講師指導的線下或線上培訓，面向希望優化AI模型以在邊緣設備上部署的中級AI開發者、機器學習工程師和系統架構師。

在培訓結束時，參與者將能夠：

• 瞭解在邊緣設備上部署AI模型的挑戰和需求。
• 應用模型壓縮技術，減少AI模型的規模和複雜性。
• 利用量化方法，提升模型在邊緣硬件上的效率。
• 實施剪枝和其他優化技術，提升模型性能。
• 在各種邊緣設備上部署優化後的AI模型。

本次由講師指導的線下或線上培訓，面向中級開發者、數據科學家和技術愛好者，旨在幫助他們掌握在各種應用中在邊緣設備上部署AI模型的實用技能。

培訓結束後，參與者將能夠：

• 理解Edge AI的原理及其優勢。
• 設置和配置邊緣計算環境。
• 開發、訓練和優化用於邊緣部署的AI模型。
• 在邊緣設備上實現實用的AI解決方案。
• 評估並改進邊緣部署模型的性能。
• 解決Edge AI應用中的倫理和安全問題。

Kubeflow 是一個開源平臺，旨在簡化在 Kubernetes 上構建、訓練和部署機器學習工作負載的過程。

本課程爲講師指導的培訓（線上或線下），面向希望使用 Kubeflow 構建可靠機器學習工作流的初級到中級專業人士。

完成本培訓後，學員將掌握以下技能：

• 熟悉 Kubeflow 生態系統及其核心組件。
• 使用 Kubeflow Pipelines 構建可重複的工作流。
• 在 Kubernetes 上運行可擴展的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程形式

• 引導式演示與協作討論。
• 使用真實 Kubeflow 組件的實踐操作。
• 構建端到端機器學習工作流的實際練習。

課程定製選項

• 可根據團隊的技術棧和項目需求定製本培訓內容。

本課程爲講師指導的線下或線上培訓，面向中級開發者、數據科學家和AI從業者，旨在幫助他們利用TensorFlow Lite開發Edge AI應用。

通過本培訓，學員將能夠：

• 理解TensorFlow Lite的基礎知識及其在Edge AI中的作用。
• 使用TensorFlow Lite開發和優化AI模型。
• 在各種邊緣設備上部署TensorFlow Lite模型。
• 掌握模型轉換和優化的工具與技術。
• 使用TensorFlow Lite實現實際的Edge AI應用。

本課程爲講師指導的培訓，在香港（線上或線下）進行，面向希望掌握自主系統背後技術的高級專業人員。

在本培訓結束時，參與者將能夠：

• 設計和實現用於自主決策的AI模型。
• 開發用於自主導航和避障的控制算法。
• 確保AI驅動的自主系統的安全性和可靠性。
• 將自主系統與現有的機器人和AI框架集成。

本次由講師指導的線下或線上培訓面向希望深入瞭解計算機視覺並探索TensorFlow在Google Colab上開發複雜視覺模型能力的高級專業人員。

培訓結束後，參與者將能夠：

• 使用TensorFlow構建和訓練卷積神經網絡（CNN）。
• 利用Google Colab進行可擴展且高效的基於雲的模型開發。
• 爲計算機視覺任務實施圖像預處理技術。
• 部署計算機視覺模型以用於實際應用。
• 使用遷移學習提升CNN模型的性能。
• 可視化並解釋圖像分類模型的結果。

本次由講師主導的培訓在香港（線上或線下）面向希望提升機器學習模型知識、改進超參數調優技能，並學習如何使用Google Colab有效部署模型的高級專業人士。

培訓結束後，參與者將能夠：

• 使用Scikit-learn和TensorFlow等流行框架實現高級機器學習模型。
• 通過超參數調優優化模型性能。
• 使用Google Colab在實際應用中部署機器學習模型。
• 在Google Colab中協作和管理大規模機器學習項目。

本次由講師指導的培訓在香港（線上或線下）進行，面向中級專業人員，旨在應用AI技術優化半導體制造中的良率管理。

培訓結束後，學員將能夠：

• 分析生產數據，識別影響良率的因素。
• 實施AI算法，優化良率管理流程。
• 優化生產參數，減少缺陷，提高良率。
• 將AI驅動的良率管理集成到現有生產工作流程中。

本次由講師指導的線下或線上培訓，面向中級水平的商業和AI專業人士，旨在通過實際案例和基於Python的工具，幫助他們將機器學習應用於商業、預測和AI驅動系統。

培訓結束後，參與者將能夠：

• 理解機器學習如何融入AI和商業戰略。
• 將監督學習和無監督學習技術應用於結構化的商業問題。
• 對數據進行預處理和轉換以用於建模。
• 使用神經網絡進行分類和預測任務。
• 使用統計和基於機器學習的方法進行銷售預測。
• 實施聚類和關聯規則挖掘，用於客戶細分和模式發現。

本課程爲講師指導的培訓（線上或線下），面向希望將尖端AI技術應用於半導體設計自動化的高級專業人員，旨在提高芯片設計和驗證的效率、準確性和創新性。

在本培訓結束時，參與者將能夠：

• 應用高級AI技術優化半導體設計流程。
• 將機器學習模型集成到EDA工具中，以增強設計驗證。
• 爲芯片製造中的複雜設計挑戰開發AI驅動解決方案。
• 利用神經網絡提高設計自動化的準確性和速度。

本課程為講師指導的香港（線上或線下）培訓，旨在幫助中級數據科學家和開發人員理解並應用深度學習技術，使用Google Colab環境。

培訓結束後，參與者將能夠：

• 設置並導航Google Colab，用於深度學習項目。
• 理解神經網絡的基本原理。
• 使用TensorFlow實現深度學習模型。
• 訓練和評估深度學習模型。
• 利用TensorFlow的高級功能進行深度學習。

本課程爲講師指導的培訓，在香港（線上或線下）進行，面向希望瞭解並應用AI技術來優化半導體制造流程的中級專業人士。

培訓結束後，學員將能夠：

• 瞭解AI在芯片製造流程優化中的方法。
• 實施AI模型以提高良率並減少缺陷。
• 分析流程數據以識別關鍵優化參數。
• 應用機器學習技術來微調半導體制造流程。

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。

本次由講師指導的培訓在香港（線上或線下）進行，面向中級數據科學家和開發者，旨在幫助他們在Google Colab環境中高效應用機器學習算法。

培訓結束後，參與者將能夠：

• 爲機器學習項目設置並導航Google Colab。
• 理解並應用各種機器學習算法。
• 使用Scikit-learn等庫進行數據分析和預測。
• 實現監督學習和無監督學習模型。
• 有效優化和評估機器學習模型。

這種由講師指導的 香港 現場現場培訓（在線或現場）面向希望探索深度學習模型的先進 XAI 技術的高級專業人員，重點是構建可解釋的 AI 系統。

在本次培訓結束時，參與者將能夠：

• 瞭解深度學習中可解釋性的挑戰。
• 為神經網路實施高級 XAI 技術。
• 解釋深度學習模型做出的決策。
• 評估性能和透明度之間的權衡。

本課程爲講師指導的線下或線上培訓，面向希望使用ML.NET機器學習模型爲企業應用自動生成數據分析預測的數據科學家和開發人員。

培訓結束後，學員將能夠：

• 安裝ML.NET並將其集成到應用開發環境中。
• 理解ML.NET工具和算法背後的機器學習原理。
• 構建並訓練機器學習模型，智能地使用提供的數據進行預測。
• 使用ML.NET指標評估機器學習模型的性能。
• 基於ML.NET框架優化現有機器學習模型的準確性。
• 將ML.NET的機器學習概念應用於其他數據科學應用。

本課程爲講師主導的香港（線上或線下）培訓，面向中級數據專業人士，旨在幫助他們將機器學習技術應用於數據驅動的業務問題，包括銷售預測和使用神經網絡的預測建模。

培訓結束後，學員將能夠：

• 理解機器學習的核心概念和類型。
• 應用分類、迴歸、聚類和關聯分析的關鍵算法。
• 使用Python進行探索性數據分析和數據準備。
• 使用神經網絡進行非線性建模任務。
• 實施預測分析，包括銷售數據的業務預測。
• 使用可視化和統計技術評估和優化模型性能。

本次由講師指導的線下或線上培訓，面向中級到高級的網絡安全專業人士，旨在提升他們在AI驅動的威脅檢測和事件響應方面的技能。

培訓結束後，參與者將能夠：

• 實施高級AI算法，用於即時威脅檢測。
• 針對特定網絡安全挑戰定製AI模型。
• 開發威脅響應的自動化工作流程。
• 保護AI驅動的安全工具，抵禦對抗性攻擊。

本課程爲講師主導的培訓，在香港（線上或線下）進行，面向希望學習如何利用AI提升威脅檢測和響應能力的初級網絡安全專業人士。

培訓結束後，參與者將能夠：

• 瞭解AI在網絡安全中的應用。
• 實施AI算法進行威脅檢測。
• 使用AI工具自動化事件響應。
• 將AI集成到現有的網絡安全基礎設施中。

本課程爲講師指導的培訓（線上或線下），面向希望瞭解AlphaFold工作原理並在實驗研究中使用AlphaFold模型作爲指導的生物學家。

培訓結束後，學員將能夠：

• 理解AlphaFold的基本原理。
• 學習AlphaFold的工作原理。
• 學習如何解讀AlphaFold的預測結果。

本次由講師指導的線下或線上培訓，面向具有機器學習背景的技術參與者，旨在通過AutoML框架優化模型，以檢測大數據中的複雜模式。

此講師指導的 香港 現場培訓（在線或現場）面向 希望學習如何使用 RapidMiner 估計和預測值並利用分析工具進行時間序列預測的中級數據分析師。

在本次培訓結束時，參與者將能夠：

• 學習應用 CRISP-DM 方法，選擇合適的機器學習演算法，並增強模型構建和性能。
• 使用 RapidMiner 估計和預測值，並利用分析工具進行時間序列預測。

本課程的目的是提供在實踐中應用Machine Learning方法的基本熟練程度。通過使用Python編程語言及其各種庫，並基於大量實際示例，本課程教授如何使用Machine Learning最重要的構建塊，如何制定數據建模決策，解釋算法的輸出和驗證結果。

我們的目標是讓您自信地理解和使用Machine Learning工具箱中最基本的工具，並避免Data Science應用程序的常見缺陷。

本課程的目的是提供在實踐中應用機器學習方法的一般熟練程度。通過使用 Python 程式設計語言及其各種庫, 並基於大量的實際示例, 本課程教授如何使用機器學習最重要的構建塊, 如何做出資料建模決策, 解釋輸出並驗證結果

我們的目標是讓您能夠自信地理解和使用機器學習工具箱中最基本的工具, 並避免資料科學應用的常見陷阱。

這是一個為期 4 天的課程，介紹了 AI 及其使用 Python 程式設計語言的應用程式。完成本課程后，可以選擇額外有一天的時間來開展 AI 專案。 

深度強化學習（DRL）結合了強化學習原理與深度學習架構，使智能體能夠通過與環境的交互進行決策。它支撐了許多現代人工智能的進步，如自動駕駛汽車、機器人控制、算法交易和自適應推薦系統。DRL允許人工智能體通過學習策略、優化策略，並基於試錯法使用獎勵機制進行自主決策。

本次由講師主導的培訓（線上或線下）面向中級開發者和數據科學家，旨在幫助他們學習和應用深度強化學習技術，構建能夠在複雜環境中進行自主決策的智能體。

培訓結束後，參與者將能夠：

• 理解強化學習的理論基礎和數學原理。
• 實現關鍵強化學習算法，包括Q學習、策略梯度和Actor-Critic方法。
• 使用TensorFlow或PyTorch構建和訓練深度強化學習智能體。
• 將DRL應用於遊戲、機器人和決策優化等實際場景。
• 使用現代工具進行故障排除、可視化和優化訓練性能。

課程形式

• 互動講座與引導討論。
• 動手練習與實操實現。
• 即時編碼演示與基於項目的應用。

課程定製選項

• 如需定製本課程（例如使用PyTorch替代TensorFlow），請聯繫我們安排。

本課程是為經理、解決方案架構師、創新官、首席技術官、軟體架構師以及任何對應用人工智慧概述及其發展的最新預測感興趣的人創建的。

本課程爲講師主導的培訓，在 香港（線上或線下）進行，面向希望使用 AdaBoost 構建機器學習提升算法的數據科學家和軟件工程師。

通過本培訓，參與者將能夠：

• 設置必要的開發環境，開始使用 AdaBoost 構建機器學習模型。
• 理解集成學習方法，並掌握如何實現自適應提升。
• 學習如何使用 AdaBoost 模型提升 Python 中的機器學習算法。
• 使用超參數調優，提高 AdaBoost 模型的準確性和性能。

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

這個爲期8天的課程，提供了從紮實的Python工程基礎到高級AI系統設計的完整學習路徑。學員將培養規範的編碼實踐，掌握統計與深度學習方法，並構建生產級生成式AI和基於agent的系統。課程重點在於可靠性、評估、安全性和實際部署，而不僅僅是實驗。

人工神經網路是一種計算數據模型，用於開發能夠執行“智慧”任務的 Artificial Intelligence (AI) 系統。Neural Networks 通常用於 Machine Learning （ML） 應用程式，這些應用程式本身就是 AI 的一種實現。Deep Learning 是 ML 的一個子集。

本課程將理論和實踐工作相結合，並在整個活動中使用的具體示例。

這種由 講師指導的 香港 現場培訓（在線或現場）面向希望使用 Chainer 在 Python 中構建和訓練神經網路，同時使代碼易於調試的研究人員和開發人員。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始開發神經網路模型。
• 使用易於理解的原始程式碼定義和實現神經網路模型。
• 執行範例並修改現有演算法以優化深度學習訓練模型，同時利用 GPU 實現高性能。

這門由講師指導的香港（線上或線下）培訓課程，介紹了模式識別和機器學習的領域，並涵蓋了統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

通過本培訓，參與者將能夠：

• 應用核心統計方法於模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施高級技術以解決複雜問題。
• 通過結合不同模型來提高預測準確性。

這種由 講師指導的 香港 現場培訓（在線或現場）面向希望使用 DataRobot 的機器學習功能自動化、評估和管理預測模型的數據科學家和數據分析師。

在本次培訓結束時，參與者將能夠：

• 在 DataRobot 中載入數據集以分析、評估和品質檢查數據。
• 構建和訓練模型以識別重要變數並滿足預測目標。
• 解釋模型以創建有助於做出業務決策的寶貴見解。
• 監控和管理模型以保持優化的預測性能。

本課程爲講師指導的線下或線上培訓，旨在幫助工程師應用特徵工程技術，更好地處理數據並獲得更優的機器學習模型。

通過本課程，學員將能夠：

• 設置最佳開發環境，包括所有所需的Python包。
• 通過分析數據集的特徵獲取重要洞察。
• 通過調整原始數據本身來優化機器學習模型。
• 清理和轉換數據集，爲機器學習做準備。

本課程爲講師指導的培訓，可在香港（線上或線下）進行，旨在幫助數據科學家加速即時機器學習應用並大規模部署。

培訓結束後，參與者將能夠：

• 安裝OpenVINO工具包。
• 使用FPGA加速計算機視覺應用。
• 在FPGA上執行不同的CNN層。
• 在Kubernetes集羣中跨多個節點擴展應用。

機器學習是人工智能的一個分支，計算機無需明確編程即可學習。

深度學習是機器學習的一個子領域，它使用基於學習數據表示和結構的方法，如神經網絡。

Python是一種高級編程語言，以其清晰的語法和代碼可讀性著稱。

在這次講師指導的線下培訓中，學員將學習如何使用Python爲電信行業實現深度學習模型，並逐步創建一個深度學習信用風險模型。

培訓結束後，學員將能夠：

• 理解深度學習的基本概念。
• 瞭解深度學習在電信中的應用。
• 使用Python、Keras和TensorFlow爲電信創建深度學習模型。
• 使用Python構建自己的深度學習客戶流失預測模型。

課程形式

• 互動講座與討論。
• 大量練習與實踐。
• 在實驗環境中進行實際操作。

課程定製選項

• 如需爲此課程定製培訓，請聯繫我們安排。

這種講師指導的 香港 現場培訓（在線或現場）面向數據科學家、數據分析師和開發人員，他們希望探索 AutoML 產品和功能，以最少的工作量創建和部署自定義 ML 訓練模型。

在本次培訓結束時，參與者將能夠：

• 探索 AutoML 產品線，為各種數據類型實施不同的服務。
• 準備和標記數據集以創建自定義 ML 模型。
• 訓練和管理模型以生成準確、公平的機器學習模型。
• 使用經過訓練的模型進行預測，以滿足業務目標和需求。

本課程由講師主導，提供香港（線上或線下）培訓，旨在幫助開發者或數據科學家使用Horovod運行分佈式深度學習訓練，並將其擴展至多個GPU並行運行。

培訓結束後，參與者將能夠：

• 設置必要的開發環境，開始運行深度學習訓練。
• 安裝和配置Horovod，使用TensorFlow、Keras、PyTorch和Apache MXNet訓練模型。
• 使用Horovod擴展深度學習訓練，使其在多個GPU上運行。

本次實踐性、講師主導的培訓課程是Python數據分析課程的自然延續。

它向參與者介紹機器學習的核心概念，並展示如何將這些概念直接應用於預測、分類和分割等數據分析任務。

重點在於理解機器學習在實踐中的工作原理，使用Python、Pandas和Jupyter Notebook等熟悉的工具，無需高級數學背景。

本課程適合已有數據科學和統計學背景的學員。課程講解旨在爲熟悉概念的學員提供複習，或爲有相關背景的學員提供信息。

這種以講師為主導的香港現場培訓（現場或遠端）面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 個容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優併為工作負載提供服務。

本培訓課程面向希望在實際應用中運用基本機器學習技術的人士。

受衆

數據科學家和統計學家，他們對機器學習有一定了解，並熟悉R編程。本課程的重點是數據/模型準備、執行、事後分析和可視化的實踐方面。目的是爲希望在工作中應用這些方法的參與者提供機器學習的實用介紹。

使用特定行業的示例，使培訓與受衆相關。

本課程爲講師指導的（線上或線下）培訓，面向希望使用Google的ML Kit構建專爲移動設備優化的機器學習模型的開發者。

培訓結束後，學員將能夠：

• 設置必要的開發環境，開始爲移動apps開發機器學習功能。
• 使用ML Kit API將新的機器學習技術集成到Android和iOS apps中。
• 使用ML Kit SDK增強和優化現有apps，進行設備端處理和部署。

本課程介紹機器學習方法在Robotics應用中的使用。

它廣泛概述了現有方法、動機以及在模式識別背景下的主要概念。

在簡短的理論背景介紹後，學員將使用開源軟件（通常是R）或其他流行軟件進行簡單的練習。

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。

本課程爲講師指導的培訓，在香港（線上或線下）進行，面向希望使用隨機森林爲大型數據集構建機器學習算法的數據科學家和軟件工程師。

在本培訓結束時，參與者將能夠：

• 設置必要的開發環境，開始使用隨機森林構建機器學習模型。
• 瞭解隨機森林的優勢，以及如何應用它來解決分類和迴歸問題。
• 學習如何處理大型數據集，並解釋隨機森林中的多個決策樹。
• 通過調整超參數來評估和優化機器學習模型的性能。

本課程首先爲您提供神經網絡、機器學習算法以及深度學習（算法和應用）的概念性知識。

本培訓的第1部分（40%）更側重於基礎知識，但將幫助您選擇正確的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培訓的第2部分（20%）介紹了Theano——一個使編寫深度學習模型變得簡單的Python庫。

本培訓的第3部分（40%）將廣泛基於TensorFlow——谷歌的開源深度學習軟件庫的API。所有的示例和動手實踐都將在TensorFlow中進行。

受衆

本課程面向希望在其深度學習項目中使用TensorFlow的工程師。

完成本課程後，學員將：

• 對深度神經網絡（DNN）、CNN和RNN有良好的理解
• 理解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試和監控
• 能夠實現高級生產任務，如訓練模型、構建圖和日誌記錄