IT-kurs
IT kompetanse
Du har valgt: Maskinlæring
Nullstill
Filter
Ferdig

-

Hol 5 dager 15 900 kr
07 Dec
Monitorering av vedlikeholdsbehov, forebyggende og tilstandsbasert vedlikehold. [+]
Hva er maskinens kritiske komponenter? Hvorfor oppstår svikt og nedetid på din maskin? På dette kurset lærer du hvordan du kan finne og analysere deg fram til hvordan akkurat din maskin skal overvåkes og vedlikeholdes. Kunnskapen om hvilke sensorer og hvor disse skal plasseres for å ta ut riktige data, er helt avgjørende for å drive prediktivt vedlikehold. Kunnskap om maskinen sviktmekanismer kritiske punkter vitale komponenter Riktig og effektivt vedlikehold av maskiner metoder filosofi prediktivt vedlikehold Tilstandsstyrt vedlikehold kontiuerlig monitorering sensorer spesielt til bruk for monitorering av vedlikeholdsparametre bruk av eksisterende driftsdata for å bestetmme tilstand Innsamling, prosessering og presentasjon av måledata identifisere kritiske punkter i systemet og metoder for å monitorere disse anvendt bruk av måledata til smarte algoritmer maskinlæring i praksis Digitalisering Digitalisering er å endre måten vi jobber på. Et overordnet system hvor alle objekter, systemer, sensor- og måleverdier, dokumentasjon, 3D og arbeidsordre m.m. er knyttet sammen og enkelt tilgjengelig for mennesker og maskiner Delsystemter og overordnede systemer for monitorering/overvåking av vedlikeholdsbehovet [-]
Les mer
1 dag 7 500 kr
14 Oct
18 Nov
15 Dec
Data science og maskinlæring er blitt en viktig drivkraft bak mange forretnings beslutninger. Men fortsatt er mange usikre på hva begrepene innebærer og hvilke muligheter... [+]
Maskinlæring handler om sette datamaskiner i stand til å lære fra og utvikle atferd basert på data. Det vil si at en datamaskin kan løse en oppgave den ikke er eksplisitt programmert for å håndtere. I stedet er den i stand til å automatisk lære gjenkjenning av komplekse mønstre i data og gjøre beslutninger basert på dette disse. Maskinlæring gir store muligheter, men mange bedrifter har problemer med å ta teknologien i bruk. Nøyaktig hvilke oppgaver kan maskinlæring utføre, og hvordan kommer man i gang? Dette kurset gir oversikt over mulighetene som ligger i maskinlæring, og hvordan i tillegg til kunnskap om hvordan teknologien kan løse oppgaver og skape resultater i praksis. Hva er maskinlæring, datavitenskap og kunstig intelligens og hvordan det er relatert til statistikk og dataanalyse? Hvordan å utvinne kunnskap fra dataene dine? Hva betyr Big data og hvordan analyseres det? Hvor og hvordan skal du bruke maskinlæring til dine daglige forretningsproblemer? Hvordan bruke datamønstre til å ta avgjørelser og spådommer med eksempler fra den virkelige verden? Hvilke typer forretningsproblemer kan en maskinen lære å håndtere Muligheter som maskinlæring gir din bedrift Hva er de teoretiske aspekter på metoder innen maskinlæring? Hvilke ML-metoder som er relevante for ulike problemstillinger innen dataanalyse? Hvordan evaluere styrker og svakheter mellom disse algoritmene og velge den beste? Anvendt data science og konkrete kunde eksempler i praksis Målsetning Kurset gir kunnskap om hvordan maskinlæring kan løse et bestemt problem og hvilke metoder som egner seg i en gitt situasjon. Du blir i stand til å kan skaffe deg innsikt i data, og vil kunne identifisere egenskapene som representerer dem best. Du kjenner de viktigste maskinlæringsalgoritmene og hvilke metoder som evaluerer ytelsen deres best. Dette gir grunnlag for kontinuerlig forbedring av løsninger basert på maskinlæring. [-]
Les mer
9 500 kr
Praktisk maskinlæring med eksempler i R, Python og Azure ML. [+]
Maskinlæring inngår som en naturlig del av faget kunstig intelligens (AI), og har de senere årene fått stor oppmerksomhet. I dette kurset vil du bli kjent med mange av metodene som benyttes i maskinlæring. Kurset har en praktisk tilnærming der du anvender metodene på forskjellige case. Hver kursdeltager har tilgang på egen kursPC, og velger selv om han/hun vil arbeid i R, Python, Azure ML, eller bare være passiv deltager. Kursinnhold Lineær og ulineær regresjon Logistisk regresjon Trebaserte metoder (Random forrest) Support vector machines og Kernels Nevrale nettverk (prediksjon og læring) Avanserte nevrale nettverk Ikke-veiledet læring K-means clustering Prinsipal komponentanalyse (PCA) Overparameterisering og hyperparametertilpasning Dimensjonsreduksjon og regularisering Eksempler i R, Python og Azure ML [-]
Les mer
2 dager 15 000 kr
This live classroom course is new for 2018! It focuses on the newest technologies of Microsoft Machine Learning Server and SQL Server 2017. [+]
This live classroom course is new for 2018! It focuses on the newest technologies of Microsoft Machine Learning Server and SQL Server 2017. This 2-day course introduces the most important concepts and Tools, and should be followed by the 3-day course: Intermediate Machine Learning in R on SQL Server and Microsoft ML Server. If you have attended a prior course on Machine Learning, like Rafals week-long class Practical Data Science course offered in 2015-2017, and if you are versed in model validity, accuracy, and reliability, then you should consider attending the Intermediate course only. Ask yourself these questions: Can I explain the difference between cross-validation and hold-out testing? Do I know which business metrics correspond to precision and which to recall? Is model accuracy more important than reliability? And how does a boosted decision tree work? If in doubt, please attend both the Introduction course (2 days) and Intermediate course (3 days).  To deliver the best possible training we follow the industry. The agenda and course content are subject to continuous improvement and revision without further notice. Machine Learning Fundamentals We begin with a thorough introduction of all of the key concepts, terminology, components, and tools. Topics include: Machine learning vs. data mining vs. artificial intelligence Tool landscape: open source R vs. Microsoft R, Python, SQL Server, ML Server, Azure ML Teamwork Algorithms There are hundreds of machine learning algorithms, yet they belong to just a dozen of groups, of which 5 are in very common use. We will introduce those algorithm classes, and we will discuss some of the most often used examples in each class, while explaining which technology tools (Azure ML, SQL, or R) provide their most convenient implementation. You will also learn how to find more algorithms on the Internet and how to figure out if they are any good for real use. Topics include: What do algorithms do? Algorithm classes in R, Python, ML Server, Azure ML, and SSAS Data Mining Supervised vs. unsupervised learning Classifiers Clustering Regressions Similarity Matching Recommenders Data Machine learning requires you to prepare your data into a rather unique, flat, denormalised format. While features (inputs) are always necessary, and you may need to engineer thousands of them, we do not need labels (predictive outputs) in all cases. Topics include: Cases, observations, signatures Inputs and outputs, features, labels, regressors, independent and dependent variables, factors Data formats, discretization/quantizing vs. continuous Indicator columns Feature engineering Azure ML data preparation and manipulation modules Moving data around and its storage, SQL vs. NoSQL, files, data lakes, BLOBs, and Hadoop Process of Data Science The process consists of problem formulation, data preparation, modelling, validation, and deployment—in an iterative fashion. You will briefly learn about the CRISP-DM industry-standard approach but the key subject of this module will teach you how to apply the scientific method of reasoning to solve real-world business problems with machine learning and statistics. Notably, you will learn how to start projects by expressing needs as hypotheses, and how to test them. Topics include: CRISP-DM Stating business question in data science term Hypothesis testing and experiments Students t-test Pearson chi-squared test Iterative hypothesis refinement Introduction to Model Building At the heart of every project we build machine learning models! The process is simple and it follows a well-trodden path. In this module you will build your first decision tree and get it ready for validation in the next module. Topics include: Connecting to data Splitting data to create a holdout Training a decision tree Scoring the holdout Plotting accuracy Introduction to Model Validation The most important aspect of any data science, artificial intelligence, and machine learning project is the iterative validation and improvement of the models. Without validation, your models cannot be reliably used. There are several tests of model validity, most importantly those that check accuracy and reliability. Topics include: Testing accuracy False positives vs. false negatives Classification (confusion) matrix Precision and recall Balancing precision with recall vs. business goals and constraints Introduction to lift charts and ROC curves Testing reliability Testing usefulness Format The course format is 50% lectures, 30% demos and 20% tutorials. You are encouraged to follow the demos on your machine, and you will be challenged to find answers to 3 larger problems during the tutorials. While they are a hands-on part of the course, if you prefer not to practice, you are welcome to use that time for additional Q&A, or to analyse your own data. We will provide you with all the necessary data sets, and we will explain what free or evaluation edition software needs to be installed to follow the course on your own laptop. In some training centres we are able to provide pre-built machines which you can use instead of your own—please enquire. You will need an Azure account (even a free one) during the course. You can copy course experiments and data into your workspace for learning and for future reference after the course.  [-]
Les mer

Lukk Denne siden benytter seg av informasjonskapsler (cookies).
Du kan fortsette å bruke siden som vanlig hvis du godtar dette. Les mer om bruk av informasjonskapsler i vår personvernerklæring.