close facebook google+ habr instagram linkedin arrow-right phone telegram twitter user vk youtube upload close menu-stroke search lock cart

Выполнение научных расчетов над облачными данными при помощи машинного обучения Azure

20774 A

32 500 руб

очно
Очное обучение

Очное обучение – это обучение в одном из 13 городов России, где есть классы Учебного центра Softline (Москва, Санкт-Петербург, Владивосток, Екатеринбург, Казань, Красноярск, Нижний Новгород, Новосибирск, Омск, Ростов-на-Дону, Самара, Уфа, Хабаровск).

Вы приезжаете в указанное администратором время по нужному адресу и проходите обучение на наших ПК. Все лабораторные работы и/или практические задания будут заранее настроены нашими техническими специалистами и готовы к работе. В стоимость очного обучения входит блокнот, ручка, учебники и пособия, чай/кофе/вода/печеньки и обед. Иногородним слушателям, желающим обучаться в наших классах очно, мы помогаем с подбором и бронированием гостиницы (командировку вы оформляете за свой счёт).

Подробнее

29 250 руб

дистанционно
Дистанционное обучение

Если в вашем городе нет класса, вы можете пройти обучение в дистанционном формате. Стоимость дистанционного курса на 10% меньше, чем очного.

Удалённый формат подразумевает подключение к очной группе во время проведения курса (ссылка для подключения будет выслана вам заранее). С вашей стороны нужен компьютер или ноутбук с устойчивым подключением к интернету и гарнитура с микрофоном и наушниками. Вы будете видеть презентацию преподавателя, слышать его, получите удалённый доступ к лабораторным работам (если курс подразумевает их использование), сможете задавать вопросы в групповом чате или голосом, общаться с другими слушателями, а по окончании обучения получите те же сертификаты (по электронной почте), что и очные слушатели (в сертификате не указано, в каком формате вы прошли обучение).

Подробнее

Основное назначение данного курса – это предоставление слушателям возможности анализировать и предоставлять данные при помощи машинного обучения Azure (Azure Machine Learning) и предоставление введения в использование машинного обучения (Machine Learning) с инструментами больших данных (Big Data), такими как HDInsight и службы R.

Подробнее

Производитель: Microsoft

Направление: Операционные системы
Продолжительность: 40 ак. часов
  • Расписание и цены
    23 — 27 сентября 2019
    40 ак. часов
    Новосибирск
    Дистанционный
    29 250 руб.
    11 — 15 ноября 2019
    40 ак. часов
    Москва
    Дистанционный
    29 250 руб.
    10 — 14 февраля 2020
    40 ак. часов
    Москва
    Дистанционный
    29 250 руб.
    Место обучения Формат Дата и время (МСК) Стоимость
  • О курсе

    Профиль аудитории:

    • Основной аудиторией данного курса являются специалисты, участвующие в анализе и представлении данных при помощи машинного обучения Azure (Azure Machine Learning).
    • Вторая часть аудитории – это ИТ-специалисты, разработчики и сотрудники, работающие с информацией, которым необходимо поддерживать решение на базе машинного обучения Azure (Azure Machine Learning).

    Предварительные требования:

    • Обладать опытом программирования с использованием R и иметь представление об основных пакетах R.
    • Обладать знаниями основных статистических методов и передового опыта в анализе данных.
    • Обладать базовыми знаниями операционной системы Microsoft Windows и ее основной функциональности.
    • Обладать опытом работы с реляционными базами данных.

    По окончании курса слушатели смогут:

    • Объяснить машинное обучение (Machine Learning) и использование алгоритмов и языков.
    • Объяснить назначение машинного обучения Azure (Azure Machine Learning) и перечислить основные возможности студии машинного обучения Azure (Azure Machine Learning Studio).
    • Загружать и исследовать различные типы данных в машинное обучение Azure (Azure machine Learning).
    • Исследовать и использовать техники для подготовки наборов данных для применения с машинным обучением Azure (Azure machine Learning).
    • Исследовать и использовать разработку функций и техники выборки на наборах данных, которые будут использоваться с машинным обучением Azure (Azure machine Learning).
    • Исследовать и использовать алгоритмы регрессии и нейронные сети с машинным обучением Azure (Azure machine Learning).
    • Исследовать и использовать алгоритмы классификации и кластеризации с машинным обучением Azure (Azure machine Learning).
    • Использовать R и Python с машинным обучением Azure (Azure Machine Learning) и выбирать подходящий язык для конкретных случаев.
    • Исследовать и использовать гиперпараметры (Hyper-Parameters), несколько алгоритмов и моделей, а также рассчитывать и оценивать модели.
    • Исследовать и предоставлять конечным пользователям службы машинного обучения Azure (Azure Machine Learning) и предоставлять в общий доступ данные сгенерированные моделями машинного обучения Azure (Azure Machine Learning).
    • Исследовать и использовать интерфейсы когнитивных служб (Cognitive Services APIs) для обработки текста и изображений, создавать рекомендательные приложения и описать использование нейронных сетей с машинным обучением Azure (Azure Machine Learning).
    • Исследовать и использовать HDInsight c машинным обучением Azure (Azure Machine Learning).
    • Исследовать и использовать R и R Server с машинным обучением Azure (Azure Machine Learning), объяснить развертывание и настройку SQL Server для поддержки служб R.
  • Программа курса

    Модуль 1: Введение в машинное обучение (Machine Learning).

    • Описание машинного обучения (Machine Learning)
    • Введение в алгоритмы машинного обучения (Machine Learning).
    • Введение в языки машинного обучения (Machine Learning).
    • Лабораторная работа: Введение в машинное обучение (Machine Learning).
    • Регистрация учтенной записи студии машинного обучения Azure (Azure Machine Learning Studio).
    • Просмотр простого эксперимента из галереи.
    • Оценка эксперимента.

    Модуль 2: Введение в машинное обучение Azure (Azure Machine Learning).

    • Обзор машинного обучения Azure (Azure Machine Learning).
    • Введение с студию машинного обучения Azure (Azure Machine Learning Studio).
    • Разработка и размещение приложений машинного обучения Azure.
    • Лабораторная работа: Введение в машинное обучение Azure (Azure Machine Learning).
    • Исследование рабочей области студии машинного обучения Azure.
    • Клонирование и запуск простого эксперимента.
    • Клонирование эксперимента, внесение простых изменений и запуск эксперимента.

    Модуль 3: Управление наборами данных (Datasets).

    • Категоризация данных.
    • Импорт данных в машинное обучение Azure (Azure Machine Learning).
    • Исследование и преобразование данных в машинном обучении Azure (Azure Machine Learning).
    • Лабораторная работа: Управление наборами данных (Datasets).
    • Подготовка базы данных Azure SQL.
    • Импорт данных.
    • Визуализация данных.
    • Суммирование данных.

    Модуль 4: Подготовка данных к использованию с машинным обучением Azure (Azure Machine Learning).

    • Предварительная обработка данных.
    • Обработка неполных наборов данных.
    • Лабораторная работа: Подготовка данных к использованию с машинным обучением Azure (Azure Machine Learning).
    • Исследование данных при помощи Power BI.
    • Очистка данных.

    Модуль 5: Использование разработки и выборки функций.

    • Использование разработки функций.
    • Использование выборки функций.
    • Лабораторная работа: Использование разработки и выборки функций.
    • Подготовка наборов данных.
    • Использование объединения и слияния данных.

    Модуль 6: Построение моделей машинного обучения Azure (Azure Machine Learning).

    • Рабочие потоки машинного обучения Azure (Azure Machine Learning).
    • Расчет и оценка моделей.
    • Использование алгоритмов регрессии.
    • Использование нейронных сетей.
    • Лабораторная работа: Построение моделей машинного обучения Azure (Azure Machine Learning).
    • Использование моделей студии машинного обучения Azure для регрессии.
    • Создание и запуск приложения на базе нейронной сети.

    Модуль 7: Использование классификации и кластеризации с моделями машинного обучения Azure (Azure Machine Learning).

    • Использование алгоритмов классификации.
    • Техники кластеризации.
    • Алгоритмы выборки.
    • Лабораторная работа: Использование классификации и кластеризации с моделями машинного обучения Azure (Azure Machine Learning).
    • Использование моделей студии машинного обучения Azure для классификаций.
    • Добавление секции k-means в эксперимент.
    • Добавление PCA для обнаружения аномалий.
    • Оценка моделей.

    Модуль 8: Использование R и Python с машинным обучением Azure (Azure Machine Learning).

    • Использование R.
    • Использование Python.
    • Включение R и Python в эксперименты машинного обучения (Machine Learning).
    • Лабораторная работа: Использование R и Python с машинным обучением Azure (Azure Machine Learning).
    • Исследование данных при помощи R.
    • Анализ данных при помощи Python.

    Модуль 9: Инициализация и оптимизация моделей машинного обучения (Machine Learning).

    • Использование гиперпараметров (Hyper-Parameters).
    • Использование нескольких алгоритмов и моделей.
    • Расчет и оценка моделей.
    • Лабораторная работа: Инициализация и оптимизация моделей машинного обучения (Machine Learning).
    • Использование гиперпараметров (Hyper-Parameters).

    Модуль 10: Использование моделей машинного обучения Azure (Azure Machine Learning).

    • Развертывание и публикация моделей.
    • Применение экспериментов.
    • Лабораторная работа: Использование моделей машинного обучения Azure (Azure Machine Learning).
    • Развертывание моделей машинного обучения (Machine Learning).
    • Применение опубликованной модели.

    Модуль 11: Использование когнитивных служб (Cognitive Services).

    • Обзор когнитивных служб.
    • Язык обработки.
    • Обработка изображений и видео.
    • Рекомендующие продукты.
    • Лабораторная работа: Использование когнитивных служб (Cognitive Services).
    • Построение языкового приложения.
    • Построение приложения распознания лиц.
    • Построение рекомендующего приложения.

    Модуль 12: Использование машинного обучения с HDInsight.

    • Введение в HDInsight.
    • Типы кластеров HDInsight.
    • HDInsight и модели машинного обучения (Machine Learning).
    • Лабораторная работа: Машинное обучения (Machine Learning) с HDInsight.
    • Развертывание кластера HDInsight.
    • Использование кластера HDInsight c MapReduce и Spark.

    Модуль 13: Использование служб R с машинным обучением (Machine Learning).

    • Обзор R и R Server.
    • Использование сервера R с машинным обучением (Machine Learning).
    • Использование R с SQL Server.
    • Лабораторная работа: Использование служб R с машинным обучением (Machine Learning).
    • Развертывание DSVM.
    • Подготовка базы данных SQL Server и настрой SQL Server и R.
    • Использование удаленных сессий R.
    • Выполнение скриптов R внутри выражений T-SQL.
  • Отзывы

    Ваш отзыв поможет кому-то сделать выбор. Спасибо, что делитесь опытом!

Связаться с менеджером

Настоящим в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006, отправляя данную форму, вы подтверждаете свое согласие на обработку персональных данных. Мы, ЗАО «СофтЛайн Интернейшнл» и аффилированные к нему лица, гарантируем конфиденциальность получаемой нами информации. Обработка персональных данных осуществляется в целях эффективного исполнения заказов, договоров и пр. в соответствии с «Политикой конфиденциальности персональных данных».

Запрос

В данный момент курс не стоит в открытом расписании. Оставьте запрос на этот курс, и мы свяжемся с вами для согласования времени и места проведения обучения.

Настоящим в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006, отправляя данную форму, вы подтверждаете свое согласие на обработку персональных данных. Мы, ЗАО «СофтЛайн Интернейшнл» и аффилированные к нему лица, гарантируем конфиденциальность получаемой нами информации. Обработка персональных данных осуществляется в целях эффективного исполнения заказов, договоров и пр. в соответствии с «Политикой конфиденциальности персональных данных».