Kurser

Online kursus 
Online læring, der kan tages, når det passer dig

Machine Learning

Tilmelding Garantifor afholdelse

Få adgang til online kurset.
Tilgængeligt i 365 dage.
DKK  7.499
ekskl. moms
Nr. 90606 P

Machine Learning handler om at få maskiner til at lære, baseret på data. Lær, hvordan Machine Learning kan forbedre jeres processer, ved hjælp af automatisering og analyse af data. Kurset giver dig bl.a. indblik i de forskellige principper inden for Supervised Learning, Deep Learning og neurale netværk, og arbejdet med forskellige modeller og biblioteker som fx Keras. Kursuspakken er på engelsk og er tilgængelig online i 365 dage.

Online kursus

Introduktion

Denne kursuspakke introducerer dig til de mange områder inden for Machine Learning, så du lærer at effektivisere processer baseret på data. Kurserne berører emner som f.eks. Supervised Learning, Deep Learning, Convolutional Neural Networks, BigML, Machine Learning algoritmer og Modllering Enterprise Services, Low-code og meget mere.

Deltagerprofil

Kursuspakken henvender sig til personer, som ønsker at lære om Machine Learning og hvordan Machine Learning kan benyttes til at automatisere og effektivisere læring baseret på data.

Udbytte

  • Bliv introduceret til Machine Learning og Supervised Learning samt neurale netværk
  • Lær om principper inden for Deep Learning og om de mere avancerede områder som f.eks. Q-Learning
  • Lær at omstrukturere Machine Learning og Deep Learning algoritmer
  • Lær om Modellering Enterprise Service, og hvordan Machine Learning implementeres til med Amazon Web Services, Microsoft Azure og Google Cloud Platform
  • Bliv introduceret til Keras, BigML, CNN og Reinforcement Learning
  • Lær om Low-code Machine Learning med KNIME, og hvordan du bygger modeller
  • Bliv introduceret til MLOps og lær at arbejde med MLflow

Det får du på onlinekurset

Vi sørger for, at rammerne er i orden, så du kan fokusere på at lære.

Undervisning på engelsk

Undervisning på engelsk

Indeholder blandt andet

Exploring Machine Learning
  • Introduction to Machine Learning and Supervised Learning
  • Supervised Learning Models
  • Unsupervised Learning
  • Neural Networks
  • Convolutional and Recurrent Neural Networks
  • Applying Machine Learning
Fundamentals of Convolutional Neural Networks
  • Introduction to Convolutional Neural Networks
  • Working with Convolutional Neural Networks
Improving Neural Networks: Regularization and Optimization
  • Neural Network Performance Management
  • Loss Function & Optimization
  • Data Scaling & Regularization
Architecting Balance: On-prem, Cloud, and Hybrid
  • Designing Hybrid Cloud Solutions
  • Hybrid Cloud Implementation with AWS & Azure
Refactoring ML/DL Algorithms
  • Techniques & Principles
  • Refactor Machine Learning Algorithms
Advanced Topics in Deep Learning
  • Applied Deep Learning: Unsupervised Data
  • Applied Deep Learning: Generative Adversarial Networks and Q-Learning
Implementing Deep Learning
  • Practical Deep Learning Using Frameworks & Tools
  • Optimized Deep Learning Applications
Modelling Enterprise Services
  • Enterprise Machine Learning with AWS
  • Machine Learning Implementation on Microsoft Azure
  • Machine Learning Implementation on Google Cloud Platform
Advanced Reinforcement Learning
  • Principles
  • Implementation
ML/DL Best practices
  • Machine Learning Workflow Best Practices
  • Building Pipelines with Applied Rules
Building & Enterprise-grade Architecture
  • Architectural Principles & Patterns
  • Design Architecture for Machine Learning Applications
Natural Language Processing for ML with Python
  • NLP Using Python & NLTK
  • Advanced NLP Using spaCy & Scikit-learn
Keras, An Introduction
  • Keras - a Neural Network Framework
Extending Keras
  • Working with the Keras Framework
Drag and Drop Machine Learning Using Big ML
  • An Introduction to Machine Learning & BigML
  • Getting Hands-on with BigML
  • Building Supervised Learning Models
  • Unsupervised Learning
Graph Neural Network
  • An Introduction to Graph Neural Networks
  • Classifying Graph Nodes with the Spektral Library
Low-code Machine Learning with KNIME
  • Getting Started with the KNIME Analytics Platform
  • Building Regression Models
  • Building Classification Models
  • Building Clustering Models
  • Performing Time Series & Market Basket Analysis
No-code Machine Learning with RapidMiner
  • Getting Started with RapidMiner
  • Performing Regression Analysis
  • Building & Using Classification Models
  • Performing Clustering Analysis
  • Time-series Forecasting & Market Basket Analysis
Machine Learning Using SQL with BigQuery ML
  • Building Regression Models
  • Building Classification Models
  • Building Unsupervised Models
  • Training Time Series Forecasting Models
MLOps with MLflow
  • Getting Started
  • Creating & Tracking ML Models
  • Registering & Deploying ML Models
  • Hyperparameter Tuning ML Models
  • Creating Time-series Models & Evaluating Models
  • Tracking Deep Learning Models
  • Using MLflow Projects & Recipes
Introduction to MLOps
  • Getting Started with MLOps
MLOps with Data Version Control (DVC)
  • Getting Started
  • Working with Pipelines & DVCLive
  • Tracking & Serving Models with DVC & MLEM
  • Tracking & Logging Deep Learning Models
  • Creating & Using DVC Pipelines
  • CI/CD Using Continuous Machine Learning
 

Tidsforbrug

Kursussamlingen består af 66 moduler og kan gennemføres på ca. 84 timer. Kurset kan med fordel bruges som et opslagsværk.

Form

Denne online kursuspakke består af flere forskellige kurser, som du ved tilmelding har adgang til i 365 dage. Hvert enkelt kursus er opdelt i flere kursusmoduler, som du via en oversigtsmenu kan tage i den rækkefølge, du ønsker. Modulerne indeholder lyd, billeder og tekst, der gennemgår kursusindholdet. Nogle moduler indeholder små videofilm med scenarier og cases. Ved hvert kursus har du mulighed for at teste din forståelse af indholdet med tests, som du kan tage både før, under og efter kurset. Du gennemfører kursusmodulerne via din computer eller tablet med lyd og adgang til Internettet. Du kan selv styre, hvornår du vil tage modulerne – og de kan sættes på pause undervejs. Der bliver indsat bogmærker, der hvor du er nået til, så du altid har mulighed for at fortsætte, hvor du sidst kom til.

Læs mere om vores online kurser og se svar på dine spørgsmål (FAQ).

Søgte du et andet online kursus?

Vi tilbyder en bred vifte af forskellige kurser inden for mange områder. Kontakt os på tlf. 72203000 eller kurser@teknologisk.dk, så vi kan hjælpe med at imødekomme dit behov.

Se desuden listen over vores udvalgte online kurser.

Køb online kurser til flere

Er I en afdeling, en hel virksomhed eller blot flere personer, der ønsker adgang til online kurser, så kontakt os og få et tilbud på tlf. 72203000 eller kurser@teknologisk.dk.

Vil du vide mere?

5 ting du bør vide om Machine Learning

På baggrund af algoritmer kan computeren nu lære at identificere mønstrer i data, for derefter at lave forudsigelser ud fra disse data. Bliv klogere på Machine Learn...

Læs mere
 

Hvad kan Machine Learning? Og hvordan kan du anvende det?

Machine Learning er et felt inden for datalogi, hvor der arbejdes med at gøre computere i stand til at ”lære” og progressivt forbedre deres læring og res...

Læs mere