Building AI Solutions on the Edge Training Course
Building AI Solutions on the Edge berfokus pada pembuatan dan penerapan model AI selangkah demi selangkah pada perangkat edge. Kursus ini mencakup proyek praktis dan aplikasi dunia nyata, memberikan peserta pengalaman langsung dalam mengembangkan dan mengimplementasikan solusi AI langsung pada perangkat keras edge.
Pelatihan langsung yang dipimpin instruktur (online atau di lokasi) ini ditujukan untuk pengembang tingkat menengah, ilmuwan data, dan penggemar teknologi yang ingin memperoleh keterampilan praktis dalam menerapkan model AI pada perangkat edge untuk berbagai aplikasi.
Pada akhir pelatihan ini, peserta akan mampu:
- Memahami prinsip-prinsip Edge AI dan manfaatnya.
- Menyiapkan dan mengonfigurasi lingkungan komputasi edge.
- Kembangkan, latih, dan optimalkan model AI untuk penerapan edge.
- Menerapkan solusi AI praktis pada perangkat edge.
- Evaluasi dan tingkatkan performa model yang diterapkan di edge.
- Mengatasi pertimbangan etika dan keamanan dalam aplikasi Edge AI.
Format Kursus
- Ceramah dan diskusi interaktif.
- Banyak latihan dan latihan.
- Implementasi langsung di lingkungan laboratorium langsung.
Opsi Kustomisasi Kursus
- Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.
Course Outline
Pengantar Edge AI
- Definisi dan konsep kunci
- Perbedaan antara Edge AI dan cloud AI
- Manfaat dan kasus penggunaan Edge AI
- Ikhtisar perangkat dan platform edge
Menyiapkan Lingkungan Edge
- Pengenalan perangkat edge (Raspberry Pi, NVIDIA Jetson, dll.)
- Menginstal perangkat lunak dan perpustakaan yang diperlukan
- Mengonfigurasi lingkungan pengembangan
- Mempersiapkan perangkat keras untuk penerapan AI
Mengembangkan Model AI untuk Edge
- Ikhtisar pembelajaran mesin dan model pembelajaran mendalam untuk perangkat edge
- Teknik untuk melatih model di lingkungan lokal dan cloud
- Pengoptimalan model untuk penerapan edge (kuantisasi, pemangkasan, dll.)
- Alat dan kerangka kerja untuk pengembangan Edge AI (TensorFlow Lite, OpenVINO, dll.)
Menerapkan Model AI pada Perangkat Edge
- Langkah-langkah untuk menerapkan model AI pada berbagai perangkat keras edge
- Pemrosesan dan inferensi data secara real-time pada perangkat edge
- Memantau dan mengelola model yang diterapkan
- Contoh praktis dan studi kasus
Solusi dan Proyek AI Praktis
- Mengembangkan aplikasi AI untuk perangkat edge (misalnya, visi komputer, pemrosesan bahasa alami)
- Proyek praktis: Membangun sistem kamera pintar
- Proyek praktis: Menerapkan pengenalan suara pada perangkat edge
- Proyek kelompok kolaboratif dan skenario dunia nyata
Evaluasi dan Optimasi Kinerja
- Teknik untuk mengevaluasi kinerja model pada perangkat edge
- Alat untuk memantau dan men-debug aplikasi AI edge
- Strategi untuk mengoptimalkan kinerja model AI
- Mengatasi tantangan latensi dan konsumsi daya
Integrasi dengan Sistem IoT
- Menghubungkan solusi AI edge dengan perangkat dan sensor IoT
- Communication protokol dan metode pertukaran data
- Membangun solusi Edge AI dan IoT yang menyeluruh
- Contoh integrasi praktis
Pertimbangan Etis dan Keamanan
- Memastikan privasi dan keamanan data dalam aplikasi Edge AI
- Mengatasi bias dan keadilan dalam model AI
- Kepatuhan terhadap peraturan dan standar
- Praktik terbaik untuk penerapan AI yang bertanggung jawab
Proyek dan Latihan Praktis
- Mengembangkan aplikasi Edge AI yang komprehensif
- Proyek dan skenario dunia nyata
- Latihan kelompok kolaboratif
- Presentasi proyek dan umpan balik
Ringkasan dan Langkah Selanjutnya
Requirements
- Pemahaman tentang konsep AI dan pembelajaran mesin
- Pengalaman dengan bahasa pemrograman (Python disarankan)
- Keakraban dengan konsep komputasi tepi
Hadirin
- Pengembang
- Ilmuwan data
- Penggemar teknologi
Open Training Courses require 5+ participants.
Building AI Solutions on the Edge Training Course - Booking
Building AI Solutions on the Edge Training Course - Enquiry
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Course - Kubeflow
Upcoming Courses (Minimal 5 peserta)
Related Courses
AdaBoost Python for Machine Learning
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan AdaBoost untuk membangun algoritma peningkatan untuk pembelajaran mesin dengan Python.
Pada akhir pelatihan ini, peserta akan dapat:
- Siapkan lingkungan pengembangan yang diperlukan untuk mulai membangun model pembelajaran mesin dengan AdaBoost.
- Memahami pendekatan pembelajaran ensemble dan cara menerapkan peningkatan adaptif.
- Pelajari cara membuat model AdaBoost untuk meningkatkan algoritma pembelajaran mesin di Python.
- Gunakan penyetelan hiperparameter untuk meningkatkan akurasi dan kinerja model AdaBoost.
AutoML with Auto-Keras
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data serta orang-orang yang kurang teknis yang ingin menggunakan Auto-Keras untuk mengotomatiskan proses pemilihan dan pengoptimalan model pembelajaran mesin.
Pada akhir pelatihan ini, peserta akan dapat:
- Otomatisasi proses pelatihan model pembelajaran mesin yang sangat efisien.
- Secara otomatis mencari parameter terbaik untuk model pembelajaran mendalam.
- Membangun model pembelajaran mesin yang sangat akurat.
- Gunakan kekuatan pembelajaran mesin untuk memecahkan masalah bisnis di dunia nyata.
AutoML
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk orang-orang teknis dengan latar belakang pembelajaran mesin yang ingin mengoptimalkan model pembelajaran mesin yang digunakan untuk mendeteksi pola-pola kompleks dalam data besar.
Pada akhir pelatihan ini, peserta akan dapat:
- Instal dan evaluasi berbagai alat sumber terbuka AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, dll.)
- Melatih model pembelajaran mesin berkualitas tinggi.
- Memecahkan berbagai jenis masalah pembelajaran mesin yang diawasi secara efisien.
- Tulis kode yang diperlukan saja untuk memulai proses pembelajaran mesin otomatis.
Creating Custom Chatbots with Google AutoML
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk peserta dengan berbagai tingkat keahlian yang ingin memanfaatkan platform Google AutoML untuk membuat chatbot yang disesuaikan untuk berbagai aplikasi.
Pada akhir pelatihan ini, peserta akan mampu:
- Memahami dasar-dasar pengembangan chatbot.
- Navigasikan Google Cloud Platform dan akses AutoML.
- Siapkan data untuk melatih model chatbot.
- Latih dan evaluasi model chatbot khusus menggunakan AutoML.
- Terapkan dan integrasikan chatbot ke berbagai platform dan saluran.
- Pantau dan optimalkan kinerja chatbot dari waktu ke waktu.
Pattern Recognition
21 HoursThis instructor-led, live training in Indonesia (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
- Apply core statistical methods to pattern recognition.
- Use key models like neural networks and kernel methods for data analysis.
- Implement advanced techniques for complex problem-solving.
- Improve prediction accuracy by combining different models.
DataRobot
7 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan analis data yang ingin mengotomatiskan, mengevaluasi, dan mengelola model prediktif menggunakan kemampuan pembelajaran mesin DataRobot.
Pada akhir pelatihan ini, peserta akan dapat:
- Muat kumpulan data dalam DataRobot untuk menganalisis, menilai, dan memeriksa kualitas data.
- Bangun dan latih model untuk mengidentifikasi variabel penting dan memenuhi target prediksi.
- Menafsirkan model untuk menciptakan wawasan berharga yang berguna dalam pengambilan keputusan bisnis.
- Pantau dan kelola model untuk mempertahankan kinerja prediksi yang optimal.
Data Mining with Weka
14 HoursPelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk analis data dan ilmuwan data tingkat pemula hingga menengah yang ingin menggunakan Weka untuk melakukan tugas penambangan data.
Pada akhir pelatihan ini, peserta akan dapat:
- Instal dan konfigurasikan Weka.
- Memahami lingkungan dan meja kerja Weka.
- Lakukan tugas penambangan data menggunakan Weka.
Google Cloud AutoML
7 HoursPelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data, analis data, dan pengembang yang ingin menjelajahi AutoML produk dan fitur untuk membuat dan menerapkan model pelatihan ML khusus dengan upaya minimal.
Pada akhir pelatihan ini, peserta akan dapat:
- Jelajahi lini produk AutoML untuk menerapkan berbagai layanan untuk berbagai tipe data.
- Siapkan dan beri label kumpulan data untuk membuat model ML khusus.
- Melatih dan mengelola model untuk menghasilkan model pembelajaran mesin yang akurat dan adil.
- Buat prediksi menggunakan model terlatih untuk memenuhi tujuan dan kebutuhan bisnis.
Kubeflow
35 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang dan ilmuwan data yang ingin membangun, menerapkan, dan mengelola alur kerja pembelajaran mesin di Kubernetes.
Pada akhir pelatihan ini, peserta akan mampu:
- Instal dan konfigurasikan Kubeflow di lokasi dan di cloud menggunakan AWS EKS (Layanan Elastis Kubernetes).
- Bangun, terapkan, dan kelola alur kerja ML berdasarkan Docker container dan Kubernetes.
- Jalankan seluruh alur pembelajaran mesin pada beragam arsitektur dan lingkungan cloud.
- Menggunakan Kubeflow untuk menelurkan dan mengelola notebook Jupyter.
- Bangun pelatihan ML, penyesuaian hyperparameter, dan penyajian beban kerja di berbagai platform.
MLflow
21 HoursPelatihan langsung yang dipimpin instruktur (online atau di lokasi) ini ditujukan untuk data scientist yang ingin melakukan lebih dari sekadar membuat model ML dan mengoptimalkan proses pembuatan, pelacakan, dan penerapan model ML.
Pada akhir pelatihan ini, peserta akan mampu:
- Instal dan konfigurasikan MLflow serta pustaka dan kerangka kerja ML terkait.
- Menghargai pentingnya keterlacakan, kemampuan reproduksi, dan kemampuan penerapan model ML
- Terapkan model ML ke cloud publik, platform, atau server lokal yang berbeda.
- Skalakan proses penerapan ML untuk mengakomodasi banyak pengguna yang berkolaborasi dalam sebuah proyek.
- Siapkan registri pusat untuk bereksperimen, mereproduksi, dan menerapkan model ML.
Machine Learning for Mobile Apps using Google’s ML Kit
14 HoursPelatihan langsung yang dipimpin instruktur ini (online atau di tempat) ditujukan untuk pengembang yang ingin menggunakan Google ML Kit untuk membangun model pembelajaran mesin yang dioptimalkan untuk pemrosesan pada perangkat seluler.
Pada akhir pelatihan ini, peserta akan dapat:
- Siapkan lingkungan pengembangan yang diperlukan untuk mulai mengembangkan fitur pembelajaran mesin untuk aplikasi seluler.
- Integrasikan teknologi pembelajaran mesin baru ke dalam aplikasi Android dan iOS menggunakan API ML Kit.
- Tingkatkan dan optimalkan aplikasi yang ada menggunakan SDK ML Kit untuk pemrosesan dan penerapan pada perangkat.
Pattern Matching
14 HoursPattern Matching adalah teknik yang digunakan untuk menemukan pola tertentu dalam sebuah gambar. Teknik ini dapat digunakan untuk menentukan keberadaan karakteristik tertentu dalam gambar yang diambil, misalnya label yang diharapkan pada produk cacat di jalur produksi pabrik atau dimensi komponen tertentu. Teknik ini berbeda dari "Pattern Recognition" (yang mengenali pola umum berdasarkan kumpulan sampel terkait yang lebih besar) karena teknik ini secara spesifik mendiktekan apa yang kita cari, lalu memberi tahu kita apakah pola yang diharapkan itu ada atau tidak.
Format Kursus
- Kursus ini memperkenalkan pendekatan, teknologi, dan algoritma yang digunakan dalam bidang pencocokan pola sebagaimana diterapkan pada Machine Vision.
Machine Learning with Random Forest
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan Random Forest untuk membangun algoritma pembelajaran mesin untuk kumpulan data besar.
Pada akhir pelatihan ini, peserta akan dapat:
- Siapkan lingkungan pengembangan yang diperlukan untuk mulai membangun model pembelajaran mesin dengan Hutan Acak.
- Memahami keuntungan Random Forest dan cara mengimplementasikannya untuk menyelesaikan masalah klasifikasi dan regresi.
- Pelajari cara menangani kumpulan data besar dan menafsirkan beberapa pohon keputusan di Random Forest.
- Mengevaluasi dan mengoptimalkan kinerja model pembelajaran mesin dengan menyetel hiperparameter.
Advanced Analytics with RapidMiner
14 HoursPelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk analis data tingkat menengah yang ingin mempelajari cara menggunakan RapidMiner untuk memperkirakan dan memproyeksikan nilai dan memanfaatkan alat analitis untuk peramalan deret waktu.
Pada akhir pelatihan ini, peserta akan dapat:
- Pelajari cara menerapkan metodologi CRISP-DM, pilih algoritma pembelajaran mesin yang tepat, dan tingkatkan konstruksi dan kinerja model.
- Gunakan RapidMiner untuk memperkirakan dan memproyeksikan nilai, dan memanfaatkan alat analitis untuk peramalan deret waktu.
RapidMiner for Machine Learning and Predictive Analytics
14 HoursRapidMiner adalah platform perangkat lunak ilmu data sumber terbuka untuk pembuatan prototipe dan pengembangan aplikasi yang cepat. Platform ini mencakup lingkungan terintegrasi untuk persiapan data, pembelajaran mesin, pembelajaran mendalam, penambangan teks, dan analisis prediktif.
Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan RapidMiner Studio untuk persiapan data, pembelajaran mesin, dan penerapan model prediktif.
Pada akhir pelatihan ini, peserta akan dapat:
- Instal dan konfigurasikan RapidMiner
- Siapkan dan visualisasikan data dengan RapidMiner
- Validasi model pembelajaran mesin
- Gabungkan data dan buat model prediktif
- Mengoperasionalkan analitik prediktif dalam proses bisnis
- Pecahkan masalah dan optimalkan RapidMiner
Hadirin
- Ilmuwan data
- Insinyur
- Pengembang
Format Kursus
- Sebagian kuliah, sebagian diskusi, latihan dan praktik langsung yang berat
Catatan
- Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.