Machine Learning & Deep Learning
Vil du forstå og bygge machine learning- og deep learning-modeller selv? Vores kurser dækker scikit-learn, TensorFlow og PyTorch i Python og MLOps med Azure Machine Learning.
Vil du forstå og bygge machine learning- og deep learning-modeller selv? Vores kurser dækker scikit-learn, TensorFlow og PyTorch i Python og MLOps med Azure Machine Learning.
Machine Learning & Deep Learning Kurser
AI Machine Learning Fundamentals
AI Deep Learning og Neurale Netværk
Extract insights from visual data on Azure
Operationalize machine learning and generative AI solutions
Kort om Machine Learning & Deep Learning
Machine learning handler om at lade en model finde mønstre i data i stedet for at programmere reglerne direkte. Deep learning er en underkategori, der bruger neurale netværk med mange lag til at løse mere komplekse opgaver som billed- og sproggenkendelse, og det er den teknologi, der ligger under alt fra anbefalingssystemer til store sprogmodeller. Området henvender sig til udviklere og dataspecialister, der vil forstå og bygge modeller, ikke kun bruge dem.
Fra data til model i Python
En model er kun så god som de data, den trænes på. Du lærer processen fra rådata over rensning og feature-udvælgelse til træning og evaluering med Pandas, NumPy og scikit-learn: hvordan du deler data i trænings- og testsæt, vælger den rigtige modeltype til opgaven (klassifikation, regression, clustering) og måler, om modellen faktisk generaliserer til nye data. Undervejs lærer du at genkende de klassiske faldgruber, med overfitting som den vigtigste: modellen, der husker træningsdata i stedet for at lære mønstret.
Neurale netværk med TensorFlow og PyTorch
Neurale netværk er opbygget af lag af kunstige neuroner, der tilsammen kan lære sammenhænge, som klassiske modeller ikke fanger. Du bygger og træner egne netværk med TensorFlow/Keras eller PyTorch og får styr på de centrale begreber: lag, aktiveringsfunktioner, backpropagation og optimering. Du får også indsigt i de vigtigste arkitekturer, fra konvolutionelle netværk til billedanalyse til transformer-arkitekturen, der har gjort moderne sprogmodeller mulige.
Computer vision og multimodal AI
Du lærer at kombinere multimodale generative AI-modeller, computer vision og værktøjer som Azure AI Content Understanding til at trække struktureret information ud af billeder, scannede dokumenter og video. Det er den slags opgaver, hvor færdigtrænede tjenester og egne modeller mødes: du lærer at vurdere, hvornår en færdig tjeneste rækker, og hvornår opgaven kræver en model trænet på egne data.
Fundamentet under generativ AI
Store sprogmodeller er deep learning i stor skala, og forståelsen af træning, data og evaluering er den samme, uanset om modellen klassificerer kundehenvendelser eller genererer tekst. Med et solidt ML-fundament kan du gennemskue, hvad generative modeller reelt gør, finjustere dem på egne data og evaluere dem systematisk i stedet for på mavefornemmelse. Vil du bygge oven på færdige modeller frem for at træne dem, er det emnet for LLM-integration & RAG.
MLOps og GenAIOps: fra notebook til produktion
En model, der virker i en notebook, er ikke det samme som en model i drift. Du får indblik i, hvordan machine learning-modeller og generative AI-løsninger deployes, overvåges og optimeres med Azure Machine Learning og Microsoft Foundry: versionering af data og modeller, automatiserede pipelines med GitHub Actions, infrastructure-as-code med Bicep, og overvågning af modeller, hvis præcision forringes, efterhånden som virkeligheden ændrer sig fra træningsgrundlaget.
Gratis kursusrådgivning
Det ligger os meget på sinde, at du finder det kursus, der skaber mest værdi for dig og din arbejdsplads. Brug et par minutter på at ringe eller skrive til vores rådgivere, der sidder klar med teknisk sparring - gratis og uforpligtende.
