Erfolgskontrolle Schulungen finden - Das passende Seminar in Ihrer Nähe

Overview

This course is intended for IT professionals tasked with administering an IBM Storage Scale storage cluster in Linux and AIX environments. It includes information on installing, configuring, and monitoring an IBM Storage Scale cluster. Many Storage Scale features are described in lecture materials and then implemented in lab exercises. These features include: Storage management, high availability options, cluster management, and information lifecycle management (ILM) tools. Upon completion of this course, you will earn an IBM badge that recognizes your skills and knowledge in this area. Note: Although the lab environment is running the Linux operating system, the differences in Storage Scale compared with an AIX environment are minor.  Therefore, the skills acquired during the course can be applied in both Linux and AIX environments.

Overview

In this course, you learn how watsonx.ai might help you to put AI to work in your business. You explore the foundation models supported in watsonx.ai and improve your prompt engineering skills. You experiment with prompt tuning and seek to understand when to use it over prompt engineering. You explore the LangChain framework that helps you build AI applications based on foundation models. Lastly, you solve several use cases, such as RAG (Retrieval Augmented Generation) and summarization. The course has a large practical component with hands-on exercises on prompt engineering, prompt tuning, and the solving of several use cases with the tools and techniques described in this course.

Nach dem Seminar sind Sie in der Lage, komplexe und mehrstufige Prompts systematisch zu entwickeln und für unterschiedliche Anwendungsszenarien zu optimieren. Sie beherrschen Methoden zur Prompt-Strukturierung, Testverfahren zur Evaluierung der Ausgabequalität und den gezielten Einsatz von Tools wie Few-Shot Learning, Chain-of-Thought und Funktionales Prompting.

Softwarequalität beginnt mit klar definierten Anforderungen. In diesem Seminar lernen Sie, wie Sie durch ein professionelles Anforderungsmanagement die Grundlage für eine hochwertige Software schaffen und die Prinzipien der ISO/IEC 25010 gezielt einsetzen. 

Das Seminar zielt darauf ab, Unternehmen dabei zu unterstützen, Text  Mining und natürliche Sprachverarbeitung effektiv in ihren  Geschäftsprozessen einzusetzen. Das Hauptziel besteht darin, den  Teilnehmern die erforderlichen Kenntnisse und Fähigkeiten zu vermitteln,  um Textdaten zu analysieren, relevante Informationen zu extrahieren,  Muster zu erkennen und fundierte Entscheidungen auf der Grundlage dieser  Erkenntnisse zu treffen. Das Seminar soll den Unternehmen helfen, die  Vorteile von Text Mining und natürlicher Sprachverarbeitung zu nutzen,  um ihre Effizienz zu steigern, Kundenbedürfnisse besser zu verstehen,  Wettbewerbsvorteile zu erzielen und die Qualität ihrer Produkte und  Dienstleistungen zu verbessern.

Machine Learning- und Deep Learning-Techniken können komplexe verborgene Muster in Zeitreihendatensätzen extrahieren, die für klassische statistische Methoden unerreichbar sind. Das macht Deep Learning zu einem vielversprechenden Werkzeug für die Zeitreihenprognose. 



Dieses ML/DL Seminar zeigt, wie moderne neuronale Netze und die letzten Fortschritte im Deep Learning auf reale Vorhersageprobleme angewendet werden können. Der Kurs deckt Techniken des maschinellen Lernens ab, die für Prognoseprobleme relevant sind, von univariaten und multivariaten Zeitreihen von überwachtem Lernen bis hin zu modernsten Deep Forecasting-Modellen wie LSTMs, rekurrenten neuronalen Netzen (RNNs), dem Open-Source-Modell Prophet von Facebook und Amazon DeepAR-Modell.



Der Kurs ist auch für diejenigen geeignet, die mit der Arbeit an Vorhersageaufgaben anfangen möchten und zunächst mit traditionellen Modellen beginnen und schrittweise zu immer fortgeschritteneren Modellen übergehen möchten. 

Overview

This course helps you explore the IBM Cloud Pak for Data monitoring and alerting framework. In this course, you customize alert forwarding, configure the monitoring stack so that it sends Cloud Pak for Data metrics to Prometheus.  You perform routine Cloud Pak for Data monitoring, which leads to investigating and resolving issues in your environment. You also deploy scripts that use platform APIs, and enhance the monitoring feature by introducing custom monitors.

Was Sie in diesem Kurs lernen:

• Select and justify the appropriate ML approach for a given business problem
• Use the ML pipeline to solve a specific business problem
• Train, evaluate, deploy, and tune an ML model in Amazon SageMaker
• Describe some of the best practices for designing scalable, cost-optimized, and secure ML pipelines in AWS
• Apply machine learning to a real-life business problem after the course is complete

Overview

IBM watsonx.ai: Rapid Machine Learning Model Development and Deployment with AutoAI aims to familiarize data science and analytics professionals with the fundamentals of the IBM watsonx.ai AutoAI tool. This course walks users through creating IBM Cloud projects, building, and evaluating AutoAI experiments for various supervised machine learning and time series use cases, and finally, learners leverage Chat in the Prompt Lab for further analysis of the use case.

The course guides participants through AutoAI features, from model development to deployment, using a no-code approach for:

• Classification models
• Text classification models
• Regression models
• Time series models
• Hyperparameter tuning
• Model explainability
• Data imputation
• Model evaluation
• Model testing
• Deployment

Ziel dieses Kurses ist es, den Teilnehmern das notwendige Wissen und die praktischen Fähigkeiten zu vermitteln, um große Sprachmodelle (LLMs) gezielt auf individuelle Anwendungsfälle anzupassen. Sie lernen, wie Fine-Tuning effektiv durchgeführt wird - von der Auswahl geeigneter Modelle über die Datenaufbereitung bis zur Modelloptimierung. Besonderes Augenmerk liegt auf ressourcenschonenden Verfahren wie PEFT und LoRA, die auch ohne High-End-Hardware produktive Ergebnisse liefern.

Darüber hinaus verstehen die Teilnehmenden, wie sie RAG-Architekturen einsetzen, um externe Wissensquellen mit LLMs zu verknüpfen. Sie lernen, wie Dokumente vorbereitet, Vektorindizes erstellt und Retrieval-Pipelines aufgebaut werden. Die Kombination aus Fine-Tuning und RAG befähigt sie, LLMs so zu personalisieren, dass diese präzise, kontextrelevante und aktuelle Informationen liefern.

Ein weiteres Ziel ist es, den Teilnehmenden praxisrelevante Best Practices für die Evaluierung und den produktiven Einsatz von angepassten LLMs zu vermitteln. Sie werden in die Lage versetzt, eigene Projekte eigenständig zu planen und umzusetzen - sowohl in Cloud-Umgebungen als auch lokal. Nach dem Kurs sind sie in der Lage, Fine-Tuning- und RAG-Methoden sicher anzuwenden und daraus robuste, individuelle LLM-Anwendungen zu entwickeln.