Data Science 與 AI 使用 Python 簡介培訓

LangGraph 是一個用於構建具狀態、多參與者 LLM 應用程式的框架，其特點是可組合的圖結構、持久狀態以及對執行的控制。

這是一個由講師主導的培訓課程（線上或線下），旨在為高階 AI 平台工程師、AI DevOps 工程師以及處理生產級 LangGraph 系統的 ML 架構師提供優化、調試、監控和運營的相關技能。

在本課程結束時，參與者將能夠：

• 設計並優化複雜的 LangGraph 拓撲結構，以實現速度、成本和可擴展性的最佳化。
• 通過重試、超時、冪等性和基於檢查點的恢復來實現可靠性工程。
• 調試和追蹤圖執行過程，檢查狀態，並系統性地重現生產問題。
• 為圖添加日誌、指標和追蹤，部署到生產環境，並監控 SLA 和成本。

課程形式

• 互動式講座與討論。
• 大量練習與實踐。
• 在即時實驗環境中進行實作。

課程定制選項

• 如需定制本課程，請聯繫我們進行安排。

這種由 講師指導的 澳門 現場培訓（在線或現場）面向希望使用 Anaconda 生態系統在單一平臺中捕獲、管理和部署軟體包和數據分析工作流 的數據科學家。

在本次培訓結束時，參與者將能夠：

• 安裝和配置 Anaconda 個元件和庫。
• 瞭解 Anaconda 的核心概念、功能和優勢。
• 使用 Anaconda Navigator 管理包、環境和頻道。
• 將 Conda、R 和 Python 包用於數據科學和機器學習。
• 瞭解管理多個數據環境的一些實際使用案例和技術。

這種以講師為主導的澳門現場培訓（現場或遠端）針對的是希望將Dask與Python生態系統一起使用以構建，擴展和分析大型數據集的數據科學家和軟體工程師。

在培訓結束時，參與者將能夠：

• 設置環境以開始使用 Dask 和 Python 構建大數據處理。
• 探索 Dask 中提供的功能、庫、工具和 API。
• 瞭解 Dask 如何在 Python 中加速並行計算。
• 瞭解如何使用 Dask 擴展 Python 生態系統（Numpy、SciPy 和 Pandas）。
• 優化 Dask 環境，以保持處理大型數據集的高性能。

這是一個由講師指導的澳門（線上或線下）培訓課程，目標對象是希望提升數據分析與處理技能的中級Python開發人員和數據分析師，課程內容涵蓋Pandas和NumPy的使用。

在培訓結束時，學員將能夠：

• 設置包含Python、Pandas和NumPy的開發環境。
• 使用Pandas和NumPy創建數據分析應用。
• 執行高級的數據整理、排序和過濾操作。
• 進行聚合操作並分析時間序列數據。
• 使用Matplotlib和其他可視化庫進行數據可視化。
• 調試和優化數據分析代碼。

這種以講師為主導的現場培訓（現場或遠端）面向希望使用FARM（FastAPI，React和MongoDB）堆棧構建動態，高性能和可擴展Web應用程式的開發人員。

在培訓結束時，參與者將能夠：

設置整合 FastAPI、React 和 MongoDB 的必要開發環境。 瞭解 FARM 堆疊的關鍵概念、功能和優勢。 瞭解如何使用FastAPI構建REST API。 瞭解如何使用 React 設計互動式應用程式。 使用 FARM 堆疊開發、測試和部署應用程式（前端和後端）。

這種以講師為主導的澳門現場培訓（現場或遠端）面向希望將FastAPI與Python一起使用以更輕鬆，更快速地構建，測試和部署RESTful API的開發人員。

在培訓結束時，參與者將能夠：

• 設置必要的開發環境，以使用Python和FastAPI開發API。
• 使用FastAPI庫更快速、更輕鬆地創建API。
• 學習如何基於Pydantic和OpenAPI創建數據模型和模式。
• 使用SQLAlchemy將API連接到數據庫。
• 使用FastAPI工具在API中實現安全性和身份驗證。
• 構建容器鏡像並將Web API部署到雲端伺服器。

這個由 講師指導的 澳門 現場培訓（在線或現場）面向希望在 Data Science 中使用 Kaggle 學習和建立職業生涯的數據科學家和開發人員。

在本次培訓結束時，參與者將能夠：

• 了解數據科學和機器學習。
• 探索數據分析。
• 瞭解 Kaggle 及其工作原理。

LangGraph 是一個用於構建有狀態、多參與者 LLM 應用的框架，通過可組合的圖結構實現持久狀態和執行控制。

本次由講師主導的培訓（線上或線下）面向中級到高級專業人士，旨在幫助他們設計、實施和運營基於 LangGraph 的金融解決方案，確保其具備適當的治理、可觀測性和合規性。

通過本次培訓，參與者將能夠：

• 設計與監管和審計要求一致的金融專用 LangGraph 工作流。
• 將金融數據標準和本體集成到圖狀態和工具中。
• 爲關鍵流程實施可靠性、安全性和人工介入控制。
• 部署、監控和優化 LangGraph 系統，以滿足性能、成本和 SLA 要求。

課程形式

• 互動式講座與討論。
• 大量練習與實踐。
• 在即時實驗室環境中進行實際操作。

課程定製選項

• 如需定製本課程，請聯繫我們安排。

LangGraph 是一個用於構建圖結構 LLM 應用的框架，支持規劃、分支、工具使用、內存和可控執行。

本次由講師指導的培訓（線上或線下）面向初級開發者、提示工程師和數據從業者，旨在幫助他們使用 LangGraph 設計和構建可靠的多步驟 LLM 工作流。

培訓結束後，參與者將能夠：

• 解釋 LangGraph 的核心概念（節點、邊、狀態）及其使用場景。
• 構建支持分支、調用工具和保持內存的提示鏈。
• 將檢索和外部 API 集成到圖工作流中。
• 測試、調試和評估 LangGraph 應用的可靠性和安全性。

課程形式

• 互動講座和引導討論。
• 在沙盒環境中進行指導實驗和代碼演練。
• 基於場景的設計、測試和評估練習。

課程定製選項

• 如需爲此課程定製培訓，請聯繫我們安排。

LangGraph 支持由 LLM 驅動的有狀態、多參與者工作流，並能精確控制執行路徑和狀態持久化。在醫療領域，這些功能對於合規性、互操作性以及構建符合醫療工作流的決策支持系統至關重要。

本次講師主導的培訓（線上或線下）面向中高級專業人員，旨在幫助他們設計、實施和管理基於 LangGraph 的醫療解決方案，同時應對監管、道德和操作挑戰。

培訓結束後，參與者將能夠：

• 設計符合合規性和可審計性的醫療專用 LangGraph 工作流。
• 將 LangGraph 應用與醫療本體和標準（FHIR、SNOMED CT、ICD）集成。
• 在敏感環境中應用可靠性、可追溯性和可解釋性的最佳實踐。
• 在醫療生產環境中部署、監控和驗證 LangGraph 應用。

課程形式

• 互動式講座與討論。
• 基於真實案例的實踐練習。
• 在即時實驗環境中進行實施實踐。

課程定製選項

• 如需定製本課程，請聯繫我們安排。

LangGraph 是一個用於構建圖結構 LLM 工作流的框架，支持分支、工具使用、內存和可控執行。

本次由講師指導的培訓（線上或線下）面向中級工程師和產品團隊，他們希望將 LangGraph 的圖邏輯與 LLM 代理循環相結合，以構建動態、上下文感知的應用程序，如客戶支持代理、決策樹和信息檢索系統。

在培訓結束時，參與者將能夠：

• 設計基於圖的工作流，協調 LLM 代理、工具和內存。
• 實現條件路由、重試和回退，以確保穩健執行。
• 將檢索、API 和結構化輸出集成到代理循環中。
• 評估、監控並強化代理行爲，以確保可靠性和安全性。

課程形式

• 互動講座和引導討論。
• 在沙盒環境中進行引導實驗和代碼演練。
• 基於場景的設計練習和同行評審。

課程定製選項

• 如需爲此課程定製培訓，請聯繫我們安排。

LangGraph 是一個基於圖的編排框架，支持條件化、多步驟的 LLM 和工具工作流，非常適合自動化和個性化內容管道。

本課程由講師主導，提供線上或線下培訓，面向中級營銷人員、內容策略師和自動化開發人員，旨在幫助他們使用 LangGraph 實現動態、分支的電子郵件營銷活動和內容生成管道。

在本培訓結束時，參與者將能夠：

• 設計具有條件邏輯的圖結構內容和電子郵件工作流。
• 集成 LLM、API 和數據源以實現自動化個性化。
• 在多步驟營銷活動中管理狀態、記憶和上下文。
• 評估、監控和優化工作流性能和交付結果。

課程形式

• 互動式講座和小組討論。
• 動手實驗，實現電子郵件工作流和內容管道。
• 基於場景的練習，涵蓋個性化、分段和分支邏輯。

課程定製選項

• 如需爲本課程定製培訓，請聯繫我們進行安排。

這種由 講師指導的 澳門 現場現場培訓（在線或現場）面向希望使用 Modin 構建和實施並行計算的數據科學家和開發人員 Pandas 以加快數據分析速度。

在本次培訓結束時，參與者將能夠：

• 設置必要的環境，開始使用 Modin 大規模開發 Pandas 工作流。
• 瞭解 Modin 的功能、架構和優勢。
• 瞭解 Modin、Dask 和 Ray 之間的區別。
• 使用 Modin 更快地執行 Pandas 操作。
• 實現整個 Pandas API 和函數。

這種以講師為主導的澳門現場培訓（現場或遠端）針對希望使用RAPIDS構建GPU加速數據管道，工作流和可視化的數據科學家和開發人員，應用機器學習演算法，如XGBoost，cuML等。

在培訓結束時，參與者將能夠：

• 設置必要的開發環境以使用 NVIDIA RAPIDS 構建數據模型。
• 瞭解 RAPIDS 的特性、元件和優勢。
• 利用 GPU 加速端到端數據和分析管道。
• 使用 cuDF 和 Apache Arrow 實現 GPU 加速的數據準備和 ETL。
• 瞭解如何使用 XGBoost 和 cuML 演算法執行機器學習任務。
• 使用 cuXfilter 和 cuGraph 構建數據可視化並執行圖形分析。