Cursos de Aprendizagem Profunda (Deep learning) em Brasília

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível intermediário, cientistas de dados e profissionais de IA que desejam aproveitar o TensorFlow Lite para aplicativos Edge AI.

No final deste treinamento, os participantes serão capazes de:

• Entenda os fundamentos do TensorFlow Lite e seu papel no Edge AI.
• Desenvolver e otimizar modelos de IA usando TensorFlow Lite.
• Implantar modelos TensorFlow Lite em vários dispositivos de borda.
• Utilizar ferramentas e técnicas para conversão e otimização de modelos.
• Implementar aplicativos práticos de IA de borda usando o TensorFlow Lite.

Esta formação presencial ou online em Brasília é direcionada a profissionais avançados que desejam aprofundar seu entendimento sobre visão computacional e explorar as capacidades do TensorFlow para desenvolver modelos de visão sofisticados usando o Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) utilizando o TensorFlow.
• Utilizar o Google Colab para desenvolvimento de modelos escaláveis e eficientes em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Deployar modelos de visão computacional para aplicações do mundo real.
• Utilizar transfer learning para melhorar o desempenho das CNNs.
• Visualizar e interpretar os resultados dos modelos de classificação de imagens.

Este treinamento ao vivo, conduzido por instrutor (online ou presencial) em Brasília, é direcionado a cientistas de dados e desenvolvedores intermediários que desejam entender e aplicar técnicas de aprendizado profundo usando o ambiente Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar e navegar pelo Google Colab para projetos de aprendizado profundo.
• Compreender os fundamentos das redes neurais.
• Implementar modelos de aprendizado profundo usando TensorFlow.
• Treinar e avaliar modelos de aprendizado profundo.
• Utilizar recursos avançados do TensorFlow para aprendizado profundo.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a profissionais de nível avançado que desejam se especializar em técnicas de aprendizado profundo de ponta para NLU.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender as principais diferenças entre os modelos NLU e NLP.
• Aplique técnicas avançadas de aprendizado profundo às tarefas da NLU.
• Explore arquiteturas profundas, como transformadores e mecanismos de atenção.
• Aproveite as tendências futuras da NLU para criar sistemas sofisticados de IA.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a cientistas de dados de nível intermediário a avançado, engenheiros de aprendizado de máquina, pesquisadores de aprendizado profundo e especialistas em visão computacional que desejam expandir seus conhecimentos e habilidades em aprendizado profundo para geração de texto para imagem.

No final deste treinamento, os participantes serão capazes de:

• Compreender arquiteturas e técnicas avançadas de aprendizado profundo para geração de texto para imagem.
• Implementar modelos complexos e otimizações para síntese de imagens de alta qualidade.
• Otimize o desempenho e a escalabilidade para grandes conjuntos de dados e modelos complexos.
• Ajustar hiperparâmetros para melhor desempenho e generalização do modelo.
• Integrar Stable Diffusion com outras estruturas e ferramentas de aprendizagem profunda

Esta formação ao vivo, ministrada por instrutor em Brasília (online ou presencial), é destinada a profissionais avançados que desejam utilizar técnicas de IA para revolucionar os processos de descoberta e desenvolvimento de medicamentos.

Ao final desta formação, os participantes serão capazes de:

• Compreender o papel da IA na descoberta e desenvolvimento de medicamentos.
• Aplicar técnicas de aprendizado de máquina para prever propriedades moleculares e interações.
• Utilizar modelos de deep learning para triagem virtual e otimização de leads.
• Integrar abordagens impulsionadas por IA no processo de ensaios clínicos.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a biólogos que desejam entender como AlphaFold funciona e usar modelos AlphaFold como guias em seus estudos experimentais.

No final deste treinamento, os participantes serão capazes de:

• Compreender os princípios básicos de AlphaFold.
• Aprender como AlphaFold funciona.
• Aprender a interpretar as previsões e os resultados de AlphaFold.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a cientistas de dados de nível iniciante a intermediário e engenheiros de aprendizado de máquina que desejam melhorar o desempenho de seus modelos de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Entenda os princípios do aprendizado profundo distribuído.
• Instale e configure o DeepSpeed.
• Escale modelos de aprendizado profundo em hardware distribuído usando DeepSpeed.
• Implemente e experimente os recursos do DeepSpeed para otimização e eficiência de memória.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar modelos de linguagem grande para várias tarefas de linguagem natural.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua um LLM popular.
• Criar um LLM básico e ajustá-lo em um conjunto de dados personalizado.
• Usar LLMs para diferentes tarefas de linguagem natural, como resumo de texto, resposta a perguntas, geração de texto e muito mais.
• Depurar e avaliar LLMs usando ferramentas como TensorBoard, PyTorch Lightning e Hugging Face Datasets.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados, engenheiros de aprendizado de máquina e pesquisadores de visão computacional que desejam aproveitar o Stable Diffusion para gerar imagens de alta qualidade para uma variedade de casos de uso.

No final deste treinamento, os participantes serão capazes de:

• Compreender os princípios de Stable Diffusion e como ele funciona para a geração de imagens.
• Construir e treinar modelos Stable Diffusion para tarefas de geração de imagens.
• Aplicar Stable Diffusion a vários cenários de geração de imagens, como inpainting, outpainting e tradução de imagem para imagem.
• Otimizar o desempenho e a estabilidade dos modelos Stable Diffusion.

Neste treinamento ao vivo conduzido por instrutor em Brasília, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e de ponta em Python à medida que constroem uma série de aplicativos de demonstração envolvendo dados de imagem, música, texto e financeiros.

No final deste treinamento, os participantes serão capazes de:

• Implementar algoritmos e técnicas de aprendizado de máquina para resolver problemas complexos.
• Aplique o aprendizado profundo e o aprendizado semi-supervisionado a aplicativos que envolvam dados de imagem, música, texto e financeiros.
• Utilizar o potencial máximo dos algoritmos Python.
• Utilizar bibliotecas e pacotes como NumPy e Theano.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam aprender os fundamentos do Deep Reinforcement Learning à medida que avançam na criação de um Deep Learning Agent.

No final desta formação, os participantes serão capazes de

• Compreender os principais conceitos por trás do Deep Reinforcement Learning e ser capaz de distingui-lo do Machine Learning.
• Aplicar algoritmos avançados de Reinforcement Learning para resolver problemas do mundo real.
• Construir um agente de Deep Learning.

Neste treinamento ao vivo conduzido por instrutor em Brasília, os participantes aprenderão como implementar modelos de aprendizado profundo para telecomunicações usando Python à medida que avançam na criação de um modelo de risco de crédito de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de aprendizagem profunda.
• Aprenda os aplicativos e usos do aprendizado profundo em telecomunicações.
• Use Python, Keras e TensorFlow para criar modelos de aprendizado profundo para telecomunicações.
• Crie seu próprio modelo de previsão de churn de cliente de aprendizado profundo usando Python.

Este curso foi criado para administradores, solution architects, executivos de inovação, CTOs, e todos os interessados em aprender e conhecer o panorama geral da inteligência artificial aplicada aos problemas organizacionais.

Este curso cobre AI (emphasizing Machine Learning e Deep Learning) em Automotive Indústria. Ajuda a determinar que tecnologia pode ser (potencialmente) usada em múltiplas situações em um carro: da simples automação, reconhecimento de imagem para tomada de decisão autónoma.

Este é um curso de 4 dias que apresenta a IA e a sua aplicação. Existe a opção de ter um dia adicional para realizar um projeto de IA após a conclusão deste curso.

Este treinamento ao vivo e ministrado por instrutor em Brasília (online ou presencial) é destinado a cientistas de dados e estatísticos de nível intermediário que desejam preparar dados, construir modelos e aplicar técnicas de aprendizado de máquina efetivamente em seus domínios profissionais.

No final deste treinamento, os participantes serão capazes de:

• Compreender e implementar diversos algoritmos de Machine Learning.
• Preparar dados e modelos para aplicações de aprendizado de máquina.
• Realizar análises pós-hoc e visualizar resultados efetivamente.
• Aplique técnicas de aprendizado de máquina a cenários do mundo real, específicos ao setor.

Rede Neural Artificial é um modelo de dados computacional utilizado no desenvolvimento de sistemas de Artificial Intelligence (AI) capazes de realizar tarefas "inteligentes". Neural Networks são comumente usadas em aplicações de Machine Learning (ML), que são elas mesmas uma implementação da IA. Deep Learning é um subconjunto do ML.

Caffe é uma estrutura de aprendizagem profunda feita com expressão, velocidade e modularidade em mente.

Este curso explora a aplicação do Caffe como uma estrutura de aprendizagem profunda para o reconhecimento de imagens usando o MNIST como um exemplo

Público

Este curso é adequado para pesquisadores e engenheiros do Deep Learning interessados em utilizar o Caffe como um framework.

Depois de concluir este curso, os delegados poderão:

• entender a estrutura e os mecanismos de implantação do Caffe
• realizar tarefas de instalação / ambiente de produção / arquitetura e configuração
• avaliar a qualidade do código, executar a depuração, monitoramento
• implementar produção avançada como modelos de treinamento, implementação de camadas e registro

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a pesquisadores e desenvolvedores que desejam usar Chainer para construir e treinar redes neurais em Python, tornando o código fácil de depurar.

No final desta formação, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a desenvolver modelos de redes neurais.
• Definir e implementar modelos de redes neurais usando um código fonte compreensível.
• Execute exemplos e modifique os algoritmos existentes para otimizar os modelos de treinamento de aprendizado profundo, aproveitando GPU s para alto desempenho.

O Computer Network ToolKit (CNTK) é uma estrutura de aprendizagem automática de formação de RNNs de código aberto, multi-máquinas, multiGPU e altamente eficiente para voz, texto e imagens.

Público alvo

Este curso destina-se a engenheiros e arquitectos que pretendam utilizar o CNTK nos seus projectos.

Este curso é uma visão geral para Deep Learning sem aprofundar demasiado quaisquer métodos específicos. É adequado para pessoas que querem começar a utilizar a aprendizagem profunda para melhorar a sua precisão de previsão.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a pesquisadores e desenvolvedores que desejam instalar, configurar, personalizar e usar a plataforma DeepMind Lab para desenvolver sistemas gerais de inteligência artificial e aprendizado de máquina.

No final deste treinamento, os participantes serão capazes de:

• Personalizar DeepMind Lab para construir e executar um ambiente que atenda às necessidades de aprendizado e treinamento.
• Utilizar o ambiente de simulação 3D da DeepMind Lab para treinar agentes de aprendizagem num ponto de vista de primeira pessoa.
• Facilitar a avaliação de agentes para desenvolver a inteligência num mundo 3D semelhante a um jogo.

A aprendizagem automática é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem explicitamente programados. A aprendizagem profunda é um subcampo da aprendizagem automática que utiliza métodos baseados na aprendizagem de representações e estruturas de dados, como as redes neuronais.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a analistas de negócios, cientistas de dados e desenvolvedores que desejam criar e implementar modelos de aprendizado profundo para acelerar o crescimento da receita e resolver problemas no mundo dos negócios.

No final deste treinamento, os participantes serão capazes de:

• Entenda os principais conceitos de aprendizado de máquina e aprendizado profundo.
• Obtenha insights sobre o futuro dos negócios e da indústria com ML e DL.
• Defina estratégias e soluções de negócios com aprendizado profundo.
• Aprender a aplicar a ciência de dados e a aprendizagem profunda na resolução de problemas empresariais.
• Construir modelos de aprendizagem profunda utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

A aprendizagem automática é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem explicitamente programados. A aprendizagem profunda é um subcampo da aprendizagem automática que utiliza métodos baseados na aprendizagem de representações e estruturas de dados, como as redes neuronais. A linguagem de programação de alto nível Python é famosa pela sua sintaxe clara e legibilidade do código.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para bancos usando Python à medida que avançam na criação de um modelo de risco de crédito de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de aprendizagem profunda
• Aprenda os aplicativos e usos do aprendizado profundo no setor bancário
• Use Python, Keras e TensorFlow para criar modelos de aprendizado profundo para o setor bancário
• Crie seu próprio modelo de risco de crédito de aprendizado profundo usando Python

Público

• Programadores
• Cientistas de dados

Formato do curso

• Palestra parcial, discussão parcial, exercícios e prática prática pesada

Neste treinamento ao vivo conduzido por instrutor em Brasília, os participantes aprenderão a usar Python bibliotecas para PNL enquanto criam um aplicativo que processa um conjunto de imagens e gera legendas. 

No final desta formação, os participantes serão capazes de

• Desenhar e codificar DL para NLP usando Python bibliotecas.
• Criar Python código que lê uma coleção substancialmente enorme de imagens e gera palavras-chave.
• Criar Python Código que gera legendas a partir das palavras-chave detectadas.

Público

Este curso é adequado para pesquisadores e engenheiros do Deep Learning interessados em utilizar ferramentas disponíveis (principalmente código aberto) para analisar imagens de computador

Este curso fornece exemplos de trabalho.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a cientistas de dados que desejam acelerar os aplicativos de aprendizado de máquina em tempo real e implantá-los em escala.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar o kit de ferramentas OpenVINO.
• Acelerar uma aplicação de visão computacional usando um FPGA.
• Executar diferentes camadas CNN no FPGA.
• Escalar o aplicativo em vários nós em um cluster Kubernetes.

Este treinamento ao vivo conduzido por instrutor em Brasília (online ou no local) é destinado a cientistas de dados que desejam usar TensorFlow para analisar dados de fraude em potencial.

No final desta formação, os participantes serão capazes de

• Criar um modelo de detecção de fraude em Python e TensorFlow.
• Construir regressões lineares e modelos de regressão linear para prever fraudes.
• Desenvolver uma aplicação de IA completa para analisar dados de fraude.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores ou cientistas de dados que desejam usar Horovod para executar treinamentos de aprendizado profundo distribuídos e escalá-lo para ser executado em vários GPU s em paralelo.

No final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a executar treinamentos de aprendizado profundo.
• Instalar e configurar Horovod para treinar modelos com TensorFlow, Keras, Py Torch e Apache MXNet.
• Escalar o treinamento de aprendizado profundo com Horovod para ser executado em vários GPU s.

Tipo: Formação teórica com aplicações decididas previamente com os alunos sobre Lasanha ou Keras consoante o grupo de ensino.

Método de ensino: apresentação, discussão e estudo de casos

A inteligência artificial revolucionou vários domínios científicos e começa agora a revolucionar um grande número de sectores económicos (indústria, medicina, comunicação, etc.). No entanto, a forma como é apresentada nos grandes meios de comunicação social é muitas vezes uma fantasia, muito distante das realidades dos domínios Machine Learning e Deep Learning. O objetivo deste curso é fornecer aos engenheiros que já dominam as ferramentas informáticas (incluindo um conhecimento básico de programação de software) uma introdução ao Deep Learning e às suas várias áreas especializadas e, portanto, às principais arquitecturas de rede existentes atualmente. Embora os fundamentos matemáticos sejam relembrados durante o curso, recomenda-se um nível de matemática como o BAC+2 para maior conforto. É absolutamente possível prescindir da matemática para reter apenas uma visão "sistémica", mas esta abordagem limitará muito a compreensão do tema.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a pessoas técnicas que desejam aplicar o modelo de aprendizado profundo a aplicativos de reconhecimento de imagem.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Keras.
• Prototipar rapidamente modelos de aprendizado profundo.
• Implementar uma rede convolucional.
• Implementar uma rede recorrente.
• Execute um modelo de aprendizado profundo em uma CPU e GPU.

Neste treinamento ao vivo, ministrado por instrutor, os participantes aprenderão como usar o Matlab para projetar, construir e visualizar uma rede neural convolucional para reconhecimento de imagem.

Ao final deste treinamento, os participantes serão capazes de:

• Construa um modelo de aprendizado profundo
• Automatize a rotulagem de dados
• Trabalhar com modelos da Caffe e TensorFlow - Keras
• Treine dados usando várias GPU , a nuvem ou clusters

Público

• Desenvolvedores
• Engenheiros
• Especialistas em domínio

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a profissionais de nível iniciante a intermediário que desejam desenvolver sua compreensão dos algoritmos de aprendizado de máquina, técnicas de aprendizado profundo e tomada de decisão orientada por IA. O curso fornece experiência prática com conceitos de aprendizado de máquina, modelos de aprendizado profundo e implementações práticas usando R.

No final deste treinamento, os participantes serão capazes de:

• Entenda os fundamentos do aprendizado de máquina e do aprendizado profundo.
• Aplique vários algoritmos de aprendizado de máquina para regressão, classificação, clustering e deteção de anomalias.
• Use arquiteturas de aprendizado profundo, como redes neurais artificiais (RNAs).
• Implementar modelos de aprendizagem supervisionados e não supervisionados.
• Avaliar o desempenho do modelo e otimizar os hiperparâmetros.
• Utilizar o R para análise de dados, visualização e aplicações de aprendizagem automática.

O treinamento é direcionado às pessoas que desejam aprender os fundamentos das redes neurais e suas aplicações.

Esta sessão de treinamento em sala de aula conterá apresentações e exemplos baseados em computador e exercícios de estudo de caso para realizar com bibliotecas de redes neurais e profundas relevantes.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com OpenCV 4 para aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Visualizar, carregar e classificar imagens e vídeos usando OpenCV 4.
• Implementar o aprendizado profundo em OpenCV 4 com TensorFlow e Keras.
• Execute modelos de aprendizado profundo e gere relatórios impactantes a partir de imagens e vídeos.

O OpenFace é um software de reconhecimento facial em tempo real, de código aberto, baseado na pesquisa FaceNet da Google.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra.

No final deste treinamento, os participantes serão capazes de:

• Trabalhar com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4 para implementar a deteção, o alinhamento e a transformação de faces
• Aplicar o OpenFace a aplicativos do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc.

Público-alvo

• Programadores
• Cientistas de dados

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Nesta formação presencial e orientada por instrutor, os participantes aprenderão como configurar e usar OpenNMT para realizar a tradução de vários conjuntos de dados de amostra. O curso começa com uma visão geral das redes neurais no contexto da tradução automática. Os participantes realizarão exercícios práticos ao longo do curso para demonstrar sua compreensão dos conceitos aprendidos e receber feedback do instrutor.

Ao final desta formação, os participantes terão o conhecimento e a prática necessários para implementar uma solução OpenNMT em tempo real.

Amostras de idiomas de origem e destino serão pré-arranjadas conforme as necessidades do público-alvo.

Formato do Curso

• Parte teórica, parte discussão, com muita prática hands-on

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão técnicas avançadas para Machine Learning com R à medida que avançam na criação de um aplicativo do mundo real.

No final desta formação, os participantes serão capazes de

• Compreender e implementar técnicas de aprendizagem não supervisionada
• Aplicar clustering e classificação para fazer previsões com base em dados do mundo real.
• Visualizar dados para obter rapidamente insights, tomar decisões e refinar ainda mais a análise.
• Melhorar o desempenho de um modelo de aprendizado de máquina usando o ajuste de hiperparâmetros.
• Colocar um modelo em produção para uso em um aplicativo maior.
• Aplicar técnicas avançadas de aprendizado de máquina para responder a perguntas envolvendo dados de redes sociais, big data e muito mais.

Este curso é uma introdução ao uso de redes neurais em problemas do mundo real utilizando o software R-project.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam usar o Tensorflow 2.x para construir preditores, classificadores, modelos generativos, redes neurais e assim por diante.

No final desta formação, os participantes serão capazes de

• Instalar e configurar o TensorFlow 2.x.
• Compreender os benefícios do TensorFlow 2.x em relação às versões anteriores.
• Construir modelos de aprendizado profundo.
• Implementar um classificador de imagem avançado.
• Implantar um modelo de aprendizado profundo na nuvem, em dispositivos móveis e de IoT.

Este treinamento ao vivo conduzido por instrutor em Brasília (online ou no local) é destinado a engenheiros que desejam escrever, carregar e executar modelos de aprendizado de máquina em dispositivos incorporados muito pequenos.

No final desta formação, os participantes serão capazes de

• Instalar TensorFlow Lite.
• Carregar modelos de aprendizado de máquina em um dispositivo incorporado para permitir que ele detecte fala, classifique imagens, etc.
• Adicionar IA a dispositivos de hardware sem depender de conetividade de rede.

Neste treinamento ao vivo conduzido por instrutor em Brasília (online ou no local), os participantes aprenderão como configurar e usar TensorFlow Serving para implantar e gerenciar modelos ML em um ambiente de produção.

No final desta formação, os participantes serão capazes de

• Treinar, exportar e servir diversos modelos TensorFlow.
• Testar e implantar algoritmos usando uma única arquitetura e conjunto de APIs.
• Estender o TensorFlow Serving para servir outros tipos de modelos além dos modelos TensorFlow.

TensorFlow é uma API de segunda geração da biblioteca de software de código aberto da Go ogle para Deep Learning . O sistema foi projetado para facilitar a pesquisa em aprendizado de máquina e para tornar mais rápida e fácil a transição do protótipo de pesquisa para o sistema de produção.

Público

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos Deep Learning

Depois de concluir este curso, os delegados irão:

• entender a estrutura e os mecanismos de implantação do TensorFlow
• ser capaz de realizar tarefas de configuração / ambiente de produção / arquitetura e configuração
• ser capaz de avaliar a qualidade do código, executar a depuração, monitoramento
• ser capaz de implementar a produção avançada, como modelos de treinamento, construção de gráficos e registro

Este curso explora, com exemplos específicos, a aplicação do Tensor Flow para fins de reconhecimento de imagem

Público

Este curso destina-se a engenheiros que desejam utilizar o TensorFlow para fins de Reconhecimento de Imagem

Depois de concluir este curso, os delegados poderão:

• entender a estrutura e os mecanismos de implantação do TensorFlow
• realizar tarefas de instalação / ambiente de produção / arquitetura e configuração
• avaliar a qualidade do código, executar a depuração, monitoramento
• implementar a produção avançada, como modelos de treinamento, construção de gráficos e registro

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a cientistas de dados que desejam passar do treinamento de um único modelo de ML para a implantação de muitos modelos de ML na produção.

No final desta formação, os participantes serão capazes de

• Instalar e configurar o TFX e suportar ferramentas de terceiros.
• Utilizar o TFX para criar e gerir um pipeline de produção de ML completo.
• Trabalhar com componentes TFX para realizar modelagem, treinamento, servir inferência e gerenciar implantações.
• Implante recursos de aprendizado de máquina em aplicativos da Web, aplicativos móveis, dispositivos IoT e muito mais.

Nesta formação presencial e ministrada por um instrutor em Brasília, os participantes aprenderão como aproveitar as inovações nos processadores TPU para maximizar o desempenho de suas próprias aplicações de IA.

Ao final da formação, os participantes serão capazes de:

• Treinar diversos tipos de redes neurais em grandes volumes de dados.
• Usar TPUs para acelerar o processo de inferência até duas ordens de magnitude.
• Utilizar TPUs para processar aplicações intensivas como busca de imagens, visão na nuvem e fotos.

TensorFlow™ é uma biblioteca de software de código aberto para computação numérica usando gráficos de fluxo de dados.

SyntaxNet é um framework de processamento de línguas naturais de rede neural para TensorFlow.

Word2Vec é usado para a aprendizagem de representações vector de palavras, chamado "word embeddings". Word2vec é um modelo preditivo particularmente computacional-eficaz para a aprendizagem de palavras de texto cru. Ele vem em dois sabores, o modelo Continuous Bag-of-Words (CBOW) e o modelo Skip-Gram (Capítulos 3.1 e 3.2 em Mikolov et al.)

Usados em tandem, o SyntaxNet e Word2Vec permitem que os usuários gerem modelos de aprendizagem integrada a partir da entrada de língua natural.

Auditoria

Este curso é voltado para desenvolvedores e engenheiros que pretendem trabalhar com os modelos SyntaxNet e Word2Vec em seus gráficos TensorFlow.

Após a conclusão deste curso, os delegados serão:

• compreender TensorFlow’s estrutura e mecanismos de implantação
• Ser capaz de realizar tarefas de instalação / ambiente de produção / arquitetura e configuração
• ser capaz de avaliar a qualidade do código, realizar o desligamento, monitoramento
• Ser capaz de implementar produção avançada como modelos de treinamento, termos de inserção, gráficos de construção e logging

Este curso começa com o fornecimento de conhecimento conceitual em redes neurais e, geralmente, em algoritmo de aprendizado de máquina, aprendizado profundo (algoritmos e aplicativos).

A parte 1 (40%) deste treinamento é mais focada nos fundamentos, mas ajudará você a escolher a tecnologia certa: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

A parte 2 (20%) deste treinamento apresenta o Theano - uma biblioteca python que facilita a escrita de modelos de aprendizado profundo.

Parte 3 (40%) do treinamento seria extensivamente baseada no Tensorflow - API de 2ª geração da biblioteca de software de código aberto da Go ogle para Deep Learning . Os exemplos e handson seriam todos feitos no TensorFlow .

Público

Este curso é destinado a engenheiros que procuram usar o TensorFlow em seus projetos de Deep Learning

Após a conclusão deste curso, os delegados:

• ter um bom entendimento sobre redes neurais profundas (DNN), CNN e RNN

• entender a estrutura e os mecanismos de implantação do TensorFlow

• ser capaz de executar tarefas de instalação / ambiente de produção / arquitetura e configuração

• ser capaz de avaliar a qualidade do código, executar depuração, monitoramento

• ser capaz de implementar produção avançada, como modelos de treinamento, construção de gráficos e registro