Cursos de Deep Learning for Banking (with R)

Esta formação ao vivo orientada por um instrutor (no local ou remoto) destina-se a cientistas de dados, engenheiros de aprendizagem automática e investigadores de visão computacional que pretendam tirar partido de Stable Diffusion para gerar imagens de alta qualidade para uma variedade de casos de utilização.

No final desta formação, os participantes serão capazes de

Compreender os princípios de Stable Diffusion e como 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.

Este treinamento ao vivo ministrado por instrutor em Brasil (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.

Ao final deste treinamento, os participantes serão capazes de:

Compreenda arquiteturas e técnicas avançadas de aprendizagem profunda para geração de texto em imagem. Implemente 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. Ajuste hiperparâmetros para melhor desempenho e generalização do modelo. Integre Stable Diffusion com outras estruturas e ferramentas de aprendizagem profunda

Esta formação ao vivo orientada por um instrutor em Brasil (online ou no local) destina-se a biólogos que desejam compreender o funcionamento de AlphaFold e utilizar modelos de AlphaFold como guias nos seus estudos experimentais.

No final desta formação, os participantes serão capazes de

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

Este treinamento ao vivo conduzido por instrutor em Brasil (online ou no local) é destinado a desenvolvedores que desejam usar TensorFlow Lite para implantar modelos de aprendizado profundo em dispositivos incorporados.

No final desta formação, os participantes serão capazes de

• Instalar e configurar o Tensorflow Lite em um dispositivo incorporado.
• Compreender os conceitos e componentes subjacentes a TensorFlow Lite.
• Converter modelos existentes para o formato TensorFlow Lite para execução em dispositivos incorporados.
• Trabalhar dentro das limitações de dispositivos pequenos e TensorFlow Lite, enquanto aprende a expandir o escopo das operações que podem ser executadas.
• Implantar um modelo de aprendizado profundo em um dispositivo incorporado executando Linux.

Este treinamento ao vivo conduzido por instrutor em Brasil (online ou no local) é destinado a desenvolvedores que desejam usar TensorFlow Lite para desenvolver aplicativos móveis com recursos de aprendizado profundo.

No final desta formação, os participantes serão capazes de

• Instalar e configurar TensorFlow Lite.
• Compreender os princípios por trás do TensorFlow, aprendizado de máquina e aprendizado profundo.
• Carregar modelos do TensorFlow em um dispositivo Android.
• Habilitar funcionalidades de aprendizado profundo e aprendizado de máquina, como visão computacional e reconhecimento de linguagem natural em um aplicativo móvel.

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a desenvolvedores que desejam usar TensorFlow Lite para desenvolver aplicativos móveis iOS com recursos de aprendizado profundo.

No final desta formação, os participantes serão capazes de

• Instalar e configurar TensorFlow Lite.
• Compreender os princípios por trás do TensorFlow e do aprendizado de máquina em dispositivos móveis.
• Carregar modelos do TensorFlow em um dispositivo iOS.
• Executar um aplicativo iOS capaz de detetar e classificar um objeto capturado através da câmera do dispositivo's.

Este treinamento ao vivo conduzido por instrutor em Brasil (online ou no local) é destinado a pesquisadores e desenvolvedores que desejam usar o 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.
• Executar exemplos e modificar algoritmos existentes para otimizar modelos de treinamento de aprendizado profundo, aproveitando GPUs para alto desempenho.

Este treinamento ao vivo conduzido por instrutor em < loc & gt; (no local ou remoto) é destinado a desenvolvedores ou cientistas de dados que desejam usar Horovod para executar treinamentos distribuídos de aprendizado profundo e escalá-lo para executar em várias GPUs em paralelo.

No final desta formação, os participantes serão capazes de

• Configure o ambiente de desenvolvimento necessário para começar a executar treinamentos de aprendizado profundo.
• Instalar e configurar o Horovod para treinar modelos com TensorFlow, Keras, PyTorch e Apache MXNet.
• Treinamento de aprendizado profundo em escala com o Horovod para ser executado em várias GPUs.

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

No final desta formação, os participantes serão capazes de

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

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam usar Apache MXNet's para construir e implantar um modelo de aprendizado profundo para reconhecimento de imagem.

No final desta formação, os participantes serão capazes de

• Instalar e configurar o Apache MXNet e seus componentes.
• Compreender a arquitetura e as estruturas de dados do MXNet's.
• Usar as APIs de baixo e alto nível do Apache MXNet para construir redes neurais de forma eficiente.
• Construir uma rede neural convolucional para classificação de imagens.

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

No final desta formação, os participantes serão capazes de

• Instalar e configurar Keras.
• Protótipo rápido de modelos de aprendizagem profunda.
• Implementar uma rede convolucional.
• Implementar uma rede recorrente.
• Execute um modelo de aprendizado profundo em uma CPU e GPU.

Este treinamento ao vivo conduzido por instrutor em Brasil (online ou no local) é destinado a desenvolvedores que desejam construir um carro autônomo usando técnicas de aprendizado profundo.

No final desta formação, os participantes serão capazes de

• Utilizar Keras para criar e treinar uma rede neural convolucional.
• Utilizar técnicas de visão computacional para identificar faixas de rodagem num projeto de condução autónoma.
• Treinar um modelo de aprendizagem profunda para diferenciar sinais de trânsito.
• Simular um carro totalmente autónomo.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a engenheiros de software que desejam desenvolver redes neurais avançadas de aprendizado profundo e modelar usando Keras e Python.

No final desta formação, os participantes serão capazes de

• Aplicar aprendizagem profunda com métodos de aprendizagem supervisionados ou não supervisionados.
• Desenvolver, treinar e implementar redes neurais simultâneas e redes neurais recorrentes.
• Use Keras e Python para construir modelos de aprendizado profundo para resolver problemas envolvendo imagens, texto, som e muito mais.

Torch is an open source machine learning library and a scientific computing framework based on the Lua programming language. It provides a development environment for numerics, machine learning, and computer vision, with a particular emphasis on deep learning and convolutional nets. It is one of the fastest and most flexible frameworks for Machine and Deep Learning and is used by companies such as Facebook, Google, Twitter, NVIDIA, AMD, Intel, and many others.

In this instructor-led, live training, we cover the principles of Torch, its unique features, and how it can be applied in real-world applications. We step through numerous hands-on exercises all throughout, demonstrating and practicing the concepts learned.

By the end of the course, participants will have a thorough understanding of Torch's underlying features and capabilities as well as its role and contribution within the AI space compared to other frameworks and libraries. Participants will have also received the necessary practice to implement Torch in their own projects.

Format of the Course

• Overview of Machine and Deep Learning
• In-class coding and integration exercises
• Test questions sprinkled along the way to check understanding