Curso de Detecção de Fraude com Python e TensorFlow

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 liderado por instrutor (online ou presencial) é voltado para cientistas de dados e engenheiros de software que desejam usar o Dask com o ecossistema do Python para construir, escalar e analisar grandes conjuntos de dados.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente para começar a processar big data com Dask e Python.
• Explorar as funcionalidades, bibliotecas, ferramentas e APIs disponíveis no Dask.
• Compreender como o Dask acelera a computação paralela em Python.
• Aprender a escalar o ecossistema do Python (Numpy, SciPy e Pandas) usando o Dask.
• Otimizar o ambiente do Dask para manter alto desempenho no processamento de grandes conjuntos de dados.

Este treinamento ao vivo, ministrado por instrutor em Brasil (online ou presencial), é direcionado a desenvolvedores e analistas de dados intermediários que desejam aprimorar suas habilidades em análise e manipulação de dados usando Python, Pandas e NumPy.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua Python, Pandas e NumPy.
• Criar uma aplicação de análise de dados usando Pandas e NumPy.
• Realizar operações avançadas de manipulação, ordenação e filtragem de dados.
• Executar operações agregadas e analisar dados de séries temporais.
• Visualizar dados usando Matplotlib e outras bibliotecas de visualização.
• Depurar e otimizar seu código de análise de dados.

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

Ao final deste treinamento, os participantes serão capazes de:

• Projetar e codificar DL para NLP usando bibliotecas Python.
• Criar código Python que leia uma coleção substancialmente grande de imagens e gere palavras-chave.
• Criar código Python que gere legendas a partir das palavras-chave detectadas.

Público-Alvo

Este curso é adequado para pesquisadores e engenheiros de Aprendizagem Profunda interessados em utilizar ferramentas disponíveis (em sua maioria open source) para analisar imagens computacionais.

O curso fornece exemplos práticos.

Este treinamento liderado por instrutor (online ou presencial) é voltado para desenvolvedores que desejam usar a pilha FARM (FastAPI, React e MongoDB) para construir aplicações web dinâmicas, de alto desempenho e escaláveis.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário que integra FastAPI, React e MongoDB.
• Compreender os conceitos-chave, recursos e benefícios da pilha FARM.
• Aprender a construir APIs REST com FastAPI.
• Aprender a projetar aplicações interativas com React.
• Desenvolver, testar e implantar aplicações (front end e back end) usando a pilha FARM.

Este treinamento liderado por instrutor (online ou presencial) é destinado a desenvolvedores que desejam usar o FastAPI com Python para construir, testar e implantar APIs RESTful de forma mais fácil e rápida.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para desenvolver APIs com Python e FastAPI.
• Criar APIs de maneira mais rápida e fácil usando a biblioteca FastAPI.
• Aprender como criar modelos de dados e esquemas baseados em Pydantic e OpenAPI.
• Conectar APIs a um banco de dados usando SQLAlchemy.
• Implementar segurança e autenticação em APIs usando as ferramentas do FastAPI.
• Criar imagens de contêineres e implantar APIs web em um servidor na nuvem.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a cientistas e desenvolvedores de dados que desejam usar Modin para criar e implementar cálculos paralelos com Pandas para uma análise de dados mais rápida.

No final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente necessário para começar a desenvolver fluxos de trabalho Pandas em escala com Modin.
• Compreender os recursos, a arquitetura e as vantagens de Modin.
• Conhecer as diferenças entre Modin, Dask e Ray.
• Realizar operações Pandas mais rapidamente com Modin.
• Implementar toda a API Pandas e as funções.

Este treinamento presencial conduzido por instrutor em Brasil (online ou no local) destina-se a desenvolvedores e cientistas de dados que desejam usar o Tensorflow 2.x para construir preditores, classificadores, modelos gerativos, redes neurais e outros.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar TensorFlow 2.x.
• Compreender as vantagens do TensorFlow 2.x em relação às versões anteriores.
• Criar modelos de aprendizado profundo.
• Implementar um classificador avançado de imagens.
• Implantar um modelo de aprendizado profundo na nuvem, dispositivos móveis e IoT.

Neste treinamento conduzido por instrutor em Brasil (online ou presencial), os participantes aprenderão a configurar e usar o TensorFlow Serving para implantar e gerenciar modelos ML em um ambiente de produção.

Ao final deste treinamento, os participantes serão capazes de:

• Treinar, exportar e servir vários modelos do 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 do TensorFlow.

O TensorFlow é uma API de segunda geração da biblioteca de software de código aberto do Google para Aprendizado Profundo. O sistema foi projetado para facilitar a pesquisa em aprendizado de máquina, além de tornar rápido e fácil a transição de protótipos de pesquisa para sistemas de produção.

Público

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos de Aprendizado Profundo.

Ao completar este curso, os participantes serão capazes de:

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

Este curso explora, com exemplos específicos, a aplicação do TensorFlow para fins de reconhecimento de imagens

Público-alvo

Este curso é destinado a engenheiros que desejam utilizar o TensorFlow para fins de Reconhecimento de Imagens

Ao concluir este curso, os participantes serão capazes de:

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

Este treinamento ministrado por instrutor (online ou presencial) é voltado para cientistas de dados que desejam evoluir do treinamento de um único modelo de ML para a implantação de vários modelos de ML em produção.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar TFX e ferramentas de terceiros suportadas.
• Usar o TFX para criar e gerenciar um pipeline de produção de ML completo.
• Trabalhar com componentes do TFX para realizar modelagem, treinamento, inferência de serviço e gerenciamento de implantações.
• Implantar recursos de aprendizado de máquina em aplicativos web, aplicativos móveis, dispositivos IoT e mais.

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 linguagem natural baseado em redes neurais para TensorFlow.

Word2Vec é usado para aprender representações vetoriais de palavras, chamadas "word embeddings". Word2vec é um modelo preditivo computacionalmente eficiente para aprender essas representações de palavras a partir de texto bruto. Ele vem em duas versões: o modelo Continuous Bag-of-Words (CBOW) e o modelo Skip-Gram (Capítulo 3.1 e 3.2 no trabalho de Mikolov et al.).

Usados em conjunto, SyntaxNet e Word2Vec permitem aos usuários gerar modelos de Embedding Aprendidos a partir de entrada de Linguagem Natural.

Público-alvo

Este curso é destinado a desenvolvedores e engenheiros que pretendem trabalhar com modelos SyntaxNet e Word2Vec em seus gráficos TensorFlow.

Ao concluir este curso, os participantes serão capazes de:

• compreender a estrutura e os mecanismos de implantação do TensorFlow
• realizar tarefas de instalação, configuração de ambiente de produção/arquitetura e configuração
• avaliar a qualidade do código, realizar depuração e monitoramento
• implementar produções avançadas como treinamento de modelos, incorporação de termos, construção de gráficos e registro

Este curso começa fornecendo conhecimento conceitual sobre redes neurais e, em geral, sobre algoritmos de aprendizado de máquina, aprendizado profundo (algoritmos e aplicações).

A Parte 1 (40%) deste treinamento se concentra mais nos fundamentos, mas ajudará você a escolher a tecnologia adequada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

A Parte 2 (20%) deste treinamento introduz o Theano - uma biblioteca Python que facilita a escrita de modelos de aprendizado profundo.

A Parte 3 (40%) do treinamento será extensivamente baseada no TensorFlow - API da biblioteca de software de código aberto do Google para Aprendizado Profundo. Todos os exemplos e práticas serão realizados usando o TensorFlow.

Público-alvo

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos de Aprendizado Profundo.

Após completar este curso, os participantes serão capazes de:

• ter uma boa compreensão sobre redes neurais profundas (DNN), CNN e RNN
• entender a estrutura e os mecanismos de implantação do TensorFlow
• ser capaz de realizar tarefas de instalação, ambiente de produção, arquitetura e configuração
• ser capaz de avaliar a qualidade do código, realizar depuração e monitoramento
• ser capaz de implementar produção avançada como treinamento de modelos, construção de grafos e registro