Curso de Algoritmos de aprendizagem automática em Julia

Este treinamento orientado por instrutor, ao vivo em Brasil (online ou presencial), é voltado para cientistas de dados e engenheiros de software que desejam usar AdaBoost para criar algoritmos de boosting para aprendizado de máquina com Python.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a criar modelos de aprendizado de máquina com AdaBoost.
• Compreender a abordagem de aprendizado conjunto e como implementar boosting adaptativo.
• Aprender a construir modelos AdaBoost para melhorar os algoritmos de aprendizado de máquina em Python.
• Usar o ajuste de hiperparâmetros para aumentar a precisão e o desempenho dos modelos AdaBoost.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a cientistas de dados, bem como a pessoas menos técnicas que desejam usar Auto-Keras para automatizar o processo de seleção e otimização de um modelo de aprendizado de máquina.

No final deste treinamento, os participantes serão capazes de:

• Automatizar o processo de treinamento de modelos de aprendizado de máquina altamente eficientes.
• Procurar automaticamente os melhores parâmetros para modelos de aprendizagem profunda.
• Crie modelos de aprendizado de máquina altamente precisos.
• Use o poder do aprendizado de máquina para resolver problemas de negócios do mundo real.

Este treinamento presencial, liderado por instrutores (online ou no local), é destinado a participantes técnicos com experiência em machine learning que desejam otimizar modelos para detectar padrões complexos em big data usando frameworks de AutoML.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a participantes com diferentes níveis de experiência que desejam aproveitar a plataforma Go ogle AutoML para criar chatbots personalizados para vários aplicativos.

No final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos do desenvolvimento do chatbot.
• Navegar na Google Cloud Platform e acessar AutoML.
• Prepare dados para treinar modelos de chatbot.
• Treinar e avaliar modelos de chatbot personalizados usando AutoML.
• Implementar e integrar chatbots em várias plataformas e canais.
• Monitorizar e otimizar o desempenho do chatbot ao longo do tempo.

Esta formação presencial ou online em Brasil oferece uma introdução ao campo da reconhecimento de padrões e aprendizado de máquina. Aborda aplicações práticas na estatística, ciência da computação, processamento de sinais, visão computacional, mineração de dados e bioinformática.

No final desta formação, os participantes serão capazes de:

• Aplicar métodos estatísticos fundamentais ao reconhecimento de padrões.
• Usar modelos-chave como redes neurais e métodos de kernel para análise de dados.
• Implementar técnicas avançadas para solução de problemas complexos.
• Aumentar a precisão das previsões combinando diferentes modelos.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a cientistas de dados e analistas de dados que desejam automatizar, avaliar e gerenciar modelos preditivos usando os recursos de aprendizado de máquina da DataRobot.

No final deste treinamento, os participantes serão capazes de:

• Carregar conjuntos de dados em DataRobot para analisar, avaliar e verificar a qualidade dos dados.
• Construir e treinar modelos para identificar variáveis importantes e atingir metas de previsão.
• Interpretar modelos para criar insights valiosos que são úteis na tomada de decisões de negócios.
• Monitorizar e gerir modelos para manter um desempenho de previsão optimizado.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a cientistas de dados, analistas de dados e desenvolvedores que desejam explorar AutoML produtos e recursos para criar e implantar modelos de treinamento de ML personalizados com o mínimo de esforço.

No final deste treinamento, os participantes serão capazes de:

• Explorar a linha de produtos AutoML para implementar diferentes serviços para vários tipos de dados.
• Preparar e rotular conjuntos de dados para criar modelos ML personalizados.
• Treinar e gerenciar modelos para produzir modelos de aprendizado de máquina precisos e justos.
• Fazer previsões usando modelos treinados para atender aos objetivos e necessidades de negócios.

Esse treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem usando o AWS EKS (Elastic Kubernetes Service).
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizagem automática completos em diversas arquitecturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.

Este treinamento presencial, conduzido por instrutor (online ou local), é voltado para engenheiros que desejam implantar cargas de trabalho de Machine Learning em um servidor AWS EC2.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubernetes, Kubeflow e outros softwares necessários no AWS.
• Usar EKS (Elastic Kubernetes Service) para simplificar a inicialização de um cluster do Kubernetes no AWS.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplas GPUs e máquinas executando em paralelo.
• Leverage outros serviços gerenciados pela AWS para estender um aplicativo de ML.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam ir além da construção de modelos de ML e otimizar o processo de criação, rastreamento e implantação de modelos de ML.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar MLflow e bibliotecas e estruturas de ML relacionadas.
• Apreciar a importância da rastreabilidade, reprodutibilidade e implantação de um modelo de ML
• Implantar modelos de ML em diferentes nuvens públicas, plataformas ou servidores locais.
• Dimensionar o processo de implementação de ML para acomodar vários utilizadores que colaboram num projeto.
• Criar um registo central para experimentar, reproduzir e implementar modelos de ML.

Este treinamento liderado por instrutor (online ou presencial) é voltado para desenvolvedores que desejam usar o ML Kit da Google para criar modelos de aprendizado de máquina otimizados para processamento em dispositivos móveis.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a desenvolver recursos de aprendizado de máquina para aplicativos móveis.
• Integrar novas tecnologias de aprendizado de máquina em aplicativos Android e iOS usando as APIs do ML Kit. 
• Aprimorar e otimizar aplicativos existentes usando o SDK do ML Kit para processamento e implantação no dispositivo.

Pattern Matching é uma técnica utilizada para localizar padrões específicos numa imagem. Pode ser utilizada para determinar a existência de caraterísticas específicas numa imagem capturada, por exemplo, a etiqueta esperada num produto defeituoso numa linha de produção ou as dimensões especificadas de um componente. É diferente de "Pattern Recognition" (que reconhece padrões gerais com base em colecções maiores de amostras relacionadas) na medida em que dita especificamente o que estamos à procura e depois diz-nos se o padrão esperado existe ou não.

Formato do curso

• Este curso apresenta as abordagens, tecnologias e algoritmos utilizados no campo da correspondência de padrões, uma vez que se aplica a Machine Vision.

Este treinamento presencial, liderado pelo instrutor em Brasil (online ou no local), é voltado para cientistas de dados e engenheiros de software que desejam usar Random Forest para criar algoritmos de machine learning para grandes conjuntos de dados.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a criar modelos de machine learning com Random Forest.
• Compreender as vantagens do Random Forest e como implementá-lo para resolver problemas de classificação e regressão.
• Aprender a lidar com grandes conjuntos de dados e interpretar múltiplas árvores de decisão no Random Forest.
• Avaliar e otimizar o desempenho do modelo de machine learning ajustando os hiperparâmetros.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a analistas de dados de nível intermediário que desejam aprender como usar RapidMiner para estimar e projetar valores e utilizar ferramentas analíticas para previsão de séries temporais.

No final desta formação, os participantes serão capazes de:

• Aprender a aplicar a metodologia CRISP-DM, selecionar algoritmos de aprendizagem automática adequados e melhorar a construção e o desempenho do modelo.
• Utilizar RapidMiner para estimar e projetar valores, e utilizar ferramentas analíticas para a previsão de séries temporais.

RapidMiner é uma plataforma de software de ciência de dados de fonte aberta para prototipagem e desenvolvimento rápidos de aplicações. Ele inclui um ambiente integrado para preparação de dados, aprendizado de máquina, aprendizado profundo, mineração de texto e análise preditiva.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar o RapidMiner Studio para preparação de dados, aprendizado de máquina e implantação de modelo preditivo.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar RapidMiner
• Preparar e visualizar dados com RapidMiner
• Validar modelos de aprendizado de máquina
• Mashup dados e criar modelos preditivos
• Operacionalizar a análise preditiva em um processo de negócios
• Resolver problemas e otimizar RapidMiner

Público-alvo

• Cientistas de dados
• Engenheiros
• Desenvolvedores

Formato do curso

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

Nota

• Para solicitar uma formação personalizada para este curso, por favor contacte-nos para combinar.