Curso de Aprendizado de Máquina Avançado com Python

Este treinamento ao vivo conduzido 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.

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

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

O Caffe é um framework de aprendizado profundo desenvolvido com expressão, velocidade e modularidade em mente.

Este curso explora a aplicação do Caffe como um framework de Aprendizado Profundo para reconhecimento de imagens, utilizando o MNIST como exemplo.

Público-Alvo

Este curso é adequado para pesquisadores e engenheiros de Aprendizado Profundo interessados em utilizar o Caffe como framework.

Ao completar este curso, os participantes serão capazes de:

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

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

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.

Esta formação presencial ou online em Brasil é direcionada a desenvolvedores de nível intermediário, cientistas de dados e praticantes de IA que desejam aproveitar o TensorFlow Lite para aplicações de AI na borda (Edge AI).

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos do TensorFlow Lite e seu papel na Edge AI.
• Desenvolver e otimizar modelos de IA usando o TensorFlow Lite.
• Deployar modelos TensorFlow Lite em diversos dispositivos de borda.
• Utilizar ferramentas e técnicas para conversão e otimização de modelos.
• Implementar aplicações práticas de Edge AI usando o TensorFlow Lite.

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.

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 Brasil (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.

Este treinamento ao vivo conduzido por instrutor em Brasil (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.

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.

Este treinamento presencial, conduzido por um instrutor (online ou presencial), é destinado a engenheiros que desejam escrever, carregar e executar modelos de aprendizado de máquina em dispositivos embarcados muito pequenos.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar o TensorFlow Lite.
• Carregar modelos de aprendizado de máquina em um dispositivo embarcado para que ele possa detectar voz, classificar imagens, etc.
• Adicionar IA a dispositivos de hardware sem depender da conectividade à rede.

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

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