Cursos de Deep Learning com 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 ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a profissionais de nível avançado que desejam aprofundar sua compreensão da visão computacional e explorar os recursos do TensorFlow para desenvolver modelos de visão sofisticados usando o Go ogle Colab.

No final desta formação, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) usando TensorFlow.
• Aproveitar o Google Colab para o desenvolvimento de modelos escaláveis e eficientes baseados em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implementar modelos de visão computacional para aplicações no mundo real.
• Utilizar a aprendizagem por transferência para melhorar o desempenho dos modelos CNN.
• Visualizar e interpretar os resultados dos modelos de classificação de imagens.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a cientistas e desenvolvedores de dados de nível intermediário que desejam entender e aplicar técnicas de aprendizado profundo usando o ambiente Go ogle Colab.

No final deste treinamento, os participantes serão capazes de:

• Configurar e navegar no 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 aprendizagem profunda.
• Utilize recursos avançados de TensorFlow para aprendizado profundo.

Neste treinamento ao vivo conduzido por instrutor em Brasil, 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 Brasil (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 Brasil (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.

Neste treinamento ao vivo conduzido por instrutor em Brasil (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 vários modelos do TensorFlow.
• Testar e implantar algoritmos usando uma única arquitetura e um conjunto de APIs.
• Estender TensorFlow Serving para servir outros tipos de modelos além dos modelos do TensorFlow.

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 Brasil (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.

Neste treinamento ao vivo conduzido por instrutor em Brasil, os participantes aprenderão como tirar proveito das inovações nos processadores TPU para maximizar o desempenho de seus próprios aplicativos de IA.

No final da formação, os participantes serão capazes de

• Treinar vários tipos de redes neurais em grandes quantidades de dados.
• Use TPUs para acelerar o processo de inferência em até duas ordens de magnitude.
• Utilizar TPUs para processar aplicativos intensivos, como pesquisa de imagens, visão em 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