Cursos de Aprendizagem Profunda (Deep learning) em Brasil

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.

Esta formação guiada por instrutores, ao vivo em Brasil (online ou presencial), é destinada a profissionais de nível avançado que desejam aprofundar seu conhecimento em visão computacional e explorar as capacidades do TensorFlow para desenvolver modelos sofisticados de visão usando o Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) usando TensorFlow.
• Aproveitar o Google Colab para desenvolvimento de modelos escaláveis e eficientes em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implantar modelos de visão computacional para aplicações do mundo real.
• Usar transfer learning para melhorar o desempenho dos modelos CNNs.
• Visualizar e interpretar os resultados de modelos de classificação de imagens.

Este treinamento ao vivo, conduzido por instrutor (online ou presencial) em Brasil, é direcionado a cientistas de dados e desenvolvedores intermediários que desejam entender e aplicar técnicas de aprendizado profundo usando o ambiente Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar e navegar pelo 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 aprendizado profundo.
• Utilizar recursos avançados do TensorFlow para aprendizado profundo.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a profissionais de nível avançado que desejam se especializar em técnicas de aprendizado profundo de ponta para NLU.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender as principais diferenças entre os modelos NLU e NLP.
• Aplique técnicas avançadas de aprendizado profundo às tarefas da NLU.
• Explore arquiteturas profundas, como transformadores e mecanismos de atenção.
• Aproveite as tendências futuras da NLU para criar sistemas sofisticados de IA.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a profissionais de nível avançado que desejam explorar técnicas XAI de última geração para modelos de aprendizado profundo, com foco na construção de sistemas de IA interpretáveis.

No final deste treinamento, os participantes serão capazes de:

• Entenda os desafios da explicabilidade no aprendizado profundo.
• Implementar técnicas avançadas de XAI para redes neurais.
• Interpretar decisões tomadas por modelos de aprendizado profundo.
• Avalie os trade-offs entre desempenho e transparência.

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

Esta formação ao vivo, ministrada por instrutor em Brasil (online ou presencial), é destinada a profissionais avançados que desejam utilizar técnicas de IA para revolucionar os processos de descoberta e desenvolvimento de medicamentos.

Ao final desta formação, os participantes serão capazes de:

• Compreender o papel da IA na descoberta e desenvolvimento de medicamentos.
• Aplicar técnicas de aprendizado de máquina para prever propriedades moleculares e interações.
• Utilizar modelos de deep learning para triagem virtual e otimização de leads.
• Integrar abordagens impulsionadas por IA no processo de ensaios clínicos.

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.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a cientistas de dados de nível iniciante a intermediário e engenheiros de aprendizado de máquina que desejam melhorar o desempenho de seus modelos de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Entenda os princípios do aprendizado profundo distribuído.
• Instale e configure o DeepSpeed.
• Escale modelos de aprendizado profundo em hardware distribuído usando DeepSpeed.
• Implemente e experimente os recursos do DeepSpeed para otimização e eficiência de memória.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar modelos de linguagem grande para várias tarefas de linguagem natural.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua um LLM popular.
• Criar um LLM básico e ajustá-lo em um conjunto de dados personalizado.
• Usar LLMs para diferentes tarefas de linguagem natural, como resumo de texto, resposta a perguntas, geração de texto e muito mais.
• Depurar e avaliar LLMs usando ferramentas como TensorBoard, PyTorch Lightning e Hugging Face Datasets.

Este treinamento ao vivo, ministrado por instrutor (online ou presencial), destina-se a cientistas de dados, engenheiros de machine learning e pesquisadores de visão computacional que desejam aproveitar o Stable Diffusion para gerar imagens de alta qualidade em diversos casos de uso.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os princípios do Stable Diffusion e como ele funciona para geração de imagens.
• Construir e treinar modelos Stable Diffusion para tarefas de geração de imagens.
• Aplicar o Stable Diffusion em diversos cenários de geração de imagens, como inpainting, outpainting e tradução de imagem para imagem.
• Otimizar o desempenho e a estabilidade dos modelos Stable Diffusion.

Neste treinamento presencial ministrado pelo instrutor em Brasil, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e avançadas em Python, enquanto constroem uma série de aplicações demonstrativas envolvendo imagens, música, texto e dados financeiros.

No final deste treinamento, os participantes serão capazes de:

• Implementar algoritmos e técnicas de aprendizado de máquina para resolver problemas complexos.
• Aplique o aprendizado profundo e semi-supervisionado a aplicações envolvendo imagens, música, texto e dados financeiros.
• Levar os algoritmos Python ao seu máximo potencial.
• Usar bibliotecas e pacotes como NumPy e Theano.

Este é um curso de 4 dias que introduz a IA e a sua aplicação utilizando a linguagem de programação Python. Existe a opção de ter um dia adicional para realizar um projeto de IA após a conclusão deste curso.

A Aprendizagem por Reforço Profunda (DRL) combina princípios de aprendizagem por reforço com arquiteturas de aprendizagem profunda para permitir que agentes tomem decisões através da interação com seus ambientes. Ela sustenta muitos avanços modernos em IA, como veículos autônomos, controle robótico, negociação algorítmica e sistemas de recomendação adaptativos. A DRL permite que um agente artificial aprenda estratégias, otimize políticas e tome decisões autônomas com base no método de tentativa e erro utilizando o aprendizado baseado em recompensas.

Este treinamento liderado por instrutor (online ou presencial) é voltado para desenvolvedores e cientistas de dados de nível intermediário que desejam aprender e aplicar técnicas de Aprendizagem por Reforço Profunda para construir agentes inteligentes capazes de tomar decisões autônomas em ambientes complexos.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender as fundamentações teóricas e princípios matemáticos da Aprendizagem por Reforço.
• Implementar algoritmos de RL-chave, incluindo Q-Learning, Gradientes de Política e métodos Actor-Critic.
• Construir e treinar agentes de Aprendizagem por Reforço Profunda usando TensorFlow ou PyTorch.
• Aplicar DRL a aplicações do mundo real, como jogos, robótica e otimização de decisões.
• Solucionar problemas, visualizar e otimizar o desempenho do treinamento usando ferramentas modernas.

Formato do Curso

• Palestra interativa e discussão guiada.
• Exercícios práticos e implementações práticas.
• Demonstração de codificação ao vivo e aplicações baseadas em projetos.

Opções de Personalização do Curso

• Para solicitar uma versão personalizada deste curso (por exemplo, usando PyTorch em vez de TensorFlow), entre em contato conosco para arranjar.

Neste treinamento ao vivo conduzido por instrutor em Brasil, os participantes aprenderão como implementar modelos de aprendizado profundo para telecomunicações usando Python à medida que avançam na criação de um modelo de risco de crédito de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de aprendizagem profunda.
• Aprenda os aplicativos e usos do aprendizado profundo em telecomunicações.
• Use Python, Keras e TensorFlow para criar modelos de aprendizado profundo para telecomunicações.
• Crie seu próprio modelo de previsão de churn de cliente de aprendizado profundo usando Python.

Este curso foi criado para administradores, solution architects, executivos de inovação, CTOs, e todos os interessados em aprender e conhecer o panorama geral da inteligência artificial aplicada aos problemas organizacionais.

Este curso cobre AI (emphasizing Machine Learning e Deep Learning) em Automotive Indústria. Ajuda a determinar que tecnologia pode ser (potencialmente) usada em múltiplas situações em um carro: da simples automação, reconhecimento de imagem para tomada de decisão autónoma.

Esta formação presencial ou online (ao vivo) em Brasil é destinada a participantes de nível iniciante que desejam aprender conceitos essenciais de probabilidade, estatística, programação e aprendizado de máquina, aplicando-os ao desenvolvimento de IA.

Ao final desta formação, os participantes serão capazes de:

• Compreender conceitos básicos de probabilidade e estatística e aplicá-los a cenários do mundo real.
• Escriver e compreender código de programação procedural, funcional e orientado a objetos.
• Implementar técnicas de aprendizado de máquina como classificação, agrupamento e redes neurais.
• Desenvolver soluções de IA usando motores de regras e sistemas especialistas para resolução de problemas.

A Rede Neuronal Artificial é um modelo de dados computacionais utilizado no desenvolvimento de sistemas Artificial Intelligence (AI) capazes de efetuar tarefas "inteligentes". As redes neuronais artificiais Neural Networks são normalmente utilizadas em aplicações Machine Learning (ML), que são elas próprias uma implementação da IA. Deep Learning é um subconjunto do ML.

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 e ministrado por instrutor em Brasil (online ou presencial) é destinado a cientistas de dados e estatísticos de nível intermediário que desejam preparar dados, construir modelos e aplicar técnicas de aprendizado de máquina efetivamente em seus domínios profissionais.

No final deste treinamento, os participantes serão capazes de:

• Compreender e implementar diversos algoritmos de Machine Learning.
• Preparar dados e modelos para aplicações de aprendizado de máquina.
• Realizar análises pós-hoc e visualizar resultados efetivamente.
• Aplique técnicas de aprendizado de máquina a cenários do mundo real, específicos ao setor.

A Rede Neural Artificial é um modelo de dados computacional utilizado no desenvolvimento de sistemas de Inteligência Artificial (IA) capazes de realizar tarefas "inteligentes". As Redes Neurais são comumente utilizadas em aplicações de Aprendizado de Máquina (ML), que por sua vez, constituem uma implementação da IA. O Aprendizado Profundo é um subconjunto do ML.

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.

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 curso é uma visão geral para Deep Learning sem aprofundar demasiado quaisquer métodos específicos. É adequado para pessoas que querem começar a utilizar a aprendizagem profunda para melhorar a sua precisão de previsão.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a pesquisadores e desenvolvedores que desejam instalar, configurar, personalizar e usar a plataforma DeepMind Lab para desenvolver sistemas gerais de inteligência artificial e aprendizado de máquina.

No final deste treinamento, os participantes serão capazes de:

• Personalizar DeepMind Lab para construir e executar um ambiente que atenda às necessidades de aprendizado e treinamento.
• Utilizar o ambiente de simulação 3D da DeepMind Lab para treinar agentes de aprendizagem num ponto de vista de primeira pessoa.
• Facilitar a avaliação de agentes para desenvolver a inteligência num mundo 3D semelhante a um jogo.

Este curso visa proporcionar todas as ferramentas e explicitar todos os apectos necessários para que os participantes possam adquirir conhecimetos únicos e funcionais acerca do Deep learning avançado, com o objetivo de que possam aplicar-lo em seu uso cotidiano.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a analistas de negócios, cientistas de dados e desenvolvedores que desejam criar e implementar modelos de aprendizado profundo para acelerar o crescimento da receita e resolver problemas no mundo dos negócios.

No final deste treinamento, os participantes serão capazes de:

• Entenda os principais conceitos de aprendizado de máquina e aprendizado profundo.
• Obtenha insights sobre o futuro dos negócios e da indústria com ML e DL.
• Defina estratégias e soluções de negócios com aprendizado profundo.
• Aprender a aplicar a ciência de dados e a aprendizagem profunda na resolução de problemas empresariais.
• Construir modelos de aprendizagem profunda utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

A aprendizagem automática é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem explicitamente programados. A aprendizagem profunda é um subcampo da aprendizagem automática que utiliza métodos baseados na aprendizagem de representações e estruturas de dados, como as redes neuronais. A linguagem de programação de alto nível Python é famosa pela sua sintaxe clara e legibilidade do código.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para bancos usando Python à medida que avançam na criação de um modelo de risco de crédito de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de aprendizagem profunda
• Aprenda os aplicativos e usos do aprendizado profundo no setor bancário
• Use Python, Keras e TensorFlow para criar modelos de aprendizado profundo para o setor bancário
• Crie seu próprio modelo de risco de crédito de aprendizado profundo usando Python

Público

• Programadores
• Cientistas de dados

Formato do curso

• Palestra parcial, discussão parcial, exercícios e prática prática pesada

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 presencial, conduzido por instrutor, em Brasil (online ou no local), destina-se a cientistas de dados que desejam acelerar aplicações de aprendizado de máquina em tempo real e implementá-las em escala.

Até o final deste treinamento, os participantes serão capazes de:

• Instalar o toolkit OpenVINO.
• Acelerar uma aplicação de visão computacional utilizando um FPGA.
• Executar diferentes camadas de CNN no FPGA.
• Escalar a aplicação em múltiplos nós dentro de um cluster Kubernetes.

Este treinamento conduzido por instrutor, ao vivo (online ou presencial), é direcionado a cientistas de dados que desejam usar o TensorFlow para analisar dados potenciais de fraude.

Ao final deste treinamento, 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 AI de ponta a ponta para analisar dados de fraude.

Este treinamento ao vivo, conduzido por instrutor em Brasil (online ou presencial), destina-se a desenvolvedores ou cientistas de dados que desejam utilizar o Horovod para executar treinamentos distribuídos de aprendizado profundo e escalá-los para rodar em múltiplas GPUs em paralelo.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para iniciar treinamentos de aprendizado profundo.
• Instalar e configurar o Horovod para treinar modelos com TensorFlow, Keras, PyTorch e Apache MXNet.
• Escalar o treinamento de aprendizado profundo com o Horovod para execução em múltiplas GPUs.

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.

Neste treinamento conduzido por instrutores, os participantes aprenderão a usar o Matlab para projetar, construir e visualizar uma rede neural convolucional para reconhecimento de imagens.

No final deste treinamento, os participantes serão capazes de:

• Criar um modelo de aprendizado profundo
• Automatizar o rótulo de dados
• Trabalhar com modelos do Caffe e TensorFlow-Keras
• Treinar dados usando múltiplos GPUs, nuvem ou clusters

Público-alvo

• Desenvolvedores
• Engenheiros
• Especialistas em domínio

Formato do curso

• Parte palestra, parte discussão, exercícios e muita prática hands-on

Esta formação conduzida por instrutor (online ou presencial) é voltada para profissionais de nível iniciante a intermediário que desejam desenvolver seu entendimento sobre algoritmos de aprendizagem de máquina, técnicas de aprendizagem profunda e tomada de decisões baseadas em IA. O curso oferece experiência prática com conceitos de aprendizagem de máquina, modelos de aprendizagem profunda e implementações práticas usando R.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos da aprendizagem de máquina e da aprendizagem profunda.
• Apliar diversos algoritmos de aprendizagem de máquina para regressão, classificação, agrupamento e detecção de anomalias.
• Utilizar arquiteturas de aprendizagem profunda como redes neurais artificiais (ANNs).
• Implementar modelos de aprendizagem supervisionada e não supervisionada.
• Avaliar o desempenho dos modelos e otimizar hiperparâmetros.
• Usar R para análise de dados, visualização e aplicativos de aprendizagem de máquina.

O treinamento é direcionado às pessoas que desejam aprender os fundamentos das redes neurais e suas aplicações.

Esta sessão de treinamento em sala de aula conterá apresentações e exemplos baseados em computador e exercícios de estudo de caso para realizar com bibliotecas de redes neurais e profundas relevantes.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com OpenCV 4 para aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Visualizar, carregar e classificar imagens e vídeos usando OpenCV 4.
• Implementar o aprendizado profundo em OpenCV 4 com TensorFlow e Keras.
• Execute modelos de aprendizado profundo e gere relatórios impactantes a partir de imagens e vídeos.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão técnicas avançadas para Machine Learning com R à medida que avançam na criação de um aplicativo do mundo real.

No final desta formação, os participantes serão capazes de

• Compreender e implementar técnicas de aprendizagem não supervisionada
• Aplicar clustering e classificação para fazer previsões com base em dados do mundo real.
• Visualizar dados para obter rapidamente insights, tomar decisões e refinar ainda mais a análise.
• Melhorar o desempenho de um modelo de aprendizado de máquina usando o ajuste de hiperparâmetros.
• Colocar um modelo em produção para uso em um aplicativo maior.
• Aplicar técnicas avançadas de aprendizado de máquina para responder a perguntas envolvendo dados de redes sociais, big data e muito mais.

Este curso é uma introdução ao uso de redes neurais em problemas do mundo real utilizando o software R-project.

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.

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.

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