Cursos de Deep Learning em São Paulo

Esta formação ao vivo, ministrada por instrutor em São Paulo (online ou presencial), destina-se a desenvolvedores, cientistas de dados e profissionais de IA de nível intermediário que desejam aproveitar o TensorFlow Lite para aplicações de 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.
• Implantar modelos do TensorFlow Lite em diversos dispositivos de borda.
• Utilizar ferramentas e técnicas para conversão e otimização de modelos.
• Implementar aplicações práticas de Edge AI utilizando o TensorFlow Lite.

Esta formação ao vivo, ministrada por instrutores em São Paulo (online ou presencial), é voltada para profissionais de nível avançado que desejam aprofundar seu entendimento sobre visão computacional e explorar as capacidades do TensorFlow no desenvolvimento de modelos sofisticados de visão usando o Google Colab.

Ao final desta formação, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) utilizando TensorFlow.
• Aproveitar o Google Colab para o desenvolvimento escalável e eficiente de modelos na nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implantar modelos de visão computacional em aplicações do mundo real.
• Utilizar aprendizado por transferência (transfer learning) para melhorar o desempenho dos modelos CNN.
• Visualizar e interpretar os resultados de modelos de classificação de imagens.

Este treinamento ao vivo, ministrado por instrutor em São Paulo (online ou presencial), destina-se a cientistas de dados e desenvolvedores de nível intermediário que desejam compreender e aplicar técnicas de aprendizado profundo no ambiente do 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 utilizando o TensorFlow.
• Treinar e avaliar modelos de aprendizado profundo.
• Utilizar recursos avançados do TensorFlow para aprendizado profundo.

Este treinamento ao vivo, ministrado por instrutor em São Paulo (online ou presencial), é direcionado a profissionais de nível avançado que desejam se especializar em técnicas de aprendizado profundo de ponta para CLN.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender as principais diferenças entre modelos de CLN e PLN.
• Aplicar técnicas avançadas de aprendizado profundo em tarefas de CLN.
• Explorar arquiteturas profundas, como transformadores e mecanismos de atenção.
• Aproveitar as tendências futuras da CLN para construir sistemas de IA sofisticados.

Este treinamento ao vivo, ministrado por instrutores em São Paulo (online ou presencial), é voltado para profissionais de nível avançado que desejam explorar técnicas de XAI (Explicabilidade em IA) de ponta para modelos de aprendizado profundo, com foco na construção de sistemas de IA interpretáveis.

Ao final deste treinamento, os participantes serão capazes de:

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

Este treinamento ao vivo, ministrado por instrutor, em São Paulo (online ou presencial), é direcionado a cientistas de dados, engenheiros de aprendizado de máquina, pesquisadores de aprendizado profundo e especialistas em visão computacional de nível intermediário a avançado que desejam expandir seus conhecimentos e habilidades em aprendizado profundo para geração de imagens a partir de texto.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender arquiteturas e técnicas avançadas de aprendizado profundo para geração de imagens a partir de texto.
• Implementar modelos complexos e otimizações para síntese de imagens de alta qualidade.
• Otimizar desempenho e escalabilidade para grandes conjuntos de dados e modelos complexos.
• Ajustar hiperparâmetros para melhorar o desempenho do modelo e sua capacidade de generalização.
• Integrar o Stable Diffusion com outros frameworks e ferramentas de aprendizado profundo.

Este treinamento ao vivo, ministrado por instrutor, em São Paulo (online ou presencial), destina-se a profissionais de nível avançado que desejam utilizar técnicas de IA para revolucionar os processos de descoberta e desenvolvimento de medicamentos.

Ao final deste treinamento, os participantes serão capazes de:

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

Este treinamento ao vivo, ministrado por instrutor em São Paulo (online ou presencial), tem como objetivo biólogos que desejam compreender o funcionamento do AlphaFold e utilizar os modelos gerados pelo AlphaFold como guia em seus estudos experimentais.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os princípios básicos do AlphaFold.
• Aprender como o AlphaFold funciona.
• Aprender a interpretar as previsões e os resultados do AlphaFold.

Este treinamento ao vivo, ministrado por instrutor em São Paulo (online ou presencial), é direcionado a desenvolvedores de nível iniciante a intermediário que desejam utilizar Modelos de Linguagem Grandes em diversas tarefas de processamento de linguagem natural.

Ao 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 (fine-tuning) em um conjunto de dados personalizado.
• Utilizar LLMs para diferentes tarefas de processamento de linguagem natural, como resumo de textos, perguntas e respostas, geração de texto e outras.
• Depurar e avaliar LLMs utilizando ferramentas como TensorBoard, PyTorch Lightning e Hugging Face Datasets.

Este treinamento ao vivo, ministrado por instrutores (online ou presencial), é direcionado a cientistas de dados, engenheiros de machine learning e pesquisadores em 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.
• Criar e treinar modelos Stable Diffusion para tarefas de geração de imagens.
• Aplicar o Stable Diffusion em 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.

Neste treinamento ao vivo e ministrado por instrutor em São Paulo, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e inovadoras em Python enquanto criam uma série de aplicativos de demonstração envolvendo dados de imagem, música, texto e financeiros.

Ao final deste treinamento, os participantes serão capazes de:

• Implementar algoritmos e técnicas de aprendizado de máquina para resolver problemas complexos.
• Aplicar aprendizado profundo e aprendizado semissupervisionado em aplicações que envolvem dados de imagem, música, texto e financeiros.
• Tirar o máximo proveito dos algoritmos Python.
• Usar bibliotecas e pacotes como NumPy e Theano.

Este treinamento ao vivo e ministrado por instrutores em São Paulo (online ou presencial) oferece uma introdução ao campo do reconhecimento de padrões e do aprendizado de máquina. Aborda aplicações práticas em estatística, ciência da computação, processamento de sinais, visão computacional, mineração de dados e bioinformática.

Ao final deste treinamento, os participantes serão capazes de:

• Aplicar métodos estatísticos fundamentais ao reconhecimento de padrões.
• Utilizar modelos-chave, como redes neurais e métodos de kernels, para análise de dados.
• Implementar técnicas avançadas para resolver problemas complexos.
• Melhorar a precisão das previsões combinando diferentes modelos.

Esta formação ao vivo com instrutor em São Paulo (online ou presencial) destina-se a desenvolvedores de software, analistas de dados e profissionais técnicos que desejam usar o TensorFlow 2.x e o Keras para criar, treinar e implantar modelos de deep learning para visão computacional, processamento de linguagem natural e aplicações multimodais.

Este treinamento ao vivo, ministrado por instrutores em São Paulo (online ou presencial), é voltado para 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 completa de IA para analisar dados de fraude.

Neste treinamento ao vivo com instrutor, os participantes aprenderão como usar o Matlab para projetar, criar e visualizar uma rede neural convolucional para reconhecimento de imagens.

Ao final deste treinamento, os participantes serão capazes de:

• Criar um modelo de deep learning
• Automatizar o rótulo dos dados
• Trabalhar com modelos do Caffe e TensorFlow-Keras
• Treinar dados usando múltiplas GPUs, a nuvem ou clusters

Público-alvo

• Desenvolvedores
• Engenheiros
• Especialistas de domínio

Formato do curso

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

Este treinamento ao vivo conduzido por instrutores em São Paulo (online ou presencial) destina-se a desenvolvedores e cientistas de dados que desejam usar o TensorFlow 2.x para construir preeditores, classificadores, modelos generativos, redes neurais, entre outros.

Ao final deste treinamento, os participantes estarão aptos a:

• Instalar e configurar o TensorFlow 2.x.
• Compreender os benefícios do TensorFlow 2.x em relação às versões anteriores.
• Construir modelos de deep learning.
• Implementar um classificador de imagens avançado.
• Fazer o deploy de um modelo de deep learning na nuvem, em dispositivos móveis e dispositivos IoT.