Cursos de Aprendizagem Profunda (Deep learning) | Cursos de Deep Learning

Stable Diffusion é um poderoso modelo de aprendizado profundo que pode gerar imagens detalhadas com base em descrições de texto.Este treinamento ao vivo conduzido por instrutor (online ou no local) destina-se 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 conversão de texto em -geração de imagem.No final desta formação, os participantes serão capazes de:

Entenda arquiteturas e técnicas avançadas de aprendizado profundo para geração de texto para imagem. Implemente modelos complexos e otimizações para síntese de imagem de alta qualidade. Otimize o desempenho e a escalabilidade para grandes conjuntos de dados e modelos complexos. Ajuste hiperparâmetros para melhor desempenho e generalização do modelo. Integre Stable Diffusion com outras estruturas e ferramentas de aprendizado profundo.

Formato do Curso

Palestra e discussão interativa. Muitos exercícios e prática. Implementação prática em um ambiente de laboratório ao vivo.

Opções de personalização do curso

Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

DeepSpeed é uma biblioteca de otimização de aprendizagem profunda que facilita a escala de modelos de aprendizagem profunda em hardware distribuído. Desenvolvido por Microsoft, o DeepSpeed se integra ao PyTorch para fornecer melhor dimensionamento, treinamento mais rápido e melhor utilização de recursos.Este treinamento ao vivo conduzido por instrutor (online ou no local) destina-se 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.No final desta formação, os participantes serão capazes de:

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

Formato do Curso

Palestra e discussão interativa. Muitos exercícios e prática. Implementação prática em um ambiente de laboratório ao vivo.

Opções de personalização do curso

Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

AlphaFold é um sistema Artificial Intelligence (AI) que realiza a previsão de estruturas de proteínas. É desenvolvido pela Alphabet’s/Google’s DeepMind como um sistema de aprendizagem profunda que pode prever com precisão modelos 3D de estruturas de proteínas. Este treinamento ao vivo guiado por instrutores (online ou on-site) é dirigido a biólogos que desejam entender como AlphaFold trabalham e usam AlphaFold modelos como guias em seus estudos experimentais. No final do curso, os participantes poderão:

Conheça os princípios fundamentais de AlphaFold. Saiba como AlphaFold funciona. Aprenda a interpretar AlphaFold previsões e resultados.

O formato do curso

Interação e discussão interativa. Muitos exercícios e práticas. Implementação de mão em um ambiente de laboratório ao vivo.

Opções de Customização

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

Stable Diffusion é um poderoso modelo de aprendizado profundo que pode gerar imagens detalhadas com base em descrições de texto.Este treinamento ao vivo conduzido por instrutor (online ou no local) destina-se a cientistas de dados, engenheiros de aprendizado de máquina e pesquisadores de visão computacional que desejam aproveitar Stable Diffusion para gerar imagens de alta qualidade para uma variedade de casos de uso.No final desta formação, os participantes serão capazes de:

Entenda os princípios de Stable Diffusion e como ele funciona para a geração de imagens. Construa e treine modelos Stable Diffusion para tarefas de geração de imagens. Aplique Stable Diffusion a vários cenários de geração de imagem, como pintura interna, pintura externa e conversão de imagem para imagem. Otimize o desempenho e a estabilidade dos modelos Stable Diffusion.

Formato do Curso

Palestra e discussão interativa. Muitos exercícios e prática. Implementação prática em um ambiente de laboratório ao vivo.

Opções de personalização do curso

Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

Neste treinamento presencial instruído, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e inovadoras do Python, pois eles criam uma série de aplicativos de demonstração que envolvem dados de imagem, 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 Aplicar aprendizado profundo e aprendizado semissupervisionado a aplicativos que envolvam dados de imagem, música, texto e dados financeiros Empurre os algoritmos do Python para o seu potencial máximo Use bibliotecas e pacotes como NumPy e Theano Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .

Deep Reinforcement Learning refere-se à capacidade de um "agente artificial" de aprender por tentativa e erro e recompensas e punições. Um agente artificial visa imitar a capacidade humana de obter e construir conhecimento por conta própria, diretamente de insumos brutos, como a visão. Para realizar o aprendizado por reforço, o aprendizado profundo e as redes neurais são usados. O aprendizado por reforço é diferente do aprendizado de máquina e não depende de abordagens de aprendizado supervisionado e não supervisionado.Este treinamento ao vivo conduzido por instrutor (online ou no local) destina-se a desenvolvedores e cientistas de dados que desejam aprender os fundamentos do Deep Reinforcement Learning à medida que avançam na criação de um Deep Learning Agente.No final desta formação, os participantes serão capazes de:

Entenda os principais conceitos por trás do Deep Reinforcement Learning e seja capaz de distingui-lo de Machine Learning. Aplicar algoritmos avançados Reinforcement Learning para resolver problemas do mundo real. Construa um Deep Learning Agente.

Formato do Curso

Palestra e discussão interativa. Muitos exercícios e prática. Implementação prática em um ambiente de laboratório ao vivo.

Opções de personalização do curso

Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

A aprendizagem por máquina é uma rama da Inteligência Artificial em que os computadores têm a capacidade de aprender sem ser explicitamente programados. A aprendizagem profunda é um subcampo de aprendizagem de máquina que usa métodos baseados em representações e estruturas de dados de aprendizagem, como redes neurais. Python é uma linguagem de programação de alto nível famosa por sua sintaxe clara e leitura de código. Neste treinamento ao vivo liderado por instrutores, os participantes aprenderão como implementar modelos de aprendizagem profunda para telecom usando Python enquanto eles passam pela criação de um modelo de risco de crédito de aprendizagem profunda. No final do curso, os participantes poderão:

Conheça os conceitos fundamentais de aprendizagem profunda. Aprenda as aplicações e os usos de aprendizagem profunda em telecom. Use Python, Keras, e TensorFlow para criar modelos de aprendizagem profunda para telecom. Construa seu próprio modelo de profunda aprendizagem do cliente usando Python.

O formato do curso

Interação e discussão interativa. Muitos exercícios e práticas. Implementação de mão em um ambiente de laboratório ao vivo.

Opções de Customização

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

O Embedding Projector é um aplicativo da web opensource para visualizar os dados usados ​​para treinar sistemas de aprendizado de máquina Criado pelo Google, faz parte do TensorFlow Este treinamento ao vivo com instrutor introduz os conceitos por trás do Embedding Projector e conduz os participantes através da configuração de um projeto de demonstração No final deste treinamento, os participantes serão capazes de: Explore como os dados estão sendo interpretados pelos modelos de aprendizado de máquina Navegue por visualizações 3D e 2D de dados para entender como um algoritmo de aprendizado de máquina o interpreta Entenda os conceitos por trás do Embeddings e seu papel na representação de vetores matemáticos para imagens, palavras e numerais Explore as propriedades de uma incorporação específica para entender o comportamento de um modelo Aplique o Embedding Project em casos de uso do mundo real, como construir um sistema de recomendação de músicas para os amantes da música Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .

Rede Neural Artificial é um modelo computacional de dados utilizado no desenvolvimento de sistemas de Inteligência Artificial (IA) capazes de realizar tarefas "inteligentes". Redes neurais são comumente usadas em aplicações de Aprendizado de Máquina (ML), que são elas mesmas uma implementação de IA. Deep Learning é um subconjunto do ML.

Este curso é uma visão geral do Deep Learning sem aprofundar em nenhum método específico. É adequado para pessoas que querem começar a usar o Aprendizado Profundo para melhorar sua precisão de previsão.

Rede Neural Artificial é um modelo de dados computacional utilizado no desenvolvimento de sistemas de Artificial Intelligence (AI) capazes de realizar tarefas "inteligentes". Neural Networks são comumente usadas em aplicações de Machine Learning (ML), que são elas mesmas uma implementação da IA. Deep Learning é um subconjunto do ML.

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.

Caffe é uma framework de deep learning construída com os modelos de expressão, velocidade e modularidade em mente. Este curso explora a aplicação do Caffe como uma framework para o reconhecimento de imagem.
Depois de completar o curso os participantes poderão:
- Entender a estrutura do Caffe e os mecanismos de despacho
- Monitorar a qualidade do código, debugging etc...

Este curso é apropriado para pesquisadores em Deep Learning e engenheiros interessados em utilizar as ferramentas disponíveis (a maioria sendo de código aberto) para analizar as imagens de computador.

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.

Este curso abrange AI (enfatizando Machine Learning e Deep Learning )

Neste treinamento ao vivo conduzido por instrutor, examinamos os princípios das redes neurais e usamos OpenNN para implementar um aplicativo de amostra.Formato do cursoPalestra e discussão juntamente com exercícios práticos.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como configurar e usar o OpenNMT para realizar a tradução de vários conjuntos de dados de amostra. O curso começa com uma visão geral das redes neurais como elas se aplicam à tradução automática. Os participantes realizarão exercícios ao vivo durante o curso para demonstrar sua compreensão dos conceitos aprendidos e obter feedback do instrutor. No final deste treinamento, os participantes terão o conhecimento e a prática necessários para implementar uma solução OpenNMT ao vivo. Amostras de idioma de origem e de destino serão pré-organizadas de acordo com os requisitos do público.

Formato do Curso

• Palestra parcial, parte discussão, prática prática

Tipo: Formação teórica com candidaturas decididas a montante com os alunos em Lasagne ou Keras acordo com o grupo pedagógico Método de ensino: apresentação, trocas e estudos de caso A inteligência artificial, depois de ter interrompido muitos campos científicos, começou a revolucionar um grande número de setores econômicos (indústria, medicina, comunicação, etc.). No entanto, sua apresentação na grande mídia é muitas vezes fantasiosa, muito distante daquelas que são realmente as áreas de Machine Learning ou Deep Learning . O objetivo deste treinamento é fornecer aos engenheiros que já possuem um domínio de ferramentas de informática (incluindo uma base de programação de software) uma introdução ao Deep Learning e suas diversas áreas de especialização e, portanto, às principais arquiteturas de rede existentes. hoje. Se as bases matemáticas forem recuperadas durante o curso, um nível de matemática do tipo BAC + 2 é recomendado para maior conforto. É absolutamente possível pular o eixo matemático para manter apenas uma visão de "sistema", mas essa abordagem limitará enormemente sua compreensão do assunto.

Neste treinamento guiado por instrutores, os participantes aprenderão como usar Facebook NMT (Fairseq) para realizar tradução de conteúdo de amostra. Ao final deste treinamento, os participantes terão o conhecimento e a prática necessários para implementar uma solução de tradução de máquina baseada em Fairseq ao vivo. Formato do curso

Parte de discussão, parte de discussão, prática pesada

Notícia

Se você deseja usar conteúdo de fonte específica e de idioma alvo, por favor contacte-nos para organizar.

O Microsoft Cognitive Toolkit 2x (anteriormente CNTK) é um kit de ferramentas de versão comercial de código aberto que treina algoritmos de aprendizado profundo para aprender como o cérebro humano Segundo a Microsoft, o CNTK pode ser 510x mais rápido que o TensorFlow em redes recorrentes, e 2 a 3 vezes mais rápido que o TensorFlow para tarefas relacionadas a imagens Neste treinamento presencial instruído, os participantes aprenderão a usar o Microsoft Cognitive Toolkit para criar, treinar e avaliar algoritmos de aprendizado profundo para uso em aplicativos de IA de grau comercial envolvendo vários tipos de dados, como dados, fala, texto e imagens No final deste treinamento, os participantes serão capazes de: Acesse o CNTK como uma biblioteca dentro de um programa em Python, C # ou C ++ Use o CNTK como uma ferramenta de aprendizado de máquina autônoma por meio de sua própria linguagem de descrição de modelo (BrainScript) Use a funcionalidade de avaliação do modelo CNTK de um programa Java Combinar DNNs feedforward, redes convolucionais (CNNs) e redes recorrentes (RNNs / LSTMs) Capacidade de computação de escala em CPUs, GPUs e várias máquinas Acessar conjuntos de dados enormes usando linguagens de programação e algoritmos existentes Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada Nota Se você deseja personalizar qualquer parte deste treinamento, incluindo a linguagem de programação escolhida, entre em contato conosco para agendar .

PaddlePaddle (PArallel Distributed Deep LEarning) é uma plataforma de aprendizagem profunda escalável desenvolvida pela Baidu Neste treinamento ao vivo com instrutores, os participantes aprenderão como usar o PaddlePaddle para permitir o aprendizado profundo em seus aplicativos de produtos e serviços No final deste treinamento, os participantes serão capazes de: Configurar e configurar o PaddlePaddle Configurar uma rede neural por convolução (CNN) para reconhecimento de imagem e detecção de objetos Configurar uma Rede Neural Recorrente (RNN) para análise de sentimento Configure o aprendizado profundo em sistemas de recomendação para ajudar os usuários a encontrar respostas Prever taxas de cliques (CTR), classificar conjuntos de imagens em larga escala, realizar reconhecimento óptico de caracteres (OCR), classificar pesquisas, detectar vírus de computador e implementar um sistema de recomendação Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar o DSSTNE para criar um aplicativo de recomendação. No final deste treinamento, os participantes serão capazes de:

• Treinar um modelo de recomendação com conjuntos de dados esparsos como entrada
• Treinamento de escala e modelos de previsão em várias GPU
• Espalhe computação e armazenamento de forma paralela ao modelo
• Gerar recomendações de produtos personalizados semelhantes à Amazon
• Implantar um aplicativo pronto para produção que pode ser dimensionado em cargas de trabalho pesadas

Formato do curso

• Palestra parcial, parte discussão, exercícios e prática prática

O Tensor2Tensor (T2T) é uma biblioteca modular e extensível para treinar modelos de IA em diferentes tarefas, usando diferentes tipos de dados de treinamento, por exemplo: reconhecimento de imagem, tradução, análise, legendagem de imagens e reconhecimento de fala É mantido pela equipe do Google Brain Neste treinamento presencial instruído, os participantes aprenderão a preparar um modelo deeplearning para resolver várias tarefas No final deste treinamento, os participantes serão capazes de: Instale tensor2tensor, selecione um conjunto de dados e treine e avalie um modelo de AI Personalize um ambiente de desenvolvimento usando as ferramentas e componentes incluídos no Tensor2Tensor Crie e use um modelo único para conhecer simultaneamente várias tarefas de vários domínios Use o modelo para aprender com tarefas com uma grande quantidade de dados de treinamento e aplique esse conhecimento a tarefas em que os dados são limitados Obtenha resultados de processamento satisfatórios usando uma única GPU Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .

O OpenFace é um software de reconhecimento facial em tempo real baseado em Python e Torch, baseado na pesquisa FaceNet do Google Neste treinamento presencial instruído, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra No final deste treinamento, os participantes serão capazes de: Trabalhe com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4, para implementar detecção, alinhamento e transformação de faces Aplique o OpenFace a aplicações do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .

Neste treinamento ao vivo com instrutores, os participantes aprenderão técnicas avançadas para o Aprendizado de Máquina com o R ao passarem pela criação de um aplicativo do mundo real No final deste treinamento, os participantes serão capazes de: Use técnicas como ajuste de hyperparameter e aprendizagem profunda Compreender e implementar técnicas de aprendizagem não supervisionadas Coloque um modelo em produção para uso em um aplicativo maior Público Desenvolvedores Analistas Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada .

In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to:

• Build a deep learning model
• Automate data labeling
• Work with models from Caffe and TensorFlow-Keras
• Train data using multiple GPUs, the cloud, or clusters

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

O aprendizado de máquina é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem programados explicitamente. A aprendizagem profunda é um subcampo de aprendizado de máquina que usa métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. R é uma linguagem de programação popular no setor financeiro. Ele é usado em aplicações financeiras que vão desde programas de negociação principais até sistemas de gerenciamento de risco. Neste treinamento ao vivo ministrado por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para finanças usando o R enquanto avançam na criação de um modelo de previsão de preço de ações de aprendizagem profunda. No final deste treinamento, os participantes serão capazes de:

• Entenda os conceitos fundamentais da aprendizagem profunda
• Aprenda os aplicativos e usos da aprendizagem profunda em finanças
• Use R para criar modelos de aprendizagem profunda para finanças
• Construa seu próprio modelo de previsão de preço de ações de aprendizagem profunda usando R

Público

• Desenvolvedores
• Cientistas de dados

Formato do curso

• Palestra parcial, parte discussão, exercícios e prática prática

Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for banking using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to:

• Understand the fundamental concepts of deep learning
• Learn the applications and uses of deep learning in banking
• Use Python, Keras, and TensorFlow to create deep learning models for banking
• Build their own deep learning credit risk model using Python

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

O aprendizado de máquina é um ramo da Inteligência Artificial em que os computadores têm a capacidade de aprender sem serem programados explicitamente. A aprendizagem profunda é um subcampo de aprendizado de máquina que usa métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. R é uma linguagem de programação popular no setor financeiro. Ele é usado em aplicações financeiras que vão desde programas de negociação principais até sistemas de gerenciamento de risco. Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizagem profunda para o setor bancário usando o R, à medida que avançam na criação de um modelo de risco de crédito de aprendizagem profunda. No final deste treinamento, os participantes serão capazes de:

• Entenda os conceitos fundamentais da aprendizagem profunda
• Aprenda os aplicativos e usos da aprendizagem profunda no setor bancário
• Use R para criar modelos de aprendizagem profunda para bancos
• Construa seu próprio modelo de risco de crédito de aprendizagem profunda usando R

Público

• Desenvolvedores
• Cientistas de dados

Formato do curso

• Palestra parcial, parte discussão, exercícios e prática prática