Cursos de Aprendizagem Profunda (Deep learning) em Portugal

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a profissionais de finanças de nível intermediário, desenvolvedores de fintech e especialistas em IA que desejam implementar soluções Edge AI em serviços financeiros.Ao final deste treinamento, os participantes serão capazes de:

• Entenda o papel da Edge AI nos serviços financeiros.
• Implemente sistemas de deteção de fraude usando o Edge AI.
• Melhore o atendimento ao cliente por meio de soluções orientadas por IA.
• Aplique o Edge AI para gerenciamento de riscos e tomada de decisões.
• Implantar e gerenciar soluções Edge AI em ambientes financeiros.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a engenheiros industriais de nível intermediário, profissionais de manufatura e desenvolvedores de IA que desejam implementar soluções Edge AI em automação industrial.Ao final deste treinamento, os participantes serão capazes de:

• Entenda o papel da Edge AI na automação industrial.
• Implementar soluções de manutenção preditiva usando o Edge AI.
• Aplique técnicas de IA para controle de qualidade nos processos de fabricação.
• Otimize os processos industriais usando o Edge AI.
• Implantar e gerenciar soluções Edge AI em ambientes industriais.

Este treinamento ao vivo ministrado por instrutor em Portugal (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.Ao final deste treinamento, os participantes serão capazes de:

Compreenda arquiteturas e técnicas avançadas de aprendizagem profunda para geração de texto em imagem. Implemente 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. Ajuste hiperparâmetros para melhor desempenho e generalização do modelo. Integre Stable Diffusion com outras estruturas e ferramentas de aprendizagem profunda

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores de IA de nível intermediário, engenheiros de aprendizado de máquina e arquitetos de sistema que desejam otimizar modelos de IA para implantação de borda.Ao final deste treinamento, os participantes serão capazes de:

• Entenda os desafios e os requisitos da implantação de modelos de IA em dispositivos de borda.
• Aplique técnicas de compressão de modelo para reduzir o tamanho e a complexidade dos modelos de IA.
• Utilize métodos de quantização para melhorar a eficiência do modelo no hardware de borda.
• Implementar a poda e outras técnicas de otimização para melhorar o desempenho do modelo.
• Implementar modelos de IA optimizados em vários dispositivos de ponta.

Este treinamento ao vivo conduzido por instrutor em Portugal (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. No final desta formação, os participantes serão capazes de

• Compreender os princípios da aprendizagem profunda distribuída.
• Instalar e configurar o DeepSpeed.
• Modelos de aprendizado profundo em escala em hardware distribuído usando DeepSpeed.
• Implementar e experimentar os recursos do DeepSpeed para otimização e eficiência de memória.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar Large Language Models para várias tarefas de linguagem natural. No final desta formação, os participantes serão capazes de

Configurar um ambiente de desenvolvimento que inclua um LLM popular. Criar um LLM básico e afiná-lo num conjunto de dados personalizado. Utilizar 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.

Esta formação ao vivo orientada por um instrutor (no local ou remoto) destina-se a cientistas de dados, engenheiros de aprendizagem automática e investigadores de visão computacional que pretendam tirar partido de Stable Diffusion para gerar imagens de alta qualidade para uma variedade de casos de utilização. No final desta formação, os participantes serão capazes de

Compreender os princípios de Stable Diffusion e como 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.

Esta formação ao vivo orientada por um instrutor em Portugal (online ou no local) destina-se a biólogos que desejam compreender o funcionamento de AlphaFold e utilizar modelos de AlphaFold como guias nos seus estudos experimentais. No final desta formação, os participantes serão capazes de

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

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores de nível intermediário, cientistas de dados e profissionais de IA que desejam aproveitar o TensorFlow Lite para aplicativos Edge AI.No final deste treinamento, os participantes serão capazes de:

• Entenda os fundamentos do TensorFlow Lite e seu papel no Edge AI.
• Desenvolver e otimizar modelos de IA usando TensorFlow Lite.
• Implantar modelos TensorFlow Lite em vários dispositivos de borda.
• Utilizar ferramentas e técnicas para conversão e otimização de modelos.
• Implementar aplicativos práticos de IA de borda usando o TensorFlow Lite.

Neste treinamento ao vivo conduzido por instrutor em Portugal, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e de ponta em Python enquanto constroem uma série de aplicativos de demonstração envolvendo dados de imagem, música, texto e financeiros. No final desta formação, os participantes serão capazes de

• Implementar algoritmos e técnicas de aprendizagem automática para resolver problemas complexos.
• Aplicar aprendizagem profunda e aprendizagem semi-supervisionada a aplicações que envolvam dados de imagem, música, texto e financeiros.
• Empurrar Python algoritmos para o seu potencial máximo.
• Utilizar bibliotecas e pacotes como NumPy e Theano.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado 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 Agent. No final desta formação, os participantes serão capazes de

• Compreender os principais conceitos por trás do Deep Reinforcement Learning e ser capaz de distingui-lo do Machine Learning.
• Aplicar algoritmos avançados de Reinforcement Learning para resolver problemas do mundo real.
• Construir um agente de Deep Learning.

Neste treinamento ao vivo conduzido por instrutor em < loc & gt;, 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. No final desta formação, os participantes serão capazes de

• Compreender os conceitos fundamentais da aprendizagem profunda.
• Aprenda as aplicações e usos do aprendizado profundo em telecomunicações.
• Use Python, Keras e TensorFlow para criar modelos de aprendizado profundo para telecomunicações.
• Construir seu próprio modelo de previsão de churn de clientes de aprendizado profundo usando Python.

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.

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.

Caffe é uma estrutura de aprendizagem profunda feita com expressão, velocidade e modularidade em mente. Este curso explora a aplicação do Caffe como uma estrutura de aprendizagem profunda para o reconhecimento de imagens usando o MNIST como um exemplo Público Este curso é adequado para pesquisadores e engenheiros do Deep Learning interessados em utilizar o Caffe como um framework. Depois de concluir este curso, os delegados poderão:

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

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 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, 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 aplicações decididas previamente com os alunos sobre Lasanha ou Keras consoante o grupo de ensino. Método de ensino: apresentação, discussão e estudo de casos A inteligência artificial revolucionou vários domínios científicos e começa agora a revolucionar um grande número de sectores económicos (indústria, medicina, comunicação, etc.). No entanto, a forma como é apresentada nos grandes meios de comunicação social é muitas vezes uma fantasia, muito distante das realidades dos domínios Machine Learning e Deep Learning. O objetivo deste curso é fornecer aos engenheiros que já dominam as ferramentas informáticas (incluindo um conhecimento básico de programação de software) uma introdução ao Deep Learning e às suas várias áreas especializadas e, portanto, às principais arquitecturas de rede existentes atualmente. Embora os fundamentos matemáticos sejam relembrados durante o curso, recomenda-se um nível de matemática como o BAC+2 para maior conforto. É absolutamente possível prescindir da matemática para reter apenas uma visão "sistémica", mas esta abordagem limitará muito a compreensão do tema.

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 .

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 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.

Neste treinamento ao vivo, ministrado por instrutor, os participantes aprenderão como usar o Matlab para projetar, construir e visualizar uma rede neural convolucional para reconhecimento de imagem. Ao final deste treinamento, os participantes serão capazes de:

• Construa um modelo de aprendizado profundo
• Automatize a rotulagem de dados
• Trabalhar com modelos da Caffe e TensorFlow - Keras
• Treine dados usando várias GPU , a nuvem ou clusters

Público

• Desenvolvedores
• Engenheiros
• Especialistas em domínio

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

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

O aprendizado de máquina é um ramo da inteligência artificial em que os computadores têm a capacidade de aprender sem serem explicitamente programados. O aprendizado profundo é um subcampo do aprendizado de máquina que utiliza métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. Python é uma linguagem de programação de alto nível famosa por sua clara sintaxe e legibilidade do código. Neste treinamento ao vivo, conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para serviços bancários usando o Python 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 da aprendizagem profunda
• Aprenda as aplicações e usos do aprendizado profundo no setor bancário
• Use Python , Keras e TensorFlow para criar modelos de aprendizado profundo para bancos
• Crie seu próprio modelo de risco de crédito de aprendizado profundo usando Python

Público

• Desenvolvedores
• Cientistas de dados

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

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

O aprendizado de máquina é um ramo da inteligência artificial em que os computadores têm a capacidade de aprender sem serem explicitamente programados. O aprendizado profundo é um subcampo do aprendizado de máquina que utiliza métodos baseados em representações e estruturas de dados de aprendizado, como redes neurais. Python é uma linguagem de programação de alto nível famosa por sua clara sintaxe e legibilidade do código. Neste treinamento ao vivo, conduzido por instrutor, os participantes aprenderão como implementar modelos de aprendizado profundo para finanças usando o Python medida que avançam na criação de um modelo de previsão de preço de ações de aprendizado profundo. Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais da aprendizagem profunda
• Aprenda as aplicações e usos do aprendizado profundo em finanças
• Use Python , Keras e TensorFlow para criar modelos de aprendizado profundo para finanças
• Crie seu próprio modelo de previsão de preço das ações de aprendizado profundo usando Python

Público

• Desenvolvedores
• Cientistas de dados

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Introdução:O aprendizado profundo está se tornando um componente principal do futuro design de produtos que deseja incorporar a inteligência artificial no centro de seus modelos. Nos próximos 5 a 10 anos, ferramentas, bibliotecas e linguagens de desenvolvimento de aprendizado profundo se tornarão componentes padrão de todos os kits de ferramentas de desenvolvimento de software. Até agora Google, Sales Force, Facebook, Amazon têm usado com sucesso IA de aprendizado profundo para impulsionar seus negócios. Os aplicativos variavam de tradução automática automática, análise de imagem, análise de vídeo, análise de movimento, geração de anúncios direcionados e muito mais.Este curso é destinado a organizações que desejam incorporar Deep Learning como parte muito importante de sua estratégia de produto ou serviço. Abaixo está o esboço do curso de aprendizado profundo que podemos personalizar para diferentes níveis de funcionários/stakeholders em uma organização.Público-alvo:(Dependendo do público-alvo, os materiais do curso serão personalizados)ExecutivosUma visão geral da IA e como ela se encaixa na estratégia corporativa, com sessões sobre planejamento estratégico, roteiros de tecnologia e alocação de recursos para garantir o valor máximo.Gerentes de projetoComo planejar um projeto de IA, incluindo coleta e avaliação de dados, limpeza e verificação de dados, desenvolvimento de um modelo de prova de conceito, integração em processos de negócios e entrega em toda a organização.DesenvolvedoresTreinamentos técnicos aprofundados, com foco em redes neurais e aprendizado profundo, análise de imagem e vídeo (CNNs), análise de som e texto (NLP) e integração de IA em aplicativos existentes.vendedoresUma visão geral da IA e como ela pode satisfazer as necessidades dos clientes, propostas de valor para vários produtos e serviços e como aliviar os medos e promover os benefícios da IA.

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.

Machine Learning é uma rama da Inteligência Artificial em que os computadores têm a capacidade de aprender sem ser explicitamente programados. Deep Learning é um subcampo de Machine Learning que tenta imitar os trabalhos do cérebro humano na tomada de decisões. É treinado com dados para fornecer automaticamente soluções para problemas. Deep Learning fornece inúmeras oportunidades para a indústria médica que está sentada em uma mina de ouro de dados. Neste treinamento guiado por instrutores, os participantes participarão de uma série de discussões, exercícios e análise de caso para entender os fundamentos de Deep Learning. As ferramentas e técnicas mais importantes serão avaliadas e os exercícios serão realizados para preparar os participantes para realizar a sua própria avaliação e implementação de Deep Learning soluções dentro de suas organizações. No final do curso, os participantes poderão:

• Conheça os fundamentos do Deep Learning
• Aprenda Deep Learning técnicas e suas aplicações na indústria
• Examinar problemas na medicina que podem ser resolvidos por Deep Learning tecnologias
• Explore Deep Learning estudos de caso em medicina
• Formular uma estratégia para a adoção das mais recentes tecnologias em Deep Learning para a resolução de problemas na medicina

Auditoria

• Gestores
• Médicos em funções de liderança

Formato do curso

• Parte de palestras, parte de discussão, exercícios e prática pesada

Notícia

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

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com o OpenCV 4 para aprendizado profundo. No final desta formação, os participantes serão capazes de

• Visualizar, carregar e classificar imagens e vídeos usando o OpenCV 4.
• Implementar o aprendizado profundo no OpenCV 4 com TensorFlow e Keras.
• Executar modelos de aprendizagem profunda e gerar relatórios impactantes a partir de imagens e vídeos.

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a desenvolvedores que desejam criar modelos de deteção e rastreamento de objetos acelerados por hardware para analisar dados de vídeo em fluxo contínuo. No final desta formação, os participantes serão capazes de

• Instalar e configurar o ambiente de desenvolvimento, o software e as bibliotecas necessários para começar a desenvolver.
• Construir, treinar e implantar modelos de aprendizado profundo para analisar feeds de vídeo ao vivo.
• Identificar, rastrear, segmentar e prever diferentes objetos dentro de quadros de vídeo.
• Otimizar modelos de deteção e rastreamento de objetos.
• Implantar um aplicativo de análise de vídeo inteligente (IVA).

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a desenvolvedores e cientistas de dados que desejam aplicar redes neurais convolucionais (CNNs) à análise de exames de ressonância magnética. No final desta formação, os participantes serão capazes de

• Instalar e configurar o ambiente de desenvolvimento, o software e as bibliotecas necessárias para começar a desenvolver.
• Analisar imagens de ressonância magnética usando técnicas de aprendizado profundo, como CNNs.
• Detetar potenciais condições de saúde, como doenças cardíacas, através da análise de exames de ressonância magnética.
• Aplicar técnicas como segmentação de imagens e treinamento de CNNs para identificar possíveis doenças.
• Identificar a genómica de uma doença utilizando a radiómica.
• Construir e implantar um aplicativo de aprendizado profundo voltado para a análise de imagens de saúde.

Este treinamento ao vivo conduzido por instrutor em Portugal (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 treinamento ao vivo conduzido por instrutor em Portugal (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 desta formação, os participantes serão capazes de

• Entenda os principais conceitos de aprendizado de máquina e aprendizado profundo.
• Obter insights sobre o futuro dos negócios e da indústria com ML e DL.
• Definir estratégias de negócios e soluções com aprendizado profundo.
• Aprenda como aplicar a ciência de dados e o aprendizado profundo na solução de problemas de negócios.
• Construir modelos de aprendizagem profunda usando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a desenvolvedores que desejam usar TensorFlow Lite para implantar modelos de aprendizado profundo em dispositivos incorporados. No final desta formação, os participantes serão capazes de

• Instalar e configurar o Tensorflow Lite em um dispositivo incorporado.
• Compreender os conceitos e componentes subjacentes a TensorFlow Lite.
• Converter modelos existentes para o formato TensorFlow Lite para execução em dispositivos incorporados.
• Trabalhar dentro das limitações de dispositivos pequenos e TensorFlow Lite, enquanto aprende a expandir o escopo das operações que podem ser executadas.
• Implantar um modelo de aprendizado profundo em um dispositivo incorporado executando Linux.

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a desenvolvedores que desejam usar TensorFlow Lite para desenvolver aplicativos móveis com recursos de aprendizado profundo. No final desta formação, os participantes serão capazes de

• Instalar e configurar TensorFlow Lite.
• Compreender os princípios por trás do TensorFlow, aprendizado de máquina e aprendizado profundo.
• Carregar modelos do TensorFlow em um dispositivo Android.
• Habilitar funcionalidades de aprendizado profundo e aprendizado de máquina, como visão computacional e reconhecimento de linguagem natural em um aplicativo móvel.

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a engenheiros que desejam escrever, carregar e executar modelos de aprendizado de máquina em dispositivos incorporados muito pequenos. No final desta formação, os participantes serão capazes de

• Instalar TensorFlow Lite.
• Carregar modelos de aprendizado de máquina em um dispositivo incorporado para permitir que ele detecte fala, classifique imagens, etc.
• Adicionar IA a dispositivos de hardware sem depender de conetividade de rede.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a desenvolvedores que desejam usar TensorFlow Lite para desenvolver aplicativos móveis iOS com recursos de aprendizado profundo. No final desta formação, os participantes serão capazes de

• Instalar e configurar TensorFlow Lite.
• Compreender os princípios por trás do TensorFlow e do aprendizado de máquina em dispositivos móveis.
• Carregar modelos do TensorFlow em um dispositivo iOS.
• Executar um aplicativo iOS capaz de detetar e classificar um objeto capturado através da câmera do dispositivo's.

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a pesquisadores e desenvolvedores que desejam usar o 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.
• Executar exemplos e modificar algoritmos existentes para otimizar modelos de treinamento de aprendizado profundo, aproveitando GPUs para alto desempenho.

Este treinamento ao vivo conduzido por instrutor em < loc & gt; (no local ou remoto) é destinado a desenvolvedores ou cientistas de dados que desejam usar Horovod para executar treinamentos distribuídos de aprendizado profundo e escalá-lo para executar em várias GPUs em paralelo. No final desta formação, os participantes serão capazes de

• Configure o ambiente de desenvolvimento necessário para começar a executar treinamentos de aprendizado profundo.
• Instalar e configurar o Horovod para treinar modelos com TensorFlow, Keras, PyTorch e Apache MXNet.
• Treinamento de aprendizado profundo em escala com o Horovod para ser executado em várias GPUs.

Este treinamento ao vivo conduzido por instrutor em Portugal (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. No final desta formação, os participantes serão capazes de

• Instalar o kit de ferramentas OpenVINO.
• Acelerar uma aplicação de visão computacional usando um FPGA.
• Execute diferentes camadas CNN no FPGA.
• Escalonar o aplicativo em vários nós em um cluster Kubernetes.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam usar Apache MXNet's para construir e implantar um modelo de aprendizado profundo para reconhecimento de imagem. No final desta formação, os participantes serão capazes de

• Instalar e configurar o Apache MXNet e seus componentes.
• Compreender a arquitetura e as estruturas de dados do MXNet's.
• Usar as APIs de baixo e alto nível do Apache MXNet para construir redes neurais de forma eficiente.
• Construir uma rede neural convolucional para classificação de imagens.

Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a pessoas técnicas que desejam aplicar o modelo de aprendizado profundo a aplicativos de reconhecimento de imagem. No final desta formação, os participantes serão capazes de

• Instalar e configurar Keras.
• Protótipo rápido de modelos de aprendizagem profunda.
• 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 em Portugal (online ou no local) é destinado a desenvolvedores que desejam construir um carro autônomo usando técnicas de aprendizado profundo. No final desta formação, os participantes serão capazes de

• Utilizar Keras para criar e treinar uma rede neural convolucional.
• Utilizar técnicas de visão computacional para identificar faixas de rodagem num projeto de condução autónoma.
• Treinar um modelo de aprendizagem profunda para diferenciar sinais de trânsito.
• Simular um carro totalmente autónomo.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a engenheiros de software que desejam desenvolver redes neurais avançadas de aprendizado profundo e modelar usando Keras e Python. No final desta formação, os participantes serão capazes de

• Aplicar aprendizagem profunda com métodos de aprendizagem supervisionados ou não supervisionados.
• Desenvolver, treinar e implementar redes neurais simultâneas e redes neurais recorrentes.
• Use Keras e Python para construir modelos de aprendizado profundo para resolver problemas envolvendo imagens, texto, som e muito mais.

Torch é uma biblioteca de aprendizado de máquina de código aberto e uma estrutura de computação científica baseada na Lua programação Lua . Ele fornece um ambiente de desenvolvimento para números, aprendizado de máquina e visão computacional, com ênfase especial em aprendizado profundo e redes convolucionais. É um dos frameworks mais rápidos e flexíveis para Machine e Deep Learning e é usado por empresas como Facebook , Go Ogle, Twitter, NVIDIA, AMD, Intel e muitos outros. Neste treinamento ao vivo, ministrado por instrutor, abordamos os princípios do Torch , seus recursos exclusivos e como ele pode ser aplicado em aplicativos do mundo real. Percorremos vários exercícios práticos o tempo todo, demonstrando e praticando os conceitos aprendidos. Ao final do curso, os participantes terão uma compreensão completa dos recursos e capacidades subjacentes do Torch , bem como seu papel e contribuição no espaço da IA em comparação com outras estruturas e bibliotecas. Os participantes também terão recebido a prática necessária para implementar o Torch em seus próprios projetos.

Formato do Curso

• Visão Geral da Máquina e Deep Learning
• Exercícios de codificação e integração em sala de aula
• Perguntas de teste espalhadas pelo caminho para verificar a compreensão

A SINGA é uma plataforma geral de aprendizagem profunda distribuída para treinamento de grandes modelos de aprendizagem profunda em grandes conjuntos de dados. Ele é projetado com um modelo de programação intuitivo baseado na abstração da camada. Uma variedade de modelos populares de aprendizagem profunda são suportados, nomeadamente modelos feed-forward, incluindo redes neurais convolucionais (CNN), modelos de energia como a máquina Boltzmann (RBM) restrita e redes neurais recorrentes (RNN). Muitas camadas internas são fornecidas para usuários. A arquitetura SINGA é suficientemente flexível para executar estruturas de treinamento síncronas, assíncronas e híbridas. O SINGA também suporta diferentes esquemas de particionamento de redes neurais para paralelizar o treinamento de grandes modelos, a saber, o particionamento em dimensão de lote, dimensão de recurso ou particionamento híbrido. Público Este curso é direcionado a pesquisadores, engenheiros e desenvolvedores que desejam utilizar o Apache SINGA como uma estrutura de aprendizado profundo. Depois de concluir este curso, os delegados irão:

• entender a estrutura e os mecanismos de implantação da SINGA
• ser capaz de realizar tarefas de configuração / ambiente de produção / arquitetura e configuração
• ser capaz de avaliar a qualidade do código, executar a depuração, monitoramento
• ser capaz de implementar a produção avançada, como modelos de treinamento, incorporação de termos, construção de gráficos e registros

Deeplearning4j é uma biblioteca de aprendizagem profunda distribuída e de código aberto, escrita para Java e Scala . Integrado com o Hadoop e o Spark, o DL4J foi projetado para ser usado em ambientes de negócios em GPU e CPUs distribuídas. Word 2Vec é um método de computação de representações vetoriais de palavras introduzidas por uma equipe de pesquisadores da Go ogle liderada por Tomas Mikolov. Público Este curso é dirigido a pesquisadores, engenheiros e desenvolvedores que procuram utilizar o Deeplearning4J para construir modelos do Word 2Vec.