Cursos de Aprendizagem Profunda (Deep learning) em Évora

Este treinamento ao vivo, conduzido por instrutor (online ou presencial) em Évora, 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 Évora (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.

Esta formação ao vivo, ministrada por instrutor em Évora (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 Évora (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 Évora (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 conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados, engenheiros de aprendizado de máquina e pesquisadores de visão computacional que desejam aproveitar o Stable Diffusion para gerar imagens de alta qualidade para uma variedade de casos de uso.

No final deste treinamento, os participantes serão capazes de:

• Compreender os princípios de Stable Diffusion e como ele 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.

Neste treinamento presencial ministrado pelo instrutor em Évora, 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.

Neste treinamento ao vivo conduzido por instrutor em Évora, 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 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 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.

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.

O Caffe é um framework de aprendizado profundo desenvolvido com expressão, velocidade e modularidade em mente.

Este curso explora a aplicação do Caffe como um framework de Aprendizado Profundo para reconhecimento de imagens, utilizando o MNIST como exemplo.

Público-Alvo

Este curso é adequado para pesquisadores e engenheiros de Aprendizado Profundo interessados em utilizar o Caffe como framework.

Ao completar este curso, os participantes serão capazes de:

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

Esta formação presencial ou online em Évora 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 Évora (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 Évora (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 ao vivo conduzido por instrutor em Évora (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.

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 Évora (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.

O OpenFace é um software de reconhecimento facial em tempo real, de código aberto, baseado na pesquisa FaceNet da Google.

Neste treinamento ao vivo conduzido por instrutor, 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:

• Trabalhar com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4 para implementar a deteção, o alinhamento e a transformação de faces
• Aplicar o OpenFace a aplicativos do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc.

Público-alvo

• Programadores
• Cientistas de dados

Formato do curso

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

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.