Cursos de Aprendizagem Profunda (Deep learning) em Gaia

Este treinamento ao vivo conduzido por instrutor em Gaia (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 Gaia (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 Gaia (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 Gaia (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 Gaia (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.

Neste treinamento presencial ministrado pelo instrutor em Gaia, 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.

Neste treinamento ao vivo conduzido por instrutor em Gaia, 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.

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

O Computer Network ToolKit (CNTK) é uma estrutura de aprendizagem automática de formação de RNNs de código aberto, multi-máquinas, multiGPU e altamente eficiente para voz, texto e imagens.

Público alvo

Este curso destina-se a engenheiros e arquitectos que pretendam utilizar o CNTK nos seus projectos.

Esta formação presencial ou online em Gaia 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 Gaia (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 Gaia (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

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 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 Gaia (no local ou remoto) é destinado a desenvolvedores ou cientistas de dados que desejam usar Horovod para executar treinamentos de aprendizado profundo distribuídos e escalá-lo para ser executado em vários GPU s em paralelo.

No final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para começar a executar treinamentos de aprendizado profundo.
• Instalar e configurar Horovod para treinar modelos com TensorFlow, Keras, Py Torch e Apache MXNet.
• Escalar o treinamento de aprendizado profundo com Horovod para ser executado em vários GPU s.

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 Gaia (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.

Nesta formação presencial e ministrada por um instrutor em Gaia, os participantes aprenderão como aproveitar as inovações nos processadores TPU para maximizar o desempenho de suas próprias aplicações de IA.

Ao final da formação, os participantes serão capazes de:

• Treinar diversos tipos de redes neurais em grandes volumes de dados.
• Usar TPUs para acelerar o processo de inferência até duas ordens de magnitude.
• Utilizar TPUs para processar aplicações intensivas como busca de imagens, visão na nuvem e fotos.