Cursos de Aprendizagem Profunda (Deep learning) em Oeiras

Este treinamento ao vivo conduzido por instrutor em Oeiras (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.

Este treinamento ao vivo conduzido por instrutor em Oeiras (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 Oeiras (no local ou remoto) é destinado a profissionais de nível avançado que desejam aproveitar as técnicas de IA para revolucionar os processos de descoberta e desenvolvimento de medicamentos.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender o papel da IA na descoberta e desenvolvimento de medicamentos.
• Aplicar técnicas de aprendizado de máquina para prever propriedades e interações moleculares.
• Use modelos de aprendizado profundo para triagem virtual e otimização de leads.
• Integrar abordagens orientadas por IA no processo de ensaio clínico.

Este treinamento ao vivo conduzido por instrutor em Oeiras (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 Oeiras (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 ao vivo conduzido por instrutor em Oeiras, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e de ponta em Python à medida que constroem uma série de aplicativos de demonstração envolvendo dados de imagem, música, texto e 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 o aprendizado semi-supervisionado a aplicativos que envolvam dados de imagem, música, texto e financeiros.
• Utilizar o potencial máximo dos algoritmos Python.
• Utilizar bibliotecas e pacotes como NumPy e Theano.

Este treinamento ao vivo conduzido por instrutor em Oeiras (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 Oeiras, 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.

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.

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

Esta formação presencial ou online em Oeiras 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 Oeiras (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.

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.

Este treinamento ao vivo conduzido por instrutor em Oeiras (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

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.

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.

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

Este treinamento ao vivo conduzido por instrutor em Oeiras (no local ou remoto) é destinado a profissionais de nível iniciante a intermediário que desejam desenvolver sua compreensão dos algoritmos de aprendizado de máquina, técnicas de aprendizado profundo e tomada de decisão orientada por IA. O curso fornece experiência prática com conceitos de aprendizado de máquina, modelos de aprendizado profundo e implementações práticas usando R.

No final deste treinamento, os participantes serão capazes de:

• Entenda os fundamentos do aprendizado de máquina e do aprendizado profundo.
• Aplique vários algoritmos de aprendizado de máquina para regressão, classificação, clustering e deteção de anomalias.
• Use arquiteturas de aprendizado profundo, como redes neurais artificiais (RNAs).
• Implementar modelos de aprendizagem supervisionados e não supervisionados.
• Avaliar o desempenho do modelo e otimizar os hiperparâmetros.
• Utilizar o R para análise de dados, visualização e aplicações de aprendizagem automática.

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 Oeiras (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

Nesta formação presencial e orientada por instrutor, os participantes aprenderão como configurar e usar OpenNMT para realizar a tradução de vários conjuntos de dados de amostra. O curso começa com uma visão geral das redes neurais no contexto da tradução automática. Os participantes realizarão exercícios práticos ao longo do curso para demonstrar sua compreensão dos conceitos aprendidos e receber feedback do instrutor.

Ao final desta formação, os participantes terão o conhecimento e a prática necessários para implementar uma solução OpenNMT em tempo real.

Amostras de idiomas de origem e destino serão pré-arranjadas conforme as necessidades do público-alvo.

Formato do Curso

• Parte teórica, parte discussão, com muita prática hands-on

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.

TensorFlow é uma API de segunda geração da biblioteca de software de código aberto da Go ogle para Deep Learning . O sistema foi projetado para facilitar a pesquisa em aprendizado de máquina e para tornar mais rápida e fácil a transição do protótipo de pesquisa para o sistema de produção.

Público

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos Deep Learning

Depois de concluir este curso, os delegados irão:

• entender a estrutura e os mecanismos de implantação do TensorFlow
• 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, construção de gráficos e registro

Este treinamento ao vivo conduzido por instrutor em Oeiras (no local ou remoto) é destinado a cientistas de dados que desejam passar do treinamento de um único modelo de ML para a implantação de muitos modelos de ML na produção.

No final desta formação, os participantes serão capazes de

• Instalar e configurar o TFX e suportar ferramentas de terceiros.
• Utilizar o TFX para criar e gerir um pipeline de produção de ML completo.
• Trabalhar com componentes TFX para realizar modelagem, treinamento, servir inferência e gerenciar implantações.
• Implante recursos de aprendizado de máquina em aplicativos da Web, aplicativos móveis, dispositivos IoT e muito mais.

Nesta formação presencial e ministrada por um instrutor em Oeiras, 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.