Curso de Python and Deep Learning with OpenCV 4

Este treinamento ao vivo conduzido 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.

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

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

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a pesquisadores e desenvolvedores que desejam usar 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.
• Execute exemplos e modifique os algoritmos existentes para otimizar os modelos de treinamento de aprendizado profundo, aproveitando GPU s para alto desempenho.

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.

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 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.

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.

Ao final deste treinamento, os participantes serão capazes de:

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

Este treinamento ao vivo conduzido por instrutor em Portugal (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.

Este treinamento ao vivo conduzido por instrutor em Portugal (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.

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.

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.

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 curso explora, com exemplos específicos, a aplicação do Tensor Flow para fins de reconhecimento de imagem

Público

Este curso destina-se a engenheiros que desejam utilizar o TensorFlow para fins de Reconhecimento de Imagem

Depois de concluir este curso, os delegados poderão:

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

Neste treinamento ao vivo conduzido por instrutor em Portugal, os participantes aprenderão como tirar proveito das inovações nos processadores TPU para maximizar o desempenho de seus próprios aplicativos de IA.

No final da formação, os participantes serão capazes de

• Treinar vários tipos de redes neurais em grandes quantidades de dados.
• Use TPUs para acelerar o processo de inferência em até duas ordens de magnitude.
• Utilizar TPUs para processar aplicativos intensivos, como pesquisa de imagens, visão em nuvem e fotos.

TensorFlow™ é uma biblioteca de software de código aberto para computação numérica usando gráficos de fluxo de dados.

SyntaxNet é um framework de processamento de línguas naturais de rede neural para TensorFlow.

Word2Vec é usado para a aprendizagem de representações vector de palavras, chamado "word embeddings". Word2vec é um modelo preditivo particularmente computacional-eficaz para a aprendizagem de palavras de texto cru. Ele vem em dois sabores, o modelo Continuous Bag-of-Words (CBOW) e o modelo Skip-Gram (Capítulos 3.1 e 3.2 em Mikolov et al.)

Usados em tandem, o SyntaxNet e Word2Vec permitem que os usuários gerem modelos de aprendizagem integrada a partir da entrada de língua natural.

Auditoria

Este curso é voltado para desenvolvedores e engenheiros que pretendem trabalhar com os modelos SyntaxNet e Word2Vec em seus gráficos TensorFlow.

Após a conclusão deste curso, os delegados serão:

• compreender TensorFlow’s estrutura e mecanismos de implantação
• Ser capaz de realizar tarefas de instalação / ambiente de produção / arquitetura e configuração
• ser capaz de avaliar a qualidade do código, realizar o desligamento, monitoramento
• Ser capaz de implementar produção avançada como modelos de treinamento, termos de inserção, gráficos de construção e logging