Curso de TensorFlow Serving

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.

Esta formação guiada por instrutores, ao vivo em Portugal (online ou presencial), é destinada a profissionais de nível avançado que desejam aprofundar seu conhecimento em visão computacional e explorar as capacidades do TensorFlow para desenvolver modelos sofisticados de visão usando o Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) usando TensorFlow.
• Aproveitar o Google Colab para desenvolvimento de modelos escaláveis e eficientes em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implantar modelos de visão computacional para aplicações do mundo real.
• Usar transfer learning para melhorar o desempenho dos modelos CNNs.
• Visualizar e interpretar os resultados de modelos de classificação de imagens.

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

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 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 presencial conduzido por instrutor em Portugal (online ou no local) destina-se a desenvolvedores e cientistas de dados que desejam usar o Tensorflow 2.x para construir preditores, classificadores, modelos gerativos, redes neurais e outros.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar TensorFlow 2.x.
• Compreender as vantagens do TensorFlow 2.x em relação às versões anteriores.
• Criar modelos de aprendizado profundo.
• Implementar um classificador avançado de imagens.
• Implantar um modelo de aprendizado profundo na nuvem, dispositivos móveis e IoT.

O TensorFlow é uma API de segunda geração da biblioteca de software de código aberto do Google para Aprendizado Profundo. O sistema foi projetado para facilitar a pesquisa em aprendizado de máquina, além de tornar rápido e fácil a transição de protótipos de pesquisa para sistemas de produção.

Público

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos de Aprendizado Profundo.

Ao completar este curso, os participantes serão capazes de:

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

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.

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 linguagem natural baseado em redes neurais para TensorFlow.

Word2Vec é usado para aprender representações vetoriais de palavras, chamadas "word embeddings". Word2vec é um modelo preditivo computacionalmente eficiente para aprender essas representações de palavras a partir de texto bruto. Ele vem em duas versões: o modelo Continuous Bag-of-Words (CBOW) e o modelo Skip-Gram (Capítulo 3.1 e 3.2 no trabalho de Mikolov et al.).

Usados em conjunto, SyntaxNet e Word2Vec permitem aos usuários gerar modelos de Embedding Aprendidos a partir de entrada de Linguagem Natural.

Público-alvo

Este curso é destinado a desenvolvedores e engenheiros que pretendem trabalhar com modelos SyntaxNet e Word2Vec em seus gráficos TensorFlow.

Ao concluir este curso, os participantes serão capazes de:

• compreender a estrutura e os mecanismos de implantação do TensorFlow
• realizar tarefas de instalação, configuração de ambiente de produção/arquitetura e configuração
• avaliar a qualidade do código, realizar depuração e monitoramento
• implementar produções avançadas como treinamento de modelos, incorporação de termos, construção de gráficos e registro

Este curso começa fornecendo conhecimento conceitual sobre redes neurais e, em geral, sobre algoritmos de aprendizado de máquina, aprendizado profundo (algoritmos e aplicações).

A Parte 1 (40%) deste treinamento se concentra mais nos fundamentos, mas ajudará você a escolher a tecnologia adequada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

A Parte 2 (20%) deste treinamento introduz o Theano - uma biblioteca Python que facilita a escrita de modelos de aprendizado profundo.

A Parte 3 (40%) do treinamento será extensivamente baseada no TensorFlow - API da biblioteca de software de código aberto do Google para Aprendizado Profundo. Todos os exemplos e práticas serão realizados usando o TensorFlow.

Público-alvo

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos de Aprendizado Profundo.

Após completar este curso, os participantes serão capazes de:

• ter uma boa compreensão sobre redes neurais profundas (DNN), CNN e RNN
• entender a estrutura e os mecanismos de implantação do TensorFlow
• ser capaz de realizar tarefas de instalação, ambiente de produção, arquitetura e configuração
• ser capaz de avaliar a qualidade do código, realizar depuração e monitoramento
• ser capaz de implementar produção avançada como treinamento de modelos, construção de grafos e registro