Curso de TensorFlow Extended (TFX)

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 presencial ou online em Portugal é direcionada a profissionais avançados que desejam aprofundar seu entendimento sobre visão computacional e explorar as capacidades do TensorFlow para desenvolver modelos de visão sofisticados usando o Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

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

Neste treinamento conduzido por instrutor em Portugal (online ou presencial), os participantes aprenderão a configurar e usar o TensorFlow Serving para implantar e gerenciar modelos ML em um ambiente de produção.

Ao final deste treinamento, os participantes serão capazes de:

• Treinar, exportar e servir vários modelos do TensorFlow.
• Testar e implantar algoritmos usando uma única arquitetura e conjunto de APIs.
• Estender o TensorFlow Serving para servir outros tipos de modelos além dos modelos do TensorFlow.

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

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

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 em redes neurais e, de modo geral, nos 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 certa: 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 amplamente baseada no TensorFlow - a API de Segunda Geração da biblioteca de software de código aberto do Google para Aprendizado Profundo. Todos os exemplos e exercícios práticos serão realizados usando o TensorFlow.

Público-Alvo

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:

• ter uma boa compreensão sobre redes neurais profundas (DNN), CNN e RNN

• compreender a estrutura e mecanismos de implantação do TensorFlow

• ser capazes de realizar tarefas de instalação, configuração de ambiente de produção / arquitetura

• ser capazes de avaliar a qualidade do código, realizar depuração, monitoramento

• ser capazes de implementar tarefas avançadas como treinamento de modelos, construção de gráficos e registro