Cursos de Aprendizaje profundo en Ciudad de Nueva York

Esta formación en vivo (online o presencial) dirigida por un instructor está destinada a desarrolladores de nivel intermedio, científicos de datos y profesionales de IA que desean aprovechar TensorFlow Lite para aplicaciones de IA al borde.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos de TensorFlow Lite y su papel en la IA al borde.
• Desarrollar y optimizar modelos AI utilizando TensorFlow Lite.
• Implementar modelos TensorFlow Lite en diversos dispositivos de borde.
• Utilizar herramientas y técnicas para la conversión y optimización del modelo.
• Implementar aplicaciones prácticas de IA al borde utilizando TensorFlow Lite.

Esta formación en vivo, dirigida por un instructor (en línea o presencial) en Ciudad de Nueva York, está diseñada para profesionales avanzados que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos visuales sofisticados usando Google Colab.

Al final de esta formación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNNs) utilizando TensorFlow.
• Utilizar Google Colab para el desarrollo de modelos escalables y eficientes en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje transferido para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Este curso en vivo y guiado por un instructor (en línea o presencial) está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean entender y aplicar técnicas de aprendizaje profundo utilizando el entorno Google Colab.

Al finalizar este curso, los participantes podrán:

• Configurar y navegar por Google Colab para proyectos de aprendizaje profundo.
• Comprender los fundamentos de las redes neuronales.
• Implementar modelos de aprendizaje profundo utilizando TensorFlow.
• Entrenar y evaluar modelos de aprendizaje profundo.
• Utilizar funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen especializarse en técnicas de aprendizaje profundo de vanguardia para NLU.

Al final de esta formación, los participantes serán capaces de:

• Comprender las diferencias clave entre los modelos NLU y NLP.
• Aplique técnicas avanzadas de aprendizaje profundo a las tareas de NLU.
• Explora arquitecturas profundas como transformadores y mecanismos de atención.
• Aproveche las tendencias futuras de NLU para crear sistemas de IA sofisticados.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a científicos de datos de nivel intermedio a avanzado, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de texto a imagen.

Al final de esta formación, los participantes serán capaces de:

• Comprenda las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de texto a imagen.
• Implemente modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimice el rendimiento y la escalabilidad de grandes conjuntos de datos y modelos complejos.
• Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integración Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta formación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está destinada a profesionales de alto nivel que deseen aprovechar las técnicas de IA para revolucionar los procesos de descubrimiento y desarrollo de fármacos.

Al finalizar esta formación, los participantes podrán:

• Comprender el papel de la IA en el descubrimiento y desarrollo de medicamentos.
• Aplicar técnicas de aprendizaje automático para predecir propiedades moleculares e interacciones.
• Utilizar modelos de aprendizaje profundo para el cribado virtual y la optimización de fármacos líderes.
• Integrar enfoques impulsados por IA en el proceso de ensayos clínicos.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a biólogos que desean comprender cómo funciona AlphaFold y usar los modelos AlphaFold como guías en sus estudios experimentales.

Al final de esta formación, los participantes serán capaces de:

• Comprender los principios básicos de AlphaFold.
• Más información sobre cómo funciona AlphaFold.
• Aprenda a interpretar AlphaFold las predicciones y los resultados.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a científicos de datos de nivel principiante a intermedio e ingenieros de aprendizaje automático que desean mejorar el rendimiento de sus modelos de aprendizaje profundo.

Al final de esta formación, los participantes serán capaces de:

• Comprender los principios del aprendizaje profundo distribuido.
• Instale y configure DeepSpeed.
• Escale modelos de aprendizaje profundo en hardware distribuido con DeepSpeed.
• Implemente y experimente con las funciones de DeepSpeed para la optimización y la eficiencia de la memoria.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar modelos de lenguaje grandes para diversas tareas de lenguaje natural.

Al final de esta formación, los participantes serán capaces de:

• Configure un entorno de desarrollo que incluya una LLM popular.
• Cree un LLM básico y ajústelo en un conjunto de datos personalizado.
• Utilice los LLM para diferentes tareas de lenguaje natural, como el resumen de textos, la respuesta a preguntas, la generación de textos, etc.
• Depura y evalúa LLM con herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta capacitación en vivo dirigida por un instructor (en línea o presencial) está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores de visión por computadora que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.

Al final de esta formación, los participantes serán capaces de:

• Comprender los principios de Stable Diffusion y cómo funciona para la generación de imágenes.
• Construya y entrene Stable Diffusion modelos para tareas de generación de imágenes.
• Aplique Stable Diffusion a varios escenarios de generación de imágenes, como la pintura interior, la pintura externa y la traducción de imagen a imagen.
• Optimice el rendimiento y la estabilidad de los modelos Stable Diffusion.

En esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y de vanguardia en Python mientras crean una serie de aplicaciones de demostración que involucran imágenes, música, texto y datos financieros.

Al final de esta formación, los participantes serán capaces de:

• Implemente algoritmos y técnicas de aprendizaje automático para resolver problemas complejos.
• Aplique el aprendizaje profundo y el aprendizaje semisupervisado a aplicaciones que involucran imágenes, música, texto y datos financieros.
• Lleve los algoritmos Python a su máximo potencial.
• Utilice bibliotecas y paquetes como NumPy y Theano.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean aprender los fundamentos de Deep Reinforcement Learning a medida que avanzan en la creación de un agente Deep Learning.

Al final de esta formación, los participantes serán capaces de:

• Comprender los conceptos clave detrás de Deep Reinforcement Learning y ser capaz de distinguirlo de Machine Learning.
• Aplique algoritmos avanzados Reinforcement Learning para resolver problemas del mundo real.
• Cree un agente Deep Learning.

En esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecomunicaciones utilizando Python a medida que avanzan en la creación de un modelo de riesgo crediticio de aprendizaje profundo.

Al final de esta formación, los participantes serán capaces de:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Conozca las aplicaciones y usos del aprendizaje profundo en las telecomunicaciones.
• Utilice Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para telecomunicaciones.
• Cree su propio modelo de predicción de pérdida de clientes de aprendizaje profundo utilizando Python.

Este curso ha sido creado para gerentes, arquitectos de soluciones, oficiales de innovación, CTOs, arquitectos de software y cualquier persona interesada en una visión general de la inteligencia artificial aplicada y el pronóstico más cercano sobre su desarrollo.

Este curso cubre AI (enfatizando Aprendizaje Automático y Aprendizaje Profundo) en la Industria Automotriz. Ayuda a determinar qué tecnología puede (potencialmente) utilizarse en situaciones múltiples en un automóvil: desde la simple automatización, el reconocimiento de imágenes hasta la toma de decisiones autónoma.

La Red Neuronal Artificial es un modelo de datos computacional utilizado en el desarrollo de Artificial Intelligence (AI) sistemas capaces de realizar tareas "inteligentes". Neural Networks se utilizan comúnmente en aplicaciones Machine Learning (ML), que a su vez son una implementación de la IA. Deep Learning es un subconjunto de ML.

Este es un curso de 4 días que presenta la IA y su aplicación. Existe la opción de tener un día adicional para realizar un proyecto de IA al finalizar este curso. 

Esta formación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está destinada a científicos de datos y estadísticos de nivel intermedio que desean preparar datos, construir modelos y aplicar técnicas de aprendizaje automático efectivamente en sus dominios profesionales.

Al finalizar esta formación, los participantes podrán:

• Comprender e implementar diversos algoritmos de Machine Learning.
• Preparar datos y modelos para aplicaciones de aprendizaje automático.
• Efectuar análisis post hoc y visualizar resultados de manera efectiva.
• Aplicar técnicas de aprendizaje automático a escenarios reales específicos del sector.

Caffe es un marco de aprendizaje profundo creado teniendo en cuenta la expresión, la velocidad y la modularidad.

Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando MNIST como ejemplo

Audiencia

Este curso es adecuado para investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco.

Después de completar este curso, los delegados podrán:

• Entender la estructura de Caffe y los mecanismos de despliegue.
• realizar tareas de instalación / entorno de producción / arquitectura y configuración.
• evaluar la calidad del código, realizar depuración, monitoreo
• Implementar producción avanzada como modelos de entrenamiento, implementación de capas y registro.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a investigadores y desarrolladores que desean usar Chainer para construir y entrenar redes neuronales en Python mientras hacen que el código sea fácil de depurar.

Al final de esta formación, los participantes serán capaces de:

• Configure el entorno de desarrollo necesario para comenzar a desarrollar modelos de redes neuronales.
• Defina e implemente modelos de redes neuronales utilizando un código fuente comprensible.
• Ejecute ejemplos y modifique los algoritmos existentes para optimizar los modelos de entrenamiento de aprendizaje profundo mientras aprovecha los GPUs para un alto rendimiento.

Computer Network ToolKit (CNTK) es el marco de aprendizaje automático de entrenamiento RNN de código abierto, multimáquina, multi-GPU y altamente eficiente de Microsoft para voz, texto e imágenes.

Audiencia

Este curso está dirigido a ingenieros y arquitectos que deseen utilizar CNTK en sus proyectos.

Este curso es una visión general para Deep Learning sin profundizar demasiado en ningún método específico. Es adecuado para personas que desean comenzar a usar el aprendizaje profundo para mejorar su precisión de predicción.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a investigadores y desarrolladores que desean instalar, configurar, personalizar y utilizar la plataforma DeepMind Lab para desarrollar sistemas generales de inteligencia artificial y aprendizaje automático.

Al final de esta formación, los participantes serán capaces de:

• Personalice DeepMind Lab para crear y ejecutar un entorno que se adapte a las necesidades de aprendizaje y formación.
• Utilice el entorno de simulación 3D de DeepMind Lab para entrenar a los agentes de aprendizaje en un punto de vista en primera persona.
• Facilite la evaluación de los agentes para desarrollar la inteligencia en un mundo similar a un juego en 3D.

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin ser programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en el aprendizaje de representaciones y estructuras de datos, como las redes neuronales.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a analistas de negocios, científicos de datos y desarrolladores que desean crear e implementar modelos de aprendizaje profundo para acelerar el crecimiento de los ingresos y resolver problemas en el mundo empresarial.

Al final de esta formación, los participantes serán capaces de:

• Comprender los conceptos básicos del aprendizaje automático y el aprendizaje profundo.
• Obtenga información sobre el futuro de los negocios y la industria con ML y DL.
• Defina estrategias y soluciones de negocio con deep learning.
• Aprenda a aplicar la ciencia de datos y el aprendizaje profundo para resolver problemas empresariales.
• Construya modelos de aprendizaje profundo utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etcétera.

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados ​​en el aprendizaje de representaciones de datos y estructuras tales como redes neuronales. Python es un lenguaje de programación de alto nivel famoso por su clara sintaxis y legibilidad de código.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para la banca usando Python mientras avanzan en la creación de un modelo de riesgo de crédito de aprendizaje profundo.

Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo
• Aprende las aplicaciones y usos del aprendizaje profundo en la banca
• Utilice Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para la banca
• Construya su propio modelo de riesgo de crédito de aprendizaje profundo usando Python

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

En esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York, los participantes aprenderán a usar Python bibliotecas para NLP a medida que crean una aplicación que procesa un conjunto de imágenes y genera subtítulos. 

Al final de esta capacitación, los participantes serán capaces de:

• Diseñe y codifique DL para NLP usando bibliotecas Python. 
• Cree Python código que lea una colección sustancialmente grande de imágenes y genere palabras clave.
• Cree Python Código que genere subtítulos a partir de las palabras clave detectadas.

Audiencia

Este curso es adecuado para investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (principalmente de código abierto) para analizar imágenes de computadora

Este curso proporciona ejemplos de trabajo.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a científicos de datos que desean acelerar las aplicaciones de aprendizaje automático en tiempo real e implementarlas a escala.

Al final de esta formación, los participantes serán capaces de:

• Instale el kit de herramientas OpenVINO.
• Acelere una aplicación de visión artificial mediante una FPGA.
• Ejecute diferentes capas de CNN en la FPGA.
• Escale la aplicación a varios nodos de un clúster Kubernetes.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o en el sitio) está dirigida a científicos de datos que desean utilizar TensorFlow para analizar datos de posibles fraudes.

Al final de esta capacitación, los participantes serán capaces de:

• Crear un modelo de detección de fraudes en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir fraudes.
• Desarrollar una aplicación de IA integral para analizar datos de fraude.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a desarrolladores o científicos de datos que deseen usar Horovod para ejecutar capacitaciones de aprendizaje profundo distribuidas y ampliarlas para que se ejecuten en múltiples GPU en paralelo.

Al final de esta formación, los participantes serán capaces de:

• Configure el entorno de desarrollo necesario para comenzar a ejecutar capacitaciones de aprendizaje profundo.
• Instale y configure Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escale el entrenamiento de aprendizaje profundo con Horovod para que se ejecute en varios GPU.

Tipo: Formación teórica con aplicaciones acordadas de antemano con los alumnos sobre Lasaña o Keras según el grupo pedagógico

Método didáctico: presentación, intercambios y estudios de casos

La inteligencia artificial, después de haber irrumpido en muchos campos científicos, ha comenzado a revolucionar un gran número de sectores económicos (industria, medicina, comunicación, etc.). Sin embargo, su presentación en los principales medios de comunicación es a menudo una fantasía, muy alejada de lo que realmente son los campos de Machine Learning o Deep Learning. El objetivo de esta formación es proporcionar a los ingenieros que ya tienen un dominio de las herramientas informáticas (incluyendo una programación básica de software) una introducción a Deep Learning así como a sus diferentes áreas de especialización y por tanto a las principales arquitecturas de red existentes en la actualidad. Si se recuerdan los conceptos básicos de matemáticas durante el curso, se recomienda un nivel de matemáticas del tipo BAC+2 para mayor comodidad. Es absolutamente posible saltarse el eje matemático para mantener solo una visión de "sistema", pero este enfoque limitará en gran medida su comprensión del tema.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a personas técnicas que desean aplicar el modelo de aprendizaje profundo a las aplicaciones de reconocimiento de imágenes.

Al final de esta formación, los participantes serán capaces de:

• Instalar y configurar Keras.
• Cree rápidamente prototipos de modelos de aprendizaje profundo.
• Implementar una red convolucional.
• Implementar una red recurrente.
• Ejecute un modelo de aprendizaje profundo tanto en una CPU como en GPU.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes.

Al final de esta capacitación, los participantes podrán:

• Construya un modelo de aprendizaje profundo
• Automatizar el etiquetado de datos
• Trabaja con modelos de Caffe y TensorFlow-Keras
• Entrene datos usando múltiples GPU, la nube o clusters

Audiencia

• Desarrolladores
• Ingenieros
• Expertos de dominio

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

Esta formación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a profesionales de nivel principiante a intermedio que deseen desarrollar su comprensión de los algoritmos de aprendizaje automático, las técnicas de aprendizaje profundo y la toma de decisiones impulsada por IA. El curso proporciona experiencia práctica con conceptos de aprendizaje automático, modelos de aprendizaje profundo e implementaciones prácticas utilizando R.

Al final de esta capacitación, los participantes podrán:

• Entender los fundamentos del aprendizaje automático y el aprendizaje profundo.
• Aplicar varios algoritmos de aprendizaje automático para regresión, clasificación, agrupamiento y detección de anomalías.
• Utilizar arquitecturas de aprendizaje profundo como redes neuronales artificiales (ANN).
• Implementar modelos de aprendizaje supervisado y no supervisado.
• Evaluar el rendimiento del modelo y optimizar los hiperparámetros.
• Usar R para análisis de datos, visualización y aplicaciones de aprendizaje automático.

El entrenamiento está dirigido a personas que desean aprender los fundamentos de las redes neuronales y sus aplicaciones.

Esta sesión de capacitación en el aula contendrá presentaciones y ejemplos basados en computadora y ejercicios de estudio de casos para realizar con bibliotecas de redes neuronales y profundas relevantes

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a ingenieros de software que desean programar en Python con OpenCV 4 para el aprendizaje profundo.

Al final de esta formación, los participantes serán capaces de:

• Vea, cargue y clasifique imágenes y vídeos con OpenCV 4.
• Implemente el aprendizaje profundo en OpenCV, 4 con TensorFlow y Keras.
• Ejecute modelos de aprendizaje profundo y genere informes impactantes a partir de imágenes y vídeos.

OpenFace es Python y Torch un software de reconocimiento facial en tiempo real de código abierto basado en la investigación de FaceNet de Google.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear e implementar una aplicación de reconocimiento facial de muestra.

Al final de esta formación, los participantes serán capaces de:

• Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC Torch y nn4 para implementar la detección, alineación y transformación de rostros
• Aplique OpenFace a aplicaciones del mundo real como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etcétera.

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada

En este entrenamiento dirigido por un instructor, los participantes aprenderán a configurar y usar OpenNMT para llevar a cabo la traducción de diversos conjuntos de datos de muestra. El curso comienza con una introducción sobre las redes neuronales en su aplicación a la traducción automática. Los participantes realizarán ejercicios prácticos durante todo el curso para demostrar su comprensión de los conceptos aprendidos y recibir retroalimentación del instructor.

Al finalizar este entrenamiento, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución en vivo con OpenNMT.

Las muestras de lenguajes fuente y objetivo se arreglarán previamente según las necesidades del público.

Formato del Curso

• Parte teórica, parte discusión, con mucho práctica hands-on

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas para Machine Learning con R a medida que avanzan en la creación de una aplicación del mundo real.

Al final de esta capacitación, los participantes serán capaces de:

• Comprender e implementar técnicas de aprendizaje no supervisado
• Aplique la agrupación en clústeres y la clasificación para realizar predicciones basadas en datos del mundo real.
• Visualice los datos para obtener información rápidamente, tomar decisiones y perfeccionar aún más el análisis.
• Mejore el rendimiento de un modelo de aprendizaje automático mediante el ajuste de hiperparámetros.
• Ponga un modelo en producción para usarlo en una aplicación más grande.
• Aplique técnicas avanzadas de aprendizaje automático para responder preguntas relacionadas con datos de redes sociales, big data y más.

Este curso es una introducción al uso de redes neuronales en problemas del mundo real utilizando el software R-project.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a desarrolladores y científicos de datos que deseen usar Tensorflow 2.x para crear predictores, clasificadores, modelos generativos, redes neuronales, etc.

Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure TensorFlow 2.x.
• Comprenda las ventajas de TensorFlow 2.x con respecto a las versiones anteriores.
• Cree modelos de aprendizaje profundo.
• Implemente un clasificador de imágenes avanzado.
• Implemente un modelo de aprendizaje profundo en la nube, dispositivos móviles y dispositivos IoT.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o presencial) está dirigida a ingenieros que desean escribir, cargar y ejecutar modelos de aprendizaje automático en dispositivos integrados muy pequeños.

Al final de esta formación, los participantes serán capaces de:

• Instale TensorFlow Lite.
• Cargue modelos de aprendizaje automático en un dispositivo integrado para permitirle detectar voz, clasificar imágenes, etc.
• Agregue IA a los dispositivos de hardware sin depender de la conectividad de red.

En esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o en el sitio), los participantes aprenderán a configurar y usar TensorFlow Serving para implementar y administrar modelos de ML en un entorno de producción.

Al final de esta capacitación, los participantes serán capaces de:

• Entrenar, exportar y servir diversos modelos TensorFlow.
• Probar y deployar algoritmos utilizando una única arquitectura y conjunto de APIs.
• Extender TensorFlow Serving para servir otros tipos de modelos além de los modelos TensorFlow.

TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Go ogle para Deep Learning . El sistema está diseñado para facilitar la investigación en aprendizaje automático y para hacer que la transición del prototipo de investigación al sistema de producción sea rápida y fácil.

Audiencia

Este curso está dirigido a ingenieros que buscan usar TensorFlow para sus proyectos de Deep Learning .

Después de completar este curso, los delegados:

• Comprender la estructura y los mecanismos de despliegue de TensorFlow .
• Ser capaz de realizar tareas de configuración / entorno de producción / arquitectura y configuración.
• ser capaz de evaluar la calidad del código, realizar la depuración, monitoreo
• Ser capaz de implementar producción avanzada como modelos de capacitación, creación de gráficos y registro.

Este curso explora, con ejemplos específicos, la aplicación de Tensor Flow a los fines del reconocimiento de imágenes.

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para los fines del reconocimiento de imágenes.

Después de completar este curso, los delegados podrán:

• Comprender la estructura y los mecanismos de despliegue de TensorFlow .
• realizar tareas de instalación / entorno de producción / arquitectura y configuración.
• evaluar la calidad del código, realizar depuración, monitoreo
• Implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Nueva York (en línea o en el sitio) está dirigida a científicos de datos que desean pasar de entrenar un solo modelo de ML a implementar muchos modelos de ML en producción.

Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure TFX y herramientas de terceros compatibles.
• Use TFX para crear y administrar una canalización de producción de ML completa.
• Trabaje con componentes TFX para llevar a cabo el modelado, el entrenamiento, la inferencia de servicio y la administración de implementaciones.
• Implemente funciones de aprendizaje automático en aplicaciones web, aplicaciones móviles, dispositivos IoT y más.

En este entrenamiento guiado por un instructor en Ciudad de Nueva York, los participantes aprenderán cómo aprovechar las innovaciones en procesadores TPU para maximizar el rendimiento de sus propias aplicaciones de IA.

Al final del entrenamiento, los participantes podrán:

• Entrenar diversos tipos de redes neuronales con grandes cantidades de datos.
• Utilizar TPUs para acelerar el proceso de inferencia hasta en dos órdenes de magnitud.
• Utilizar TPUs para procesar aplicaciones intensivas como búsqueda de imágenes, visión en la nube y fotos.

TensorFlow™ es una biblioteca de software de código abierto para el cálculo numérico utilizando grafos de flujo de datos.

SyntaxNet es un marco de Procesamiento de Lenguaje Natural basado en redes neuronales para TensorFlow.

Word2Vec se utiliza para aprender representaciones vectoriales de palabras, llamadas "incrustaciones de palabras". Word2vec es un modelo predictivo particularmente eficiente computacionalmente para aprender incrustaciones de palabras a partir de texto crudo. Viene en dos versiones: el modelo Continuous Bag-of-Words (CBOW) y el modelo Skip-Gram (Capítulo 3.1 y 3.2 en Mikolov et al.).

Utilizados conjuntamente, SyntaxNet y Word2Vec permiten a los usuarios generar modelos de incrustaciones aprendidas a partir de la entrada de lenguaje natural.

Público Objetivo

Este curso está destinado a desarrolladores e ingenieros que deseen trabajar con modelos SyntaxNet y Word2Vec en sus grafos de TensorFlow.

Al completar este curso, los participantes podrán:

• entender la estructura y las mecanismos de implementación de TensorFlow
• realizar tareas y configuraciones del entorno de instalación / producción / arquitectura
• evaluar la calidad del código, realizar depuración y monitoreo
• implementar producciones avanzadas como el entrenamiento de modelos, incorporación de términos, construcción de grafos y registro

Este curso comienza con el conocimiento conceptual en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).

La Parte 1 (40%) de esta capacitación se centra más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que facilita la escritura de modelos de aprendizaje profundo.

La Parte 3 (40%) de la capacitación se basaría ampliamente en Tensorflow: API de segunda generación de la biblioteca de software de código abierto de Go ogle para Deep Learning . Los ejemplos y handson se realizarían en TensorFlow .

Audiencia

Este curso está destinado a ingenieros que buscan utilizar TensorFlow para sus proyectos de Deep Learning

Después de completar este curso, los delegados:

• tener un buen conocimiento de las redes neuronales profundas (DNN), CNN y RNN

• Comprender la estructura y los mecanismos de implementación de TensorFlow

• ser capaz de llevar a cabo tareas de instalación / entorno de producción / arquitectura y configuración

• ser capaz de evaluar la calidad del código, realizar depuración, monitoreo

• ser capaz de implementar producción avanzada como modelos de capacitación, creación de gráficos y registro