Cursos de Red Neuronal Artificial en West Virginia

Esta capacitación en vivo dirigida por un instructor en West Virginia (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen explorar técnicas XAI de última generación para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

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

• Comprenda los desafíos de la explicabilidad en el aprendizaje profundo.
• Implementar técnicas avanzadas de XAI para redes neuronales.
• Interprete las decisiones tomadas por los modelos de aprendizaje profundo.
• Evalúe las compensaciones entre el rendimiento y la transparencia.

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

Esta capacitación en vivo dirigida por un instructor en West Virginia (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.

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

Esta formación en vivo dirigida por un instructor en West Virginia (en línea o presencial) está destinada a participantes de nivel principiante que desean aprender conceptos esenciales de probabilidad, estadística, programación y aprendizaje automático, y aplicarlos al desarrollo de IA.

Al finalizar esta formación, los participantes podrán:

• Entender conceptos básicos de probabilidad y estadística, y aplicarlos a escenarios del mundo real.
• Escribir y entender código de programación procedimental, funcional y orientado a objetos.
• Implementar técnicas de aprendizaje automático como clasificación, agrupamiento y redes neuronales.
• Desarrollar soluciones de IA utilizando motores de reglas y sistemas expertos para resolver problemas.

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 West Virginia (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.

Esta capacitación en vivo dirigida por un instructor en West Virginia (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.

Esta capacitación en vivo dirigida por un instructor en West Virginia (en línea o presencial) proporciona una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda aplicaciones prácticas en estadística, informática, procesamiento de señales, visión artificial, minería de datos y bioinformática.

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

• Aplicar métodos estadísticos básicos al reconocimiento de patrones.
• Utilice modelos clave como redes neuronales y métodos de kernel para el análisis de datos.
• Implementar técnicas avanzadas para la resolución de problemas complejos.
• Mejore la precisión de la predicción mediante la combinación de diferentes modelos.

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.

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 directo dirigida por un instructor en West Virginia (online o presencial) está dirigida a ingenieros que deseen conocer la aplicabilidad de la inteligencia artificial a los sistemas mecatrónicos.

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

• Obtenga una visión general de la inteligencia artificial, el aprendizaje automático y la inteligencia computacional.
• Comprender los conceptos de redes neuronales y los diferentes métodos de aprendizaje.
• Elija enfoques de inteligencia artificial de manera efectiva para problemas de la vida real.
• Implementar aplicaciones de IA en ingeniería mecatrónica.

La capacitación está dirigida a personas que desean aprender los conceptos básicos 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

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

En esta capacitación en vivo dirigida por un instructor en West Virginia, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de IA.

Al final de la capacitación, los participantes podrán:

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

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