Aprendizaje Profundo con TensorFlow

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 línea o presencial) en Chile, 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.

En esta capacitación en vivo dirigida por un instructor en Chile, 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 Chile (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 Chile (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.

En esta capacitación en vivo dirigida por un instructor en Chile (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.

Este curso explora, con ejemplos específicos, la aplicación de Flujo Tensor a los propósitos de reconocimiento de imagen

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para los propósitos de reconocimiento de imágenes

Después de completar este curso, los delegados podrán:

• entender la estructura y los mecanismos de despliegue de TensorFlow
• llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración
• evaluar la calidad del código, realizar depuración, monitoreo
• implementar la producción avanzada como modelos de formación, creación de gráficos y registro

Esta capacitación en vivo dirigida por un instructor en Chile (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 Chile, 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