Cursos de Aprendizaje profundo | Cursos de Deep Learning

Stable Diffusion es un potente modelo de aprendizaje profundo que puede generar imágenes detalladas basadas en descripciones de texto.  Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) 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 capacitación, los participantes podrán:

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. Integre Stable Diffusion con otros marcos y herramientas de aprendizaje profundo.

Formato del curso

Conferencia interactiva y discusión. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertar

DeepSpeed es una biblioteca de optimización de aprendizaje profundo que facilita la escala de modelos de aprendizaje profundo en hardware distribuido. Desarrollado por Microsoft, DeepSpeed se integra con PyTorch para proporcionar un mejor escalado, un entrenamiento más rápido y una mejor utilización de los recursos.Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) está dirigida a científicos de datos de nivel principiante e intermedio e ingenieros de aprendizaje automático que desean mejorar el rendimiento de sus modelos de aprendizaje profundo.Al final de esta capacitación, los participantes podrán:

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

Formato del Curso

Charla interactiva y debate. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

Para solicitar una capacitación personalizada para este curso, contáctenos para coordinar.

Los modelos de lenguaje grandes (LLM) son modelos de redes neuronales profundas que pueden generar textos en lenguaje natural basados en una entrada o contexto determinado. Están entrenados con grandes cantidades de datos de texto de varios dominios y fuentes, y pueden capturar los patrones sintácticos y semánticos del lenguaje natural. Los LLM han logrado resultados impresionantes en varias tareas de lenguaje natural, como el resumen de textos, la respuesta a preguntas, la generación de textos y más. Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a desarrolladores de nivel principiante a intermedio que deseen utilizar modelos de lenguaje grandes para diversas tareas de lenguaje natural. Al final de esta capacitación, los participantes serán capaces de:

Configure un entorno de desarrollo que incluya un 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 los LLM con herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Formato del curso

Conferencia interactiva y discusión. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertar una cita.

AlphaFold es un sistema Artificial Intelligence (AI) que realiza la predicción de las estructuras proteicas. Está desarrollado por Alphabet’s/Google’s DeepMind como un sistema de aprendizaje profundo que puede predecir con precisión los modelos 3D de estructuras de proteínas. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a biólogos que desean entender cómo AlphaFold funciona y utiliza AlphaFold modelos como guías en sus estudios experimentales. Al final de este curso, los participantes podrán:

Comprender los principios básicos de AlphaFold. Aprende cómo AlphaFold funciona. Aprende a interpretar AlphaFold predicciones y resultados.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

Stable Diffusion es un potente modelo de aprendizaje profundo que puede generar imágenes detalladas basadas en descripciones de texto.  Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) 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 capacitación, los participantes podrán:

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 pintura interior, pintura externa y traducción de imagen a imagen. Optimice el rendimiento y la estabilidad de los modelos Stable Diffusion.

Formato del curso

Conferencia interactiva y discusión. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertar

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y de vanguardia en Python a medida que crean una serie de aplicaciones de demostración que incluyen imágenes, música, texto y datos financieros. Al final de esta capacitación, los participantes podrán:

• Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos
• Aplicar el aprendizaje profundo y el aprendizaje semi-supervisado a aplicaciones que involucren imagen, música, texto e información financiera
• Empujar los algoritmos de Python a su máximo potencial
• Usa bibliotecas y paquetes como NumPy y Theano

Audiencia

• Desarrolladores
• Analistas
• Científicos de datos

Formato del curso

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

El aprendizaje de refuerzo profundo se refiere a la capacidad de un "agente artificial" para aprender por prueba y error y recompensas y castigos. Un agente artificial tiene como objetivo emular la capacidad de un ser humano de obtener y construir conocimiento por sí mismo, directamente a partir de insumos crudos como la visión. Para lograr un aprendizaje reforzado, se utilizan redes neuronales y de aprendizaje profundo. El aprendizaje de refuerzo es diferente del aprendizaje automático y no depende de enfoques de aprendizaje supervisados ​​y no supervisados. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán los fundamentos de Deep Refforcement Learning a medida que avanzan en la creación de un Deep Learning Agent. Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos clave detrás del aprendizaje profundo y el aprendizaje del aprendizaje automático
• Aplicar algoritmos avanzados de refuerzo de aprendizaje para resolver problemas del mundo real
• Crear un agente de aprendizaje profundo

Audiencia

• Desarrolladores
• Científicos de datos

Formato de la carrera

• Parte de lectura, parte de discusión, ejercicios y práctica práctica

El aprendizaje de máquina es una rama de inteligencia artificial en la que los ordenadores tienen la capacidad de aprender sin ser explícitamente programados. El aprendizaje profundo es un subcampo de aprendizaje automático que utiliza métodos basados en las representaciones de datos de aprendizaje y estructuras como las redes neurales. Python es un lenguaje de programación de alto nivel conocido por su sintaxe clara y la lectura de código. En este entrenamiento guiado por instructores, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecom utilizando Python a medida que pasan por la creación de un modelo de riesgo de crédito de aprendizaje profundo. Al final de este curso, los participantes podrán:

Comprender los conceptos fundamentales del aprendizaje profundo. Aprende las aplicaciones y los usos de la aprendizaje profunda en telecom. Utilice Python, Keras, y TensorFlow para crear modelos de aprendizaje profundo para telecom. Construye su propio modelo de predicción del cliente de aprendizaje profundo utilizando Python.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

Embedding Projector es una aplicación web de código abierto para visualizar los datos utilizados para entrenar sistemas de aprendizaje automático. Creado por Google, es parte de TensorFlow. Esta capacitación en vivo dirigida por un instructor presenta los conceptos detrás de Embedding Projector y guía a los participantes a través de la configuración de un proyecto de demostración. Al final de esta capacitación, los participantes podrán:

• Explore cómo los datos se interpretan mediante modelos de aprendizaje automático
• Navegue a través de vistas 3D y 2D de datos para comprender cómo lo interpreta un algoritmo de aprendizaje automático
• Comprenda los conceptos detrás de Embeddings y su papel en la representación de vectores matemáticos para imágenes, palabras y números.
• Explore las propiedades de una incrustación específica para comprender el comportamiento de un modelo
• Aplicar Embedding Project a casos de uso del mundo real, como crear un sistema de recomendación de canciones para amantes de la música

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

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.

Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.

Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.

Caffe es un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente. Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo Audiencia Este curso es adecuado para los 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
• 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 entrenamiento, implementación de capas y registro

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

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

Introducción: El aprendizaje profundo se está convirtiendo en un componente principal del diseño de productos futuros que quiere incorporar inteligencia artificial en el corazón de sus modelos. Dentro de los próximos 5 a 10 años, las herramientas de desarrollo de Aprendizaje Profundo, las bibliotecas y los idiomas se convertirán en componentes estándar de cada conjunto de herramientas de desarrollo de software. Hasta ahora, Google, Sales Force, Facebook, Amazon han utilizado con éxito la IA de aprendizaje profundo para impulsar sus negocios. Las aplicaciones iban desde la traducción automática automática, análisis de imágenes, análisis de video, análisis de movimiento, generación de publicidad dirigida y mucho más. Este curso está dirigido a aquellas organizaciones que desean incorporar Aprendizaje Profundo como parte muy importante de su estrategia de producto o servicio. A continuación se muestra el esquema del curso de aprendizaje profundo que podemos personalizar para diferentes niveles de empleados / partes interesadas en una organización. Público objetivo: (Dependiendo del público objetivo, los materiales del curso serán personalizados) Ejecutivos Una descripción general de AI y cómo encaja en la estrategia corporativa, con sesiones de trabajo sobre planificación estratégica, hojas de ruta tecnológicas y asignación de recursos para garantizar el máximo valor. Gerentes de proyecto Cómo planificar un proyecto de AI, incluida la recopilación y evaluación de datos, la limpieza y verificación de datos, el desarrollo de un modelo de prueba de concepto, la integración en los procesos comerciales y la entrega en toda la organización. Desarrolladores Entrenamientos técnicos detallados, con enfoque en redes neuronales y aprendizaje profundo, análisis de imágenes y video (CNN), análisis de sonido y texto (NLP) y llevar la inteligencia artificial a las aplicaciones existentes. Vendedores Una visión general de AI y cómo puede satisfacer las necesidades de los clientes, propuestas de valor para varios productos y servicios, y cómo disipar los temores y promover los beneficios de la IA.

El aprendizaje profundo o aprendizaje estructurado profundo es un subset de aprendizaje de máquina que involucra múltiples capas de redes para construir modelos de predicción. Se utiliza ampliamente en grandes industrias, como la salud, el comercio electrónico, el banco, la fabricación, la automoción, etc. Esta formación guiada por instructores, en vivo (online o on-site) está dirigida a analistas de negocios, científicos de datos y desarrolladores que desean construir e implementar modelos de aprendizaje profundo para acelerar el crecimiento de los ingresos y resolver problemas en el mundo empresarial. Al final de este curso, los participantes podrán:

Comprender los conceptos básicos del aprendizaje mecánico y del aprendizaje profundo. Obtenga insights sobre el futuro de los negocios y la industria con ML y DL. Define estrategias de negocio y soluciones con aprendizaje profundo. Aprende cómo aplicar la ciencia de los datos y el aprendizaje profundo en la solución de problemas de negocio. Crea modelos de aprendizaje profundo utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

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. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde los principales programas comerciales hasta los sistemas de gestión de riesgos. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para finanzas usando R a medida que avanzan en la creación de un modelo de predicción del precio de las acciones 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 finanzas
• Use R para crear modelos de aprendizaje profundo para finanzas
• Construya su propio modelo de predicción del precio de las acciones de aprendizaje profundo utilizando R

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

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

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. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde los principales programas comerciales hasta los sistemas de gestión de riesgos. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para la banca usando R a medida que 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
• Use R para crear modelos de aprendizaje profundo para la banca
• Construya su propio modelo de riesgo de crédito de aprendizaje profundo usando R

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

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 las finanzas usando Python mientras avanzan en la creación de un modelo de predicción del precio de las acciones 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 finanzas
• Utilice Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para finanzas
• Construya su propio modelo de predicción del precio de las acciones de aprendizaje profundo usando Python

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

Machine Learning es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. Deep Learning es un subcampo de Machine Learning que intenta imitar el funcionamiento del cerebro humano al tomar decisiones. Está entrenado con datos para brindar soluciones automáticas a los problemas. Deep Learning ofrece amplias oportunidades para la industria médica, que está instalada en una mina de oro de datos. En esta capacitación en vivo dirigida por un instructor, los participantes tomarán parte en una serie de discusiones, ejercicios y análisis de estudios de casos para comprender los fundamentos del aprendizaje profundo. Se evaluarán las herramientas y técnicas de aprendizaje profundo más importantes y se llevarán a cabo ejercicios para preparar a los participantes para llevar a cabo su propia evaluación e implementación de soluciones de aprendizaje profundo dentro de sus organizaciones. Al final de esta capacitación, los participantes podrán:

• Comprender los fundamentos del Aprendizaje Profundo
• Aprende técnicas de aprendizaje profundo y sus aplicaciones en la industria
• Examine problemas en medicina que pueden ser resueltos por las tecnologías Deep Learning
• Explore casos de estudio de Deep Learning en medicina
• Formule una estrategia para adoptar las últimas tecnologías en Deep Learning para resolver problemas en medicina

Audiencia

• Gerentes
• Profesionales médicos en roles de liderazgo

Formato del curso

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

Nota

• Para solicitar una capacitación personalizada para este curso, contáctenos para hacer arreglos.

Los problemas de salud se pueden detectar a través del análisis de imágenes como escaneos de MRI. El uso de aprendizaje profundo para procesar imágenes puede conducir a descubrimientos previamente inadecuables por la inspección humana sola. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a desarrolladores y científicos de datos que desean aplicar redes neurales convolucionales (CNNs) al análisis de las escaneas MRI. Al final de este curso, los participantes podrán:

Instalar y configurar el entorno de desarrollo, el software y las bibliotecas necesarias para comenzar el desarrollo. Analizar imágenes de MRI utilizando técnicas de aprendizaje profundo como CNNs. Detectar posibles condiciones de salud como enfermedades cardíacas a través de análisis de MRI. Aplicar técnicas como la segmentación de imágenes y la formación de CNN para identificar enfermedades potenciales. Identificar los genomicos de una enfermedad utilizando radiomicas. Construcción y implementación de una aplicación de aprendizaje profundo orientada al análisis de la imagen de la salud.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora Este curso proporciona ejemplos prácticos.

Amazon DSSTNE es una biblioteca de código abierto para el entrenamiento y la implementación de modelos de recomendación. Permite modelos con matrices de peso que son demasiado grandes para que una sola GPU se entrene en un solo host. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar DSSTNE para crear una aplicación de recomendación. Al final de esta capacitación, los participantes podrán:

• Entrene un modelo de recomendación con conjuntos de datos dispersos como entrada
• Escala de entrenamiento y modelos de predicción en múltiples GPU
• Extienda el cómputo y el almacenamiento de forma paralela a los modelos
• Genere recomendaciones de productos personalizados similares a Amazon.
• Implemente una aplicación lista para producción que pueda escalar a cargas de trabajo pesadas

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

Fairseq es un conjunto de herramientas de aprendizaje de secuencia a secuencia de código abierto creado por Facebok para su uso en la traducción automática neuronal (NMT). En esta capacitación, los participantes aprenderán a usar Fairseq para llevar a cabo la traducción del contenido de muestra. Al final de esta capacitación, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución de traducción automática basada en Fairseq. Audiencia

• Especialistas en localización con experiencia técnica
• Gerentes de contenido global
• Ingenieros de localización
• Desarrolladores de software a cargo de implementar soluciones de contenido global

Formato del curso

• Conferencia parcial, discusión parcial, práctica práctica intensa

Nota

• Si desea utilizar contenido específico en el idioma de origen y de destino, contáctenos para organizarlo.

La inteligencia artificial, después de haber molestó a muchos campos científicos, comenzó a revolucionar una amplia gama de sectores económicos (industria, la medicina, comunicaciones, etc.). Sin embargo, su presentación en los principales medios de comunicación a menudo es una fantasía, muy lejos de lo que realmente son las áreas de aprendizaje automático y Deep aprendizaje. El objetivo de esta formación es proporcionar a los ingenieros con conocimientos de computación (incluyendo la programación de software basado en) una introducción al aprendizaje profundo y sus diferentes áreas de especialización y por lo tanto las principales arquitecturas de red existentes Hoy. Si los fundamentos matemáticos se recuerdan durante el curso, se recomienda un tipo de nivel de alcoholemia matemática + 2 para una mayor comodidad. Es posible en absoluto ignorar el eje matemático para mantener sólo una visión "sistema", pero este enfoque limita 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

La inteligencia artificial, después de haber molestado a muchos campos científicos, comenzó a revolucionar una amplia gama de sectores económicos (industria, la medicina, comunicaciones, etc.). Sin embargo, su presentación en los principales medios de comunicación a menudo es una fantasía, muy lejos de lo que realmente son las áreas de aprendizaje automático y aprendizaje profundo. El objetivo de esta formación es introducir en realidad estos enfoques y lo que aportan a la solución de problemas considerados "inteligentes". Se presentan muchas aplicaciones, el tratamiento de los datos en bruto para crear contenido "original" a través de agentes de control, clasificación automatizada o la aproximación de un orden dado para facilitar su comprensión y manipulación. Por último, un aspecto importante es el de la oportunidad como la aplicación de dicha metodología de proyectos. El aprendizaje profundo sabe muchas limitaciones como cualquier herramienta, y su aplicación implica verdadera manera de entender, controlar y garantizar un resultado final de calidad

Microsoft Cognitive Toolkit 2.x (anteriormente CNTK) es un juego de herramientas de código abierto de grado comercial que entrena algoritmos de aprendizaje profundo para aprender como el cerebro humano. Según Microsoft, CNTK puede ser 5-10 veces más rápido que TensorFlow en redes recurrentes, y de 2 a 3 veces más rápido que TensorFlow para tareas relacionadas con imágenes. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Microsoft Cognitive Toolkit para crear, entrenar y evaluar algoritmos de aprendizaje profundo para su uso en aplicaciones de AI comerciales que involucren múltiples tipos de datos tales como datos, voz, texto e imágenes. Al final de esta capacitación, los participantes podrán:

• Acceda a CNTK como una biblioteca desde un programa de Python, C # o C ++
• Use CNTK como una herramienta independiente de aprendizaje automático a través de su propio lenguaje de descripción de modelo (BrainScript)
• Utilice la funcionalidad de evaluación del modelo CNTK de un programa Java
• Combinar DNN de feed-forward, redes convolucionales (CNN) y redes recurrentes (RNNs / LSTM)
• Escala de capacidad de cálculo en CPU, GPU y múltiples máquinas
• Acceda a conjuntos de datos masivos utilizando los lenguajes de programación y algoritmos existentes

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

Nota

• Si desea personalizar cualquier parte de esta capacitación, incluido el lenguaje de programación que prefiera, contáctenos para organizarlo.