Los cursos de formación en vivo (DL) de aprendizaje profundo dirigidos por un instructor demuestran a través de la práctica los fundamentos y aplicaciones del aprendizaje profundo y cubren temas como el aprendizaje profundo de máquinas, el aprendizaje estructurado profundo y el aprendizaje jerárquico.
El entrenamiento de aprendizaje profundo está disponible como "entrenamiento en vivo en el sitio" o "entrenamiento en vivo remoto". El entrenamiento en vivo se puede realizar localmente en las instalaciones del cliente en Peru o en los centros de entrenamiento corporativos de NobleProg en Peru. El entrenamiento remoto en vivo se lleva a cabo por medio de un escritorio remoto interactivo.
NobleProg--su proveedor de capacitación local
Fue muy interactivo y más relajado e informal de lo esperado. Cubrimos muchos temas en el tiempo y el capacitador siempre estuvo receptivo a hablar más en detalle o, más en general, sobre los temas y cómo se relacionaban. Siento que la capacitación me ha dado las herramientas para seguir aprendiendo en lugar de que sea una sola sesión donde el aprendizaje se detiene una vez que has terminado, lo cual es muy importante dada la escala y la complejidad del tema.
Jonathan Blease
Curso: Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo
Translated by
El tema es muy interesante.
Wojciech Baranowski
Curso: Introducción al Aprendizaje Profundo
Translated by
Los formadores teóricos del conocimiento y la voluntad de resolver los problemas con los participantes después de la capacitación.
Grzegorz Mianowski
Curso: Introducción al Aprendizaje Profundo
Translated by
Tema. ¡Muy interesante!.
Piotr
Curso: Introducción al Aprendizaje Profundo
Translated by
Los ejercicios después de cada tema fueron realmente útiles, a pesar de que al final eran demasiado complicados. ¡En general, el material presentado fue muy interesante y envolvente! Los ejercicios con reconocimiento de imágenes fueron geniales.
Dolby Poland Sp. z o.o.
Curso: Introducción al Aprendizaje Profundo
Translated by
Creo que si el entrenamiento se hiciera en polaco, le permitiría al formador compartir su conocimiento de manera más eficiente.
Radek
Curso: Introducción al Aprendizaje Profundo
Translated by
La visión global del aprendizaje profundo.
Bruno Charbonnier
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
Los ejercicios son lo suficientemente prácticos y no requieren un alto conocimiento en Python.
Alexandre GIRARD
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
Haciendo ejercicios sobre ejemplos reales usando Eras. Italia entendió totalmente nuestras expectativas sobre esta capacitación.
Paul Kassis
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
El tema. Parecía interesante, pero me fui sabiendo no mucho más que antes.
Radoslaw Labedzki
Curso: Introducción al Aprendizaje Profundo
Translated by
Me gustó que este curso tuviera un tema muy interesante.
Wojciech Wilk
Curso: Introducción al Aprendizaje Profundo
Translated by
Realmente aprecié las respuestas claras y claras de Chris a nuestras preguntas.
Léo Dubus
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
En general, disfruté el entrenador experto.
Sridhar Voorakkara
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Me sorprendió el estándar de esta clase, diría que era el estándar de la universidad.
David Relihan
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Muy buena descripción general. Buen conocimiento de por qué Tensorflow opera como lo hace.
Kieran Conboy
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Me gustaron las oportunidades de hacer preguntas y obtener explicaciones más profundas de la teoría.
Sharon Ruane
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Hemos obtenido mucha más información sobre el tema. Se hicieron algunas buenas discusiones con algunos temas reales dentro de nuestra compañía.
Sebastiaan Holman
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
La capacitación brindó la base adecuada que nos permite expandirnos aún más, mostrando cómo la teoría y la práctica van de la mano. De hecho, me hizo estar más interesado en el tema que antes.
Jean-Paul van Tillo
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
Realmente disfruté de la cobertura y la profundidad de los temas.
Anirban Basu
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
El profundo conocimiento del entrenador sobre el tema.
Sebastian Görg
Curso: Introducción al Aprendizaje Profundo
Translated by
Enfoque muy actualizado o CPI (tensor flow, era, learn) para hacer aprendizaje automático.
Paul Lee
Curso: TensorFlow para Reconocimiento de Imágenes
Translated by
Muy flexible.
Frank Ueltzhöffer
Curso: Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático
Translated by
En general, disfruté de la flexibilidad.
Werner Philipp
Curso: Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático
Translated by
Dada la perspectiva de la tecnología: qué tecnología / proceso podría ser más importante en el futuro; mira, para qué se puede usar la tecnología.
Commerzbank AG
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Me beneficié de la selección del tema. Estilo de entrenamiento Practica la orientación.
Commerzbank AG
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
forma de conducir y ejemplo dado por el entrenador
ORANGE POLSKA S.A.
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
Posibilidad de discutir los temas propuestos usted mismo
ORANGE POLSKA S.A.
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
Comunicación con los conferenciantes
文欣 张
Curso: Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo
Translated by
Me gusta
lisa xie
Curso: Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo
Translated by
Cobertura en profundidad de temas de aprendizaje automático, particularmente redes neuronales. Desmitificaron mucho el tema.
Sacha Nandlall
Curso: Python para el Aprendizaje Automático Avanzado
Translated by
Amplio y actualizado conocimiento de ejemplos de aplicaciones líderes y prácticas.
ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Translated by
Muchos ejercicios, muy buena cooperación con el grupo.
Janusz Chrobot - ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Translated by
trabajar en colaboradores,
ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Translated by
Era obvio que los entusiastas de los temas presentados eran líderes. Usé ejemplos interesantes durante el ejercicio.
ING Bank Śląski S.A.
Curso: Introducción al Aprendizaje Profundo
Translated by
Una amplia gama de temas cubiertos y un conocimiento sustancial de los líderes.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
falta
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Grandes conocimientos teóricos y prácticos de los profesores. La comunicatividad de los formadores. Durante el curso, podrías hacer preguntas y obtener respuestas satisfactorias.
Kamil Kurek - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Parte práctica, donde implementamos algoritmos. Esto permitió una mejor comprensión del tema.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Ejercicios y ejemplos implementados en ellos.
Paweł Orzechowski - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Ejemplos y temas discutidos.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Conocimiento sustantivo, compromiso, una forma apasionada de transferir conocimiento. Ejemplos prácticos después de una conferencia teórica.
Janusz Chrobot - ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Ejercicios prácticos preparados por el Sr. Maciej.
ING Bank Śląski S.A.; Kamil Kurek Programowanie
Curso: Comprender las Redes Neuronales Profundas
Translated by
Me beneficié de la pasión por enseñar y centrarme en hacer que las cosas sean sensatas.
Zaher Sharifi - GOSI
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
| Código | Nombre | Duración | Información General |
|---|---|---|---|
| annmldt | Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo | 21 horas | Artificial Neural Network es un modelo de datos computacionales utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las redes neuronales se usan comúnmente en aplicaciones de aprendizaje automático (Machine Learning, ML), que a su vez son una implementación de AI. Aprendizaje profundo es un subconjunto de ML. |
| dlfornlp | Aprendizaje profundo para NLP (procesamiento de lenguaje natural) | 28 horas | Deep Learning para NLP permite que una máquina aprenda procesamiento de lenguaje simple a complejo. Entre las tareas actualmente posibles se encuentran la traducción de idiomas y la generación de subtítulos para fotos. DL (Deep Learning) es un subconjunto de ML (Machine Learning). Python es un lenguaje de programación popular que contiene bibliotecas para Deep Learning para NLP. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar las bibliotecas de Python para el procesamiento de lenguaje natural (NLP) mientras crean una aplicación que procesa un conjunto de imágenes y genera leyendas. Al final de esta capacitación, los participantes podrán: - Diseño y código DL para NLP utilizando bibliotecas Python - Crear código de Python que lea una gran colección de imágenes y genere palabras clave - Crear código Python que genere subtítulos de las palabras clave detectadas Audiencia - Programadores con interés en la lingüística - Programadores que buscan una comprensión de NLP (procesamiento de lenguaje natural) Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| t2t | T2T: Creación de Modelos de Secuencia a Secuencia para el Aprendizaje Generalizado | 7 horas | Tensor2Tensor (T2T) es una biblioteca modular y extensible para el entrenamiento de modelos de AI en diferentes tareas, utilizando diferentes tipos de datos de entrenamiento, por ejemplo: reconocimiento de imágenes, traducción, análisis sintáctico, subtítulos de imágenes y reconocimiento de voz. Lo mantiene el equipo de Google Brain. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo preparar un modelo de aprendizaje profundo para resolver tareas múltiples. Al final de esta capacitación, los participantes podrán: - Instalar tensor2tensor, seleccionar un conjunto de datos y entrenar y evaluar un modelo de IA - Personalice un entorno de desarrollo utilizando las herramientas y los componentes incluidos en Tensor2Tensor - Cree y use un único modelo para aprender de forma simultánea varias tareas de varios dominios - Utilice el modelo para aprender de tareas con una gran cantidad de datos de entrenamiento y aplicar ese conocimiento a tareas donde los datos son limitados - Obtenga resultados de procesamiento satisfactorios con una sola GPU Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| embeddingprojector | Embedding Projector: Visualización de sus Datos de Entrenamiento | 14 horas | 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 |
| openface | OpenFace: Creación de Sistemas de Reconocimiento Facial | 14 horas | OpenFace es un software de reconocimiento facial en tiempo real basado en Python y Torch basado en la investigación FaceNet de Google. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear y desplegar una aplicación de reconocimiento facial de muestra. Al final de esta capacitación, los participantes podrán: Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC, Torch y nn4 para implementar la detección de rostros, la alineación y la transformación. Aplique OpenFace a aplicaciones del mundo real tales como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etc. Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| pythonadvml | Python para el Aprendizaje Automático Avanzado | 21 horas | 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 |
| radvml | Aprendizaje Automático Avanzado con R | 21 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas para el aprendizaje automático con R a medida que avanzan en la creación de una aplicación en el mundo real. Al final de esta capacitación, los participantes podrán: - Utiliza técnicas como el ajuste de hiperparámetros y el aprendizaje profundo - Comprender e implementar técnicas de aprendizaje no supervisadas - Ponga un modelo en producción para usar en una aplicación más grande Audiencia - Desarrolladores - Analistas - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| tensorflowserving | Curso de TensorFlow Serving | 7 horas | TensorFlow Serving es un sistema para servir modelos de aprendizaje automático (ML) a la producción. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a configurar y usar TensorFlow Serving para implementar y administrar modelos ML en un entorno de producción. Al final de esta capacitación, los participantes podrán: - Entrene, exporte y sirva varios modelos de TensorFlow - Pruebe e implemente algoritmos utilizando una única arquitectura y un conjunto de API - Extienda TensorFlow Sirviendo para servir a otros tipos de modelos más allá de los modelos TensorFlow Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| matlabdl | Matlab para el Aprendizaje Profundo | 14 horas | 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 |
| undnn | Comprender las Redes Neuronales Profundas | 35 horas | Este curso comienza con la entrega de conocimientos conceptuales en redes neuronales y, en general, en el algoritmo de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). Parte-1 (40%) de esta capacitación se centra más en los fundamentos, pero te 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 hace que escribir modelos de aprendizaje profundo sea fácil. Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow. Audiencia Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo. Después de completar este curso, los delegados: - tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN - comprender la estructura y los mecanismos de despliegue de TensorFlow - ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura - ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo - ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro No todos los temas se cubrirán en un salón de clases público con 35 horas de duración debido a la inmensidad del tema. La duración del curso completo será de alrededor de 70 horas y no de 35 horas. |
| dlfinancewithr | Aprendizaje Profundo para las Finanzas (con R) | 28 horas | 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 |
| PaddlePaddle | Curso de PaddlePaddle | 21 horas | PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios. Al final de esta capacitación, los participantes podrán: - Configurar y configurar PaddlePaddle - Configure una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos - Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos - Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas - Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones. Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| dlforbankingwithpython | Aprendizaje Profundo para la Banca (con Python) | 28 horas | 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 |
| dlforbankingwithr | Aprendizaje Profundo para la Banca (con R) | 28 horas | 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 |
| dlforfinancewithpython | Aprendizaje Profundo para las Finanzas (con Python) | 28 horas | 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 |
| drlpython | Aprendizaje de refuerzo profundo con Python | 21 horas | 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 |
| DLAITEDM | Técnicas de IA de Aprendizaje Profundo para Ejecutivos, Desarrolladores y Gerentes | 21 horas | 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. |
| Nue_LBG | Computación Neuronal - Ciencia de Datos | 14 horas | Esta sesión de capacitación basada en el aula contendrá presentaciones y ejemplos basados en computadora y ejercicios de estudio de caso para emprender con bibliotecas de redes neurales y profundas relevantes |
| dlformedicine | Aprendizaje profundo para la medicina | 14 horas | 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. |
| dlfortelecomwithpython | Deep Learning for Telecom (with Python) | 28 horas | Machine learning is a branch of Artificial Intelligence wherein computers have the ability to learn without being explicitly programmed. Deep learning is a subfield of machine learning which uses methods based on learning data representations and structures such as neural networks. Python is a high-level programming language famous for its clear syntax and code readability. In this instructor-led, live training, participants will learn how to implement deep learning models for telecom using Python as they step through the creation of a deep learning credit risk model. By the end of this training, participants will be able to: - Understand the fundamental concepts of deep learning. - Learn the applications and uses of deep learning in telecom. - Use Python, Keras, and TensorFlow to create deep learning models for telecom. - Build their own deep learning customer churn prediction model using Python. Format of the course - Part lecture, part discussion, exercises and heavy hands-on practice |
| dsstne | Amazon DSSTNE: Construya un Sistema de Recomendación | 7 horas | 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 |
| MicrosoftCognitiveToolkit | Curso de Microsoft Cognitive Toolkit 2.x | 21 horas | 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. |
| deeplearning1 | Introducción al Aprendizaje Profundo | 21 horas | 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. |
| dl4jir | DeepLearning4J para el Reconocimiento de Imágenes | 21 horas | Deeplearning4j es un software Open-Source Deep-Learning para Java y Scala en Hadoop y Spark. Audiencia Este curso está dirigido a ingenieros y desarrolladores que buscan utilizar DeepLearning4J en sus proyectos de reconocimiento de imágenes. |
| bspkannmldt | Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático | 21 horas | Artificial Neural Network es un modelo de datos computacionales utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las redes neuronales se usan comúnmente en aplicaciones de aprendizaje automático (Machine Learning, ML), que a su vez son una implementación de AI. Aprendizaje profundo es un subconjunto de ML. |
| dladv | Aprendizaje Profundo (Deep Learning) Avanzado | 28 horas | 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 . |
| tf101 | Aprendizaje Profundo con TensorFlow | 21 horas | TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para Deep Learning. El sistema está diseñado para facilitar la investigación en aprendizaje de máquina, y para hacer rápida y fácil la transición del prototipo de investigación al sistema de producción. Audiencia Este curso está dirigido a ingenieros que buscan usar TensorFlow para sus proyectos de Aprendizaje Profundo Después de completar este curso, los delegados: - entender la estructura y los mecanismos de despliegue de TensorFlow - ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración - ser capaz de evaluar la calidad del código, realizar depuración, - ser capaz de implementar producción avanzada como los modelos de entrenamiento, la construcción de gráficos y registro |
| tfir | TensorFlow para Reconocimiento de Imágenes | 28 horas | 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 |
| tsflw2v | Procesamiento del Lenguaje Natural con TensorFlow | 35 horas | TensorFlow ™ es una biblioteca de software de código abierto para computación numérica utilizando gráficos de flujo de datos. SyntaxNet es una estructura de procesamiento de lenguaje natural de la red neuronal para TensorFlow. Word2Vec se utiliza para el aprendizaje de representaciones vectoriales de palabras, llamadas "embeddings palabra". Word2vec es un modelo predictivo particularmente computacionalmente eficiente para aprender las incorporaciones de palabras a partir de texto en bruto. Viene en dos sabores, el modelo continuo de la bolsa-de-palabras (CBOW) y el modelo de Skip-Gram (capítulo 3.1 y 3.2 en Mikolov y otros). Utilizado en tándem, SyntaxNet y Word2Vec permite a los usuarios generar modelos de incorporación aprendida de entrada de lenguaje natural. Audiencia Este curso está dirigido a desarrolladores e ingenieros que tienen la intención de trabajar con los modelos SyntaxNet y Word2Vec en sus gráficos TensorFlow. Después de completar este curso, los delegados: Entender la estructura y los mecanismos de despliegue de TensorFlow - ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración - ser capaz de evaluar la calidad del código, realizar depuración, - ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro |
| w2vdl4j | NLP con Deeplearning4j | 14 horas | Deeplearning4j es una biblioteca de código abierto y de aprendizaje profundo escrita para Java y Scala. Integrado con Hadoop y Spark, DL4J está diseñado para ser utilizado en entornos empresariales en GPUs y CPU distribuidas. Word2Vec es un método de computación de representaciones vectoriales de palabras introducidas por un equipo de investigadores de Google liderado por Tomas Mikolov. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Deeplearning4J para construir modelos Word2Vec. |
| Curso | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|
| Curso de PaddlePaddle - Lima - Edificio Tempus San Isidro | Lun, 2019-04-08 09:30 | N/A / 5940USD |
| Aprendizaje Profundo para la Banca (con Python) - Lima - Edificio Tempus San Isidro | Mar, 2019-05-21 09:30 | 5990USD / 7510USD |
| Aprendizaje Profundo para la Banca (con Python) - Lima - Edificio Tempus San Isidro | Mar, 2019-07-16 09:30 | 5990USD / 7510USD |
| Aprendizaje Profundo para la Banca (con Python) - Lima - Edificio Tempus San Isidro | Lun, 2019-09-09 09:30 | 5990USD / 7510USD |
| Curso de PaddlePaddle - Lima - Edificio Tempus San Isidro | Mié, 2019-09-25 09:30 | N/A / 5940USD |
| Curso | Ubicación | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|---|
| Simulink® para el Diseño Avanzado de Sistemas Automotrices | Lima - Edificio Tempus San Isidro | Mié, 2019-05-08 09:30 | 2835USD / 4095USD |
| Búsqueda de Patrones | Lima - Edificio Tempus San Isidro | Mar, 2019-07-16 09:30 | 3915USD / 5175USD |
| BPMN, DMN, y CMNN - OMG Estándares para la Mejora de Procesos | Lima - Edificio Tempus San Isidro | Mar, 2019-09-10 09:30 | 7380USD / 8900USD |
| Embedded Linux: construyendo un sistema desde cero | Lima - Edificio Tempus San Isidro | Mié, 2019-09-18 09:30 | 2835USD / 4095USD |
| Administración de Reglas Drools | Lima - Edificio Tempus San Isidro | Mié, 2019-09-25 09:30 | 5715USD / 7105USD |
.jpg "food and drug administration (fda)")
.jpg "european southern observatory (eso)")
.png "european central bank (ecb)")
.jpg "european space agency (esa)")
We are looking to expand our presence in Peru!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
