Aprendizaje de refuerzo profundo con Python

Esta capacitación en vivo dirigida por un instructor en Guatemala (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 capacitación en vivo dirigida por un instructor en Guatemala (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.

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 Guatemala (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 sistema de aprendizaje de la máquina de entrenamiento de RNN de Open Source, Multi-máquina, Multi-GPU, altamente eficiente de habla, texto e imágenes.

Audiencia

Este curso está dirigido a ingenieros y arquitectos con el objetivo de utilizar CNTK en sus proyectos.

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 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 capacitación en vivo dirigida por un instructor en Guatemala (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 Guatemala (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.

Esta capacitación en vivo dirigida por un instructor en Guatemala (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.

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.

Esta capacitación en vivo dirigida por un instructor en Guatemala (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.

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

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

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