Detección de Fraude con Python y 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 capacitación guiada por un instructor (en línea o presencial) en Guatemala está dirigida a científicos de datos e ingenieros de software que deseen utilizar Dask con el ecosistema de Python para construir, escalar y analizar grandes conjuntos de datos.

Al final de esta formación, los participantes podrán:

• Configurar el entorno para comenzar a procesar big data con Dask y Python.
• Explorar las características, bibliotecas, herramientas y APIs disponibles en Dask.
• Comprender cómo Dask acelera la computación paralela en Python.
• Aprender a escalar el ecosistema de Python (Numpy, SciPy y Pandas) utilizando Dask.
• Optimizar el entorno de Dask para mantener un alto rendimiento al manejar grandes conjuntos de datos.

Esta formación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está destinada a desarrolladores y analistas de datos de nivel intermedio que desean mejorar sus habilidades en el análisis y manipulación de datos usando Python, Pandas y NumPy.

Al finalizar esta formación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya Python, Pandas y NumPy.
• Crear una aplicación de análisis de datos utilizando Pandas y NumPy.
• Ejecutar operaciones avanzadas de manipulación, ordenación y filtrado de datos.
• Realizar operaciones agregadas y analizar datos de series temporales.
• Visualizar datos usando Matplotlib y otras bibliotecas de visualización.
• Depurar y optimizar su código de análisis de datos.

En este entrenamiento dirigido por un instructor y en vivo, los participantes aprenderán a utilizar bibliotecas de Python para NLP mientras crean una aplicación que procesa un conjunto de imágenes y genera subtítulos.

Al final de este entrenamiento, los participantes serán capaces de:

• Diseñar y codificar DL para NLP utilizando bibliotecas de Python.
• Crear código en Python que lea una colección sustancialmente grande de imágenes y genere palabras clave.
• Crear código en Python que genere subtítulos a partir de las palabras clave detectadas.

Audiencia

Este curso es adecuado para investigadores y ingenieros de Deep Learning interesados en utilizar herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora.

Este curso proporciona ejemplos prácticos.

Esta capacitación en vivo dirigida por un instructor (en línea o presencial) está dirigida a desarrolladores que desean utilizar la pila FARM (FastAPI, React y MongoDB) para crear aplicaciones web dinámicas, de alto rendimiento y escalables.

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

• Configure el entorno de desarrollo necesario que integre FastAPI, React y MongoDB.
• Comprenda los conceptos clave, las características y los beneficios de la pila FARM.
• Aprenda a crear API REST con FastAPI.
• Aprenda a diseñar aplicaciones interactivas con React.
• Desarrolle, pruebe e implemente aplicaciones (front-end y back-end) mediante la pila FARM.

Esta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores que desean usar FastAPI con Python para crear, probar e implementar API RESTful de manera más fácil y rápida.

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

• Configurar el entorno de desarrollo necesario para desarrollar APIs con Python y FastAPI.
• Crear APIs de forma más rápida y sencilla utilizando la biblioteca FastAPI.
• Aprender a crear modelos de datos y esquemas basados en Pydantic y OpenAPI.
• Conectar APIs a una base de datos utilizando SQLAlchemy.
• Implementar seguridad y autenticación en APIs utilizando las herramientas de FastAPI.
• Crear imágenes de contenedor e implementar APIs web en un servidor en la nube.

Esta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a científicos de datos y desarrolladores que desean usar Modin para crear e implementar cálculos paralelos con Pandas para un análisis de datos más rápido.

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

• Configure el entorno necesario para comenzar a desarrollar Pandas flujos de trabajo a escala con Modin.
• Comprender las características, la arquitectura y las ventajas de Modin.
• Conoce las diferencias entre Modin, Dask y Ray.
• Realice Pandas operaciones más rápido con Modin.
• Implemente toda la API Pandas y las funciones.

Este curso dirigido por un instructor (en línea o presencial) está destinado a desarrolladores y científicos de datos que deseen usar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales y más.

Al final de este entrenamiento, los participantes serán capaces de:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x sobre versiones anteriores.
• Construir modelos de aprendizaje profundo.
• Implementar un clasificador de imágenes avanzado.
• Desplegar un modelo de aprendizaje profundo en la nube, dispositivos móviles y sistemas IoT.

En este entrenamiento dirigido por un instructor en Guatemala (en línea o presencial), los participantes aprenderán a configurar y usar TensorFlow Serving para desplegar y gestionar modelos ML en un entorno de producción.

Al final de este entrenamiento, los participantes podrán:

• Entrenar, exportar y servir diversos modelos de TensorFlow.
• Probar y desplegar algoritmos utilizando una sola arquitectura y conjunto de APIs.
• Extender TensorFlow Serving para servir otros tipos de modelos más allá de los modelos de TensorFlow.

TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para el aprendizaje profundo. El sistema está diseñado para facilitar la investigación en aprendizaje automático y para hacer que sea rápido y fácil pasar del prototipo de investigación al sistema de producción.

Audiencia

Este curso está destinado a ingenieros que deseen utilizar TensorFlow en sus proyectos de Aprendizaje Profundo.

Al completar este curso, los participantes podrán:

• comprender la estructura y mecanismos de implementación de TensorFlow
• realizar tareas de instalación, configuración del entorno de producción y arquitectura
• evaluar la calidad del código, realizar depuraciones y monitoreo
• implementar producciones avanzadas como el entrenamiento de modelos, construcción de gráficos y registro

Este curso explora, con ejemplos específicos, la aplicación de Tensor Flow para los propósitos de reconocimiento de imágenes

Audiencia

Este curso está destinado a ingenieros que buscan utilizar TensorFlow para fines de Reconocimiento de Imágenes

Al completar este curso, los delegados serán capaces de:

• entender la estructura y mecanismos de implementación de TensorFlow
• realizar tareas de instalación / entorno de producción / arquitectura y configuración
• evaluar la calidad del código, realizar depuraciones, monitoreo
• implementar producciones avanzadas como entrenamiento de modelos, construcción de gráficos y registro

Esta formación dirigida por un instructor, en vivo y en línea o presencial, está destinada a científicos de datos que deseen pasar de entrenar un solo modelo de ML a implementar varios modelos de ML en producción.

A finales de este curso, los participantes serán capaces de:

• Instalar y configurar TFX y las herramientas de terceros necesarias.
• Usar TFX para crear y administrar una pipeline completa de producción de ML.
• Trabajar con los componentes de TFX para llevar a cabo modelado, entrenamiento, inferencia y gestión de despliegues.
• Implementar características de machine learning en aplicaciones web, aplicaciones móviles, dispositivos IoT y más.

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 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