Aprendizaje Profundo con TensorFlow 2

Este es un curso de 4 días que presenta la IA y su aplicación. Existe la opción de tener un día adicional para realizar un proyecto de IA al finalizar este curso. 

Esta formación en vivo, dirigida por un instructor (en línea o presencial) en Guatemala, está diseñada para profesionales avanzados que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos visuales sofisticados usando Google Colab.

Al final de esta formación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNNs) utilizando TensorFlow.
• Utilizar Google Colab para el desarrollo de modelos escalables y eficientes en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje transferido para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Este curso en vivo y guiado por un instructor (en línea o presencial) está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean entender y aplicar técnicas de aprendizaje profundo utilizando el entorno Google Colab.

Al finalizar este curso, los participantes podrán:

• Configurar y navegar por Google Colab para proyectos de aprendizaje profundo.
• Comprender los fundamentos de las redes neuronales.
• Implementar modelos de aprendizaje profundo utilizando TensorFlow.
• Entrenar y evaluar modelos de aprendizaje profundo.
• Utilizar funciones avanzadas de TensorFlow para el aprendizaje profundo.

En 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 formación dirigida por un instructor (en línea o presencial) está destinada a científicos de datos que deseen usar TensorFlow para analizar datos potencialmente fraudulentos.

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

• Crear un modelo de detección de fraude en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir fraudes.
• Desarrollar una aplicación de IA integral para analizar datos fraudulentos.

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