Cursos de TensorFlow en Ciudad de Guatemala

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 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. 

En esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala, los participantes aprenderán a usar Python bibliotecas para NLP a medida que crean una aplicación que procesa un conjunto de imágenes y genera subtítulos.  Al final de esta capacitación, los participantes serán capaces de:

• Diseñe y codifique DL para NLP usando bibliotecas Python. 
• Cree Python código que lea una colección sustancialmente grande de imágenes y genere palabras clave.
• Cree Python Código que genere subtítulos a partir de las palabras clave detectadas.

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.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala (en línea o en el sitio) está dirigida a científicos de datos que desean utilizar TensorFlow para analizar datos de posibles fraudes. Al final de esta capacitación, los participantes serán capaces de:

• Crear un modelo de detección de fraude en Python y TensorFlow.
• Cree regresiones lineales y modelos de regresión lineal para predecir el fraude.
• Desarrolle una aplicación de IA de extremo a extremo para analizar datos de fraude.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a ingenieros que desean implementar cargas de trabajo de aprendizaje automático en una OpenShift nube local o híbrida.

• Al final de esta capacitación, los participantes serán capaces de:
• Instale y configure Kubernetes y Kubeflow en un clúster de OpenShift.
• Utilice OpenShift para simplificar el trabajo de inicialización de un clúster de Kubernetes.
• Cree e implemente una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrene e implemente TensorFlow modelos de ML en varias GPU y máquinas que se ejecutan en paralelo.
• Llame a servicios de nube pública (por ejemplo, servicios de AWS) desde OpenShift para ampliar una aplicación de ML

Este curso le proporcionará conocimientos en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala (en línea o presencial) está dirigida a desarrolladores y científicos de datos que deseen usar Tensorflow 2.x para crear predictores, clasificadores, modelos generativos, redes neuronales, etc. Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure TensorFlow 2.x.
• Comprenda las ventajas de TensorFlow 2.x con respecto a las versiones anteriores.
• Cree modelos de aprendizaje profundo.
• Implemente un clasificador de imágenes avanzado.
• Implemente un modelo de aprendizaje profundo en la nube, dispositivos móviles y dispositivos IoT.

Esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala (en línea o en el sitio) está dirigida a científicos de datos que deseen utilizar TensorFlow.js para identificar patrones y generar predicciones a través de modelos de aprendizaje automático. Al final de esta capacitación, los participantes serán capaces de:

• Cree y entrene modelos de aprendizaje automático con TensorFlow.js.
• Ejecute modelos de aprendizaje automático existentes en el explorador o en Node.js.
• Vuelva a entrenar el aprendizaje automático preexistente con datos personalizados.

En esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala (en línea o en el sitio), los participantes aprenderán a configurar y usar TensorFlow Serving para implementar y administrar modelos de ML en un entorno de producción. Al final de esta capacitación, los participantes serán capaces de:

• Entrena, exporta y da servicio a varios modelos de TensorFlow.
• Pruebe e implemente algoritmos utilizando una única arquitectura y un conjunto de API.
• Amplíe TensorFlow Serving para servir a 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 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

Esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala (en línea o en el sitio) está dirigida a científicos de datos que desean pasar de entrenar un solo modelo de ML a implementar muchos modelos de ML en producción. Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure TFX y herramientas de terceros compatibles.
• Use TFX para crear y administrar una canalización de producción de ML completa.
• Trabaje con componentes TFX para llevar a cabo el modelado, el entrenamiento, la inferencia de servicio y la administración de implementaciones.
• Implemente funciones de aprendizaje automático en aplicaciones web, aplicaciones móviles, dispositivos IoT y más.

En esta capacitación en vivo dirigida por un instructor en Ciudad de Guatemala, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de IA. Al final de la capacitación, los participantes podrán:

• Entrene varios tipos de redes neuronales con grandes cantidades de datos.
• Utilice TPU para acelerar el proceso de inferencia hasta en dos órdenes de magnitud.
• Utilice TPU para procesar aplicaciones intensivas, como búsqueda de imágenes, visión en la nube y fotos.

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

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.