Cursos de Deep Learning with Keras

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros de software que desean desarrollar redes neuronales avanzadas de aprendizaje profundo y modelar utilizando Keras y Python.

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

• Aplique el aprendizaje profundo con métodos de aprendizaje supervisado o no supervisado.
• Desarrolle, entrene e implemente redes neuronales simultáneas y redes neuronales recurrentes.
• Utilice Keras y Python para crear modelos de aprendizaje profundo para resolver problemas relacionados con imágenes, texto, sonido y más.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores que desean construir un automóvil autónomo utilizando técnicas de aprendizaje profundo.

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

• Utilice Keras para crear y entrenar una red neuronal convolucional.
• Utilice técnicas de visión artificial para identificar carriles en un proyecto de conducción autónoma.
• Entrene un modelo de aprendizaje profundo para diferenciar las señales de tráfico.
• Simula un coche totalmente autónomo.

Este curso cubre AI (enfatizando Aprendizaje Automático y Aprendizaje Profundo) en la Industria Automotriz. Ayuda a determinar qué tecnología puede (potencialmente) utilizarse en situaciones múltiples en un automóvil: desde la simple automatización, el reconocimiento de imágenes hasta la toma de decisiones autónoma.

Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.

Artificial Neural Network es un modelo de datos computacional usado en el desarrollo de sistemas de Artificial Intelligence (AI) capaces de realizar tareas "inteligentes". Neural Networks se usan comúnmente en aplicaciones de Machine Learning (ML), que son en sí mismas una implementación de AI. Deep Learning es un subconjunto de ML.

Caffe es un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente.

Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo

Audiencia

Este curso es adecuado para los 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
• 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 entrenamiento, implementación de capas y registro

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.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a científicos de datos e ingenieros de aprendizaje automático de nivel principiante a intermedio que deseen mejorar el rendimiento de sus modelos de aprendizaje profundo.

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

• Comprender los principios del aprendizaje profundo distribuido.
• Instale y configure DeepSpeed.
• Escale modelos de aprendizaje profundo en hardware distribuido con DeepSpeed.
• Implemente y experimente con las funciones de DeepSpeed para la optimización y la eficiencia de la memoria.

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar explícitamente programadas. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones de datos de aprendizaje y estructuras como las redes neuronales.

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.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a analistas de negocios, científicos de datos y desarrolladores que desean crear e implementar modelos de aprendizaje profundo para acelerar el crecimiento de los ingresos y resolver problemas en el mundo empresarial.

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

• Comprender los conceptos básicos del aprendizaje automático y el aprendizaje profundo.
• Obtenga información sobre el futuro de los negocios y la industria con ML y DL.
• Defina estrategias y soluciones de negocio con deep learning.
• Aprenda a aplicar la ciencia de datos y el aprendizaje profundo en la resolución de problemas empresariales.
• Cree modelos de aprendizaje profundo con Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

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

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

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

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