Curso de Fraud Detection with Python and 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 en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a científicos de datos e ingenieros de software que deseen usar Dask con el ecosistema Python para crear, escalar y analizar grandes conjuntos de datos.

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

• Configure el entorno para comenzar a crear procesamiento de big data con Dask y Python.
• Explora las funciones, bibliotecas, herramientas y API disponibles en Dask.
• Comprenda cómo Dask acelera la computación paralela en Python.
• Aprenda a escalar el ecosistema de Python (Numpy, SciPy y Pandas) usando Dask.
• Optimice el entorno de Dask para mantener un alto rendimiento en el manejo de grandes conjuntos de datos.

This instructor-led, live training in España (online or onsite) is aimed at intermediate-level Python developers and data analysts who wish to enhance their skills in data analysis and manipulation using Pandas and NumPy.

By the end of this training, participants will be able to:

• Set up a development environment that includes Python, Pandas, and NumPy.
• Create a data analysis application using Pandas and NumPy.
• Perform advanced data wrangling, sorting, and filtering operations.
• Conduct aggregate operations and analyze time series data.
• Visualize data using Matplotlib and other visualization libraries.
• Debug and optimize their data analysis code.

En esta capacitación en vivo dirigida por un instructor en España, 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 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 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 España (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 España (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.

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

En esta capacitación en vivo dirigida por un instructor en España (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:

• Entrenar, exportar y servir diversos modelos TensorFlow.
• Probar y deployar algoritmos utilizando una única arquitectura y conjunto de APIs.
• Extender TensorFlow Serving para servir otros tipos de modelos além de los modelos TensorFlow.

TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Go ogle para Deep Learning . El sistema está diseñado para facilitar la investigación en aprendizaje automático y para hacer que la transición del prototipo de investigación al sistema de producción sea rápida y fácil.

Audiencia

Este curso está dirigido a ingenieros que buscan usar TensorFlow para sus proyectos de Deep Learning .

Después de completar este curso, los delegados:

• Comprender la estructura y los mecanismos de despliegue de TensorFlow .
• Ser capaz de realizar tareas de configuración / entorno de producción / arquitectura y configuración.
• ser capaz de evaluar la calidad del código, realizar la depuración, monitoreo
• Ser capaz de implementar producción avanzada como modelos de capacitación, creación de gráficos y registro.

Este curso explora, con ejemplos específicos, la aplicación de Tensor Flow a los fines del reconocimiento de imágenes.

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para los fines del reconocimiento de imágenes.

Después de completar este curso, los delegados podrán:

• Comprender la estructura y los mecanismos de despliegue de TensorFlow .
• 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, construcción de gráficos y registro.

En esta capacitación en vivo dirigida por un instructor en España, 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 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 el conocimiento conceptual en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).

La Parte 1 (40%) de esta capacitación se centra más en los fundamentos, pero lo 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 facilita la escritura de modelos de aprendizaje profundo.

La Parte 3 (40%) de la capacitación se basaría ampliamente en Tensorflow: API de segunda generación de la biblioteca de software de código abierto de Go ogle para Deep Learning . Los ejemplos y handson se realizarían en TensorFlow .

Audiencia

Este curso está destinado a ingenieros que buscan utilizar TensorFlow para sus proyectos de Deep Learning

Después de completar este curso, los delegados:

• tener un buen conocimiento de las redes neuronales profundas (DNN), CNN y RNN

• Comprender la estructura y los mecanismos de implementación de TensorFlow

• ser capaz de llevar a cabo tareas de instalación / entorno de producción / arquitectura y configuración

• ser capaz de evaluar la calidad del código, realizar depuración, monitoreo

• ser capaz de implementar producción avanzada como modelos de capacitación, creación de gráficos y registro