Cursos de Aprendizaje profundo en España

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a profesionales de finanzas de nivel intermedio, desarrolladores de tecnología financiera y especialistas en IA que deseen implementar soluciones de IA Edge en servicios financieros.Al final de esta capacitación, los participantes serán capaces de:

• Comprenda el papel de Edge AI en los servicios financieros.
• Implemente sistemas de detección de fraude utilizando Edge AI.
• Mejore el servicio al cliente a través de soluciones impulsadas por IA.
• Aplique Edge AI para la gestión de riesgos y la toma de decisiones.
• Implemente y gestione soluciones de IA perimetral en entornos financieros.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros industriales de nivel intermedio, profesionales de la fabricación y desarrolladores de IA que deseen implementar soluciones de IA de borde en la automatización industrial.Al final de esta capacitación, los participantes serán capaces de:

• Comprenda el papel de la IA perimetral en la automatización industrial.
• Implemente soluciones de mantenimiento predictivo utilizando Edge AI.
• Aplicar técnicas de IA para el control de calidad en los procesos de fabricación.
• Optimice los procesos industriales utilizando Edge AI.
• Implemente y gestione soluciones de IA perimetral en entornos industriales.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a científicos de datos de nivel intermedio a avanzado, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de texto a imagen.Al final de esta capacitación, los participantes serán capaces de:

• Comprender arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de texto a imagen.
• Implemente modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimice el rendimiento y la escalabilidad para grandes conjuntos de datos y modelos complejos.
• Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integre Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores de IA de nivel intermedio, ingenieros de aprendizaje automático y arquitectos de sistemas que deseen optimizar los modelos de IA para la implementación en el borde.Al final de esta capacitación, los participantes serán capaces de:

• Comprenda los desafíos y los requisitos de la implementación de modelos de IA en dispositivos perimetrales.
• Aplique técnicas de compresión de modelos para reducir el tamaño y la complejidad de los modelos de IA.
• Utilice métodos de cuantificación para mejorar la eficiencia del modelo en el hardware perimetral.
• Implemente técnicas de poda y otras técnicas de optimización para mejorar el rendimiento del modelo.
• Implemente modelos de IA optimizados en varios dispositivos perimetrales.

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.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores de nivel principiante a intermedio que deseen utilizar modelos de lenguaje grandes para diversas tareas de lenguaje natural. Al final de esta capacitación, los participantes serán capaces de:

Configure un entorno de desarrollo que incluya un LLM popular. Cree un LLM básico y ajústelo en un conjunto de datos personalizado. Utilice los LLM para diferentes tareas de lenguaje natural, como el resumen de textos, la respuesta a preguntas, la generación de textos, etc. Depura y evalúa los LLM con herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores de visión por computadora que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.Al final de esta capacitación, los participantes podrán:

• Comprender los principios de la Difusión Estable y cómo funciona para la generación de imágenes.
• Cree y entrene modelos de difusión estable para tareas de generación de imágenes.
• Aplique Difusión estable a diversos escenarios de generación de imágenes, como pintura interior, pintura exterior y traducción de imagen a imagen.
• Optimice el rendimiento y la estabilidad de los modelos de Stable Diffusion

 

Esta capacitación en vivo dirigida por un instructor en España (en línea o presencial) está dirigida a biólogos que deseen comprender cómo funciona AlphaFold y usar modelos AlphaFold como guías en sus estudios experimentales. Al final de esta capacitación, los participantes serán capaces de:

• Comprender los principios básicos de AlphaFold.
• Aprenda cómo funciona AlphaFold.
• Aprenda a interpretar AlphaFold las predicciones y los resultados.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de IA que deseen aprovechar TensorFlow Lite para aplicaciones de IA perimetral.Al final de esta capacitación, los participantes serán capaces de:

• Comprenda los fundamentos de TensorFlow Lite y su papel en Edge AI.
• Desarrolle y optimice modelos de IA con TensorFlow Lite.
• Implemente TensorFlow modelos Lite en varios dispositivos perimetrales.
• Utilice herramientas y técnicas para la conversión y optimización de modelos.
• Implemente aplicaciones prácticas de IA perimetral con TensorFlow Lite.

En esta capacitación en vivo dirigida por un instructor en España, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y de vanguardia en Python a medida que crean una serie de aplicaciones de demostración que involucran imágenes, música, texto y datos financieros. Al final de esta capacitación, los participantes serán capaces de:

• Implemente algoritmos y técnicas de aprendizaje automático para resolver problemas complejos.
• Aplique el aprendizaje profundo y el aprendizaje semisupervisado a aplicaciones que involucran imágenes, música, texto y datos financieros.
• Lleve los algoritmos Python a su máximo potencial.
• Utilice bibliotecas y paquetes como NumPy y Theano.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores y científicos de datos que deseen aprender los fundamentos de Deep Reinforcement Learning a medida que avanzan en la creación de un agente de aprendizaje profundo. Al final de esta capacitación, los participantes serán capaces de:

• Comprender los conceptos clave detrás de Deep Reinforcement Learning y ser capaz de distinguirlo del Machine Learning.
• Aplicar algoritmos avanzados Reinforcement Learning para resolver problemas del mundo real.
• Cree un agente de aprendizaje profundo.

En esta capacitación en vivo dirigida por un instructor en España, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecomunicaciones utilizando Python a medida que avanzan en la creación de un modelo de riesgo crediticio de aprendizaje profundo. Al final de esta capacitación, los participantes serán capaces de:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Conozca las aplicaciones y usos del aprendizaje profundo en las telecomunicaciones.
• Utilice Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para telecomunicaciones.
• Cree su propio modelo de predicción de pérdida de clientes de aprendizaje profundo con Python.

Este curso es una descripción general de Deep Learning sin profundizar demasiado en ningún método específico. Es adecuado para las personas que desean comenzar a utilizar el aprendizaje profundo para mejorar su precisión de predicción.

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.

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.

Caffe es un marco de aprendizaje profundo creado teniendo en cuenta la expresión, la velocidad y la modularidad. Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando MNIST como ejemplo Audiencia Este curso es adecuado para 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.
• 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, implementación de capas y registro.

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.

Este curso cubre AI (enfatizando el Machine Learning y Deep Learning ) en la industria Automotive . Ayuda a determinar qué tecnología puede usarse (potencialmente) en múltiples situaciones en un automóvil: desde la automatización simple, el reconocimiento de imágenes hasta la toma de decisiones autónoma.

Este curso cubre AI (enfatizando el Machine Learning y Deep Learning )

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo configurar y usar OpenNMT para llevar a cabo la traducción de varios conjuntos de datos de muestra. El curso comienza con una descripción general de las redes neuronales que se aplican a la traducción automática. Los participantes realizarán ejercicios en vivo durante todo el curso para demostrar su comprensión de los conceptos aprendidos y recibir comentarios del instructor. Al final de esta capacitación, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución OpenNMT vivo. Las muestras de idioma de origen y destino se preorganizarán según los requisitos de la audiencia.

Formato del curso

• Conferencia parcial, discusión parcial, práctica práctica intensa

Tipo: Formación teórica con aplicaciones acordadas de antemano con los alumnos sobre Lasaña o Keras según el grupo pedagógico Método didáctico: presentación, intercambios y estudios de casos La inteligencia artificial, después de haber irrumpido en muchos campos científicos, ha comenzado a revolucionar un gran número de sectores económicos (industria, medicina, comunicación, etc.). Sin embargo, su presentación en los principales medios de comunicación es a menudo una fantasía, muy alejada de lo que realmente son los campos de Machine Learning o Deep Learning. El objetivo de esta formación es proporcionar a los ingenieros que ya tienen un dominio de las herramientas informáticas (incluyendo una programación básica de software) una introducción a Deep Learning así como a sus diferentes áreas de especialización y por tanto a las principales arquitecturas de red existentes en la actualidad. Si se recuerdan los conceptos básicos de matemáticas durante el curso, se recomienda un nivel de matemáticas del tipo BAC+2 para mayor comodidad. Es absolutamente posible saltarse el eje matemático para mantener solo una visión de "sistema", pero este enfoque limitará en gran medida su comprensión del tema.

PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu En este entrenamiento en vivo instruido, los participantes aprenderán a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios Al final de esta capacitación, los participantes podrán: Configurar y configurar PaddlePaddle Configurar una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .

OpenFace es un software de reconocimiento facial en tiempo real basado en Python y Torch basado en la investigación FaceNet de Google En este entrenamiento en vivo instruido, los participantes aprenderán a usar los componentes de OpenFace para crear y desplegar una aplicación de reconocimiento facial de muestra Al final de esta capacitación, los participantes podrán: Trabajar con los componentes de OpenFace, incluidos dlib, OpenVC, Torch y nn4 para implementar la detección de rostros, la alineación y la transformación Aplicar OpenFace a aplicaciones del mundo real tales como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etc Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas para Machine Learning con R a medida que avanzan en la creación de una aplicación del mundo real. Al final de esta capacitación, los participantes serán capaces de:

• Comprender e implementar técnicas de aprendizaje no supervisado
• Aplique la agrupación en clústeres y la clasificación para realizar predicciones basadas en datos del mundo real.
• Visualice los datos para obtener información rápidamente, tomar decisiones y perfeccionar aún más el análisis.
• Mejore el rendimiento de un modelo de aprendizaje automático mediante el ajuste de hiperparámetros.
• Ponga un modelo en producción para usarlo en una aplicación más grande.
• Aplique técnicas avanzadas de aprendizaje automático para responder preguntas relacionadas con datos de redes sociales, big data y más.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes. Al final de esta capacitación, los participantes podrán:

• Construye un modelo de aprendizaje profundo
• Automatizar el etiquetado de datos
• Trabaja con modelos de Caffe y TensorFlow - Keras
• Entrene datos utilizando múltiples GPU , la nube o clústeres

Audiencia

• Desarrolladores
• Ingenieros
• Expertos en dominios

Formato del curso

• Conferencia parcial, discusión parcial, 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 ser programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones y estructuras de datos de aprendizaje, como las redes neuronales. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde programas comerciales centrales hasta sistemas de gestión de riesgos. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para las finanzas usando R a medida que avanzan en la creación de un modelo de predicción de precios de acciones de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Aprenda 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 de precios de acciones de aprendizaje profundo usando R

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• Conferencia parcial, discusión parcial, 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 ser programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones y estructuras de datos de aprendizaje, como las 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 utilizando Python 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.
• Aprenda las aplicaciones y usos del aprendizaje profundo en la banca
• Use 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 parcial, discusión parcial, 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 ser programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones y estructuras de datos de aprendizaje, como las redes neuronales. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde programas comerciales centrales hasta 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 utilizando 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.
• Aprenda las aplicaciones y usos del aprendizaje profundo en la banca
• Use R para crear modelos de aprendizaje profundo para la banca
• Construir su propio modelo de riesgo crediticio de aprendizaje profundo usando R

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• Conferencia parcial, discusión parcial, 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 ser programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en representaciones y estructuras de datos de aprendizaje, como las 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 medida que avanzan en la creación de un modelo de predicción de precios de acciones de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Aprenda las aplicaciones y usos del aprendizaje profundo en finanzas
• Use Python , Keras y TensorFlow para crear modelos de aprendizaje profundo para finanzas
• Construya su propio modelo de predicción de precios de acciones de aprendizaje profundo usando Python

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• Conferencia parcial, discusión parcial, ejercicios y práctica práctica.

Introducción: El aprendizaje profundo se está convirtiendo en un componente principal del diseño de productos futuros que desean incorporar inteligencia artificial en el corazón de sus modelos. Dentro de los próximos 5 a 10 años, las herramientas, bibliotecas y lenguajes de desarrollo de aprendizaje profundo se convertirán en componentes estándar de cada kit de herramientas de desarrollo de software. Hasta ahora Google, Sales Force, Facebook, Amazon han estado utilizando con éxito la IA de aprendizaje profundo para impulsar su negocio. Las aplicaciones iban desde la traducción automática de máquinas, análisis de imágenes, análisis de video, análisis de movimiento, generación de publicidad dirigida y muchos más. Este curso está dirigido a aquellas organizaciones que desean incorporar Deep Learning como parte muy importante de su estrategia de producto o servicio. A continuación se muestra el resumen 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 visión general de la IA 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 IA, 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 Capacitaciones técnicas en profundidad, con enfoque en redes neuronales y aprendizaje profundo, análisis de imágenes y video (CNN), análisis de sonido y texto (NLP) y llevar la IA a las aplicaciones existentes. Vendedores Una visión general de la IA y cómo puede satisfacer las necesidades de los clientes, propuestas de valor para diversos productos y servicios, y cómo disipar los temores y promover los beneficios de la IA.

Esta sesión de capacitación en el aula contendrá presentaciones y ejemplos basados en computadora y ejercicios de estudio de casos para realizar con bibliotecas de redes neuronales y profundas relevantes

Machine Learning es una rama de la inteligencia artificial en la que las computadoras tienen la capacidad de aprender sin ser programadas explícitamente. Deep Learning es un subcampo de Machine Learning que intenta imitar el funcionamiento del cerebro humano en la toma de decisiones. Está entrenado con datos para proporcionar automáticamente soluciones a los problemas. Deep Learning ofrece grandes oportunidades para la industria médica que se encuentra en una mina de oro de datos. En esta capacitación en vivo dirigida por un instructor, los participantes tomarán parte en una serie de discusiones, ejercicios y análisis de estudios de caso para comprender los fundamentos del Deep Learning . Se evaluarán las herramientas y técnicas de Deep Learning más importantes y se realizarán ejercicios para preparar a los participantes para llevar a cabo su propia evaluación e implementación de soluciones de Deep Learning dentro de sus organizaciones. Al final de esta capacitación, los participantes podrán:

• Comprender los fundamentos del Deep Learning
• Aprenda técnicas de Deep Learning y sus aplicaciones en la industria.
• Examinar problemas en medicina que pueden resolverse mediante tecnologías de Deep Learning
• Explore los estudios de caso de Deep Learning en medicina
• Formular una estrategia para adoptar las últimas tecnologías en Deep Learning para resolver problemas en medicina

Audiencia

• Gerentes
• Profesionales médicos en roles de liderazgo.

Formato del curso

• Conferencia parcial, discusión parcial, ejercicios y práctica práctica.

Nota

• Para solicitar una capacitación personalizada para este curso, contáctenos para organizarlo.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros de software que deseen programar en Python con OpenCV 4 para el aprendizaje profundo. Al final de esta capacitación, los participantes serán capaces de:

• Vea, cargue y clasifique imágenes y vídeos con OpenCV 4.
• Implemente el aprendizaje profundo en OpenCV 4 con TensorFlow y Keras.
• Ejecute modelos de aprendizaje profundo y genere informes impactantes a partir de imágenes y vídeos.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores que desean crear modelos de detección y seguimiento de objetos acelerados por hardware para analizar datos de transmisión de video. Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure el entorno de desarrollo, el software y las bibliotecas necesarias para comenzar a desarrollar.
• Cree, entrene e implemente modelos de aprendizaje profundo para analizar transmisiones de video en vivo.
• Identifique, rastree, segmente y prediga diferentes objetos dentro de los fotogramas de video.
• Optimice los modelos de detección y seguimiento de objetos.
• Implemente una aplicación de análisis de vídeo inteligente (IVA).

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores y científicos de datos que deseen aplicar redes neuronales convolucionales (CNN) al análisis de imágenes de resonancia magnética. Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure el entorno de desarrollo, el software y las bibliotecas necesarias para comenzar a desarrollar.
• Analice imágenes de resonancia magnética utilizando técnicas de aprendizaje profundo como CNN.
• Detectar posibles condiciones de salud, como enfermedades cardíacas, a través del análisis de resonancias magnéticas.
• Aplicar técnicas como la segmentación de imágenes y el entrenamiento CNN para identificar posibles enfermedades.
• Identificar la genómica de una enfermedad mediante radiómica.
• Cree e implemente una aplicación de aprendizaje profundo destinada al análisis de imágenes sanitarias.

Esta capacitación en vivo dirigida por un instructor en España (en línea o presencial) está dirigida a investigadores y desarrolladores que desean instalar, configurar, personalizar y utilizar la plataforma DeepMind Lab para desarrollar sistemas generales de inteligencia artificial y aprendizaje automático.Al final de esta formación, los participantes serán capaces de:

• Personalice DeepMind Lab para crear y ejecutar un entorno que se adapte a las necesidades de aprendizaje y formación.
• Utilice el entorno de simulación 3D de DeepMind Lab para entrenar a los agentes de aprendizaje en un punto de vista en primera persona.
• Facilite la evaluación de los agentes para desarrollar la inteligencia en un mundo similar a un juego en 3D.

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.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores que desean usar TensorFlow Lite para implementar modelos de aprendizaje profundo en dispositivos integrados. Al final de esta capacitación, los participantes serán capaces de:

• Instala y configura Tensorflow Lite en un dispositivo integrado.
• Comprender los conceptos y componentes subyacentes TensorFlow Lite.
• Convierta los modelos existentes al formato TensorFlow Lite para ejecutarlos en dispositivos integrados.
• Trabaje dentro de las limitaciones de los dispositivos pequeños y TensorFlow Lite, mientras aprende a ampliar el alcance de las operaciones que se pueden ejecutar.
• Implemente un modelo de aprendizaje profundo en un dispositivo integrado que ejecute Linux.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores que desean utilizar TensorFlow Lite para desarrollar aplicaciones móviles con capacidades de aprendizaje profundo. Al final de esta capacitación, los participantes serán capaces de:

• Instalar y configurar TensorFlow Lite.
• Comprende los principios detrás de TensorFlow, el aprendizaje automático y el aprendizaje profundo.
• Cargue modelos de TensorFlow en un dispositivo Android.
• Habilite la funcionalidad de aprendizaje profundo y aprendizaje automático, como la visión artificial y el reconocimiento de lenguaje natural en una aplicación móvil.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros que desean escribir, cargar y ejecutar modelos de aprendizaje automático en dispositivos integrados muy pequeños. Al final de esta capacitación, los participantes serán capaces de:

• Instalar TensorFlow Lite.
• Cargue modelos de aprendizaje automático en un dispositivo integrado para permitirle detectar voz, clasificar imágenes, etc.
• Agregue IA a los dispositivos de hardware sin depender de la conectividad de red.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a desarrolladores que deseen utilizar TensorFlow Lite para desarrollar aplicaciones móviles iOS con capacidades de aprendizaje profundo. Al final de esta capacitación, los participantes serán capaces de:

• Instalar y configurar TensorFlow Lite.
• Comprende los principios detrás de TensorFlow y el aprendizaje automático en dispositivos móviles.
• Cargue modelos de TensorFlow en un dispositivo iOS.
• Ejecute una aplicación iOS capaz de detectar y clasificar un objeto capturado a través de la cámara del dispositivo.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a investigadores y desarrolladores que deseen usar Chainer para construir y entrenar redes neuronales en Python mientras hacen que el código sea fácil de depurar. Al final de esta capacitación, los participantes serán capaces de:

• Configure el entorno de desarrollo necesario para comenzar a desarrollar modelos de redes neuronales.
• Defina e implemente modelos de redes neuronales utilizando un código fuente comprensible.
• Ejecute ejemplos y modifique los algoritmos existentes para optimizar los modelos de entrenamiento de aprendizaje profundo mientras aprovecha GPUs para obtener un alto rendimiento.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a desarrolladores o científicos de datos que deseen usar Horovod para ejecutar capacitaciones de aprendizaje profundo distribuidas y escalarlas para que se ejecuten en varias GPU en paralelo. Al final de esta capacitación, los participantes serán capaces de:

• Configure el entorno de desarrollo necesario para comenzar a ejecutar entrenamientos de aprendizaje profundo.
• Instala y configura Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escale el entrenamiento de aprendizaje profundo con Horovod para ejecutarlo en varias GPU.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a científicos de datos que desean acelerar las aplicaciones de aprendizaje automático en tiempo real e implementarlas a escala. Al final de esta capacitación, los participantes serán capaces de:

• Instale el kit de herramientas OpenVINO.
• Acelere una aplicación de visión artificial mediante una FPGA.
• Ejecute diferentes capas de CNN en la FPGA.
• Escale la aplicación en varios nodos de un clúster de Kubernetes.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a científicos de datos que desean usar Apache MXNet para construir e implementar un modelo de aprendizaje profundo para el reconocimiento de imágenes. Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure Apache MXNet y sus componentes.
• Comprender la arquitectura y las estructuras de datos de MXNet.
• Utilice las API de bajo y alto nivel de Apache MXNet para crear redes neuronales de manera eficiente.
• Construya una red neuronal convolucional para la clasificación de imágenes.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a personas técnicas que desean aplicar el modelo de aprendizaje profundo a las aplicaciones de reconocimiento de imágenes. Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure Keras.
• Cree rápidamente prototipos de modelos de aprendizaje profundo.
• Implementar una red convolucional.
• Implementar una red recurrente.
• Ejecute un modelo de aprendizaje profundo tanto en una CPU como en una GPU.

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.

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.

Torch es una biblioteca de aprendizaje automático de código abierto y un marco informático científico basado en el Lua programación Lua . Proporciona un entorno de desarrollo para numéricos, aprendizaje automático y visión por computadora, con un énfasis particular en el aprendizaje profundo y las redes convolucionales. Es uno de los marcos más rápidos y flexibles para Machine and Deep Learning y lo utilizan empresas como Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel y muchas otras. En esta capacitación en vivo dirigida por un instructor, cubrimos los principios de Torch , sus características únicas y cómo se puede aplicar en aplicaciones del mundo real. Realizamos numerosos ejercicios prácticos durante todo el tiempo, demostrando y practicando los conceptos aprendidos. Al final del curso, los participantes tendrán una comprensión profunda de las características y capacidades subyacentes de Torch , así como su papel y contribución dentro del espacio de IA en comparación con otros marcos y bibliotecas. Los participantes también habrán recibido la práctica necesaria para implementar Torch en sus propios proyectos.

Formato del curso

• Descripción general de la máquina y Deep Learning
• Ejercicios de codificación e integración en clase.
• Preguntas de prueba esparcidas en el camino para verificar la comprensión

SINGA es una plataforma general de aprendizaje profundo distribuido para la capacitación de grandes modelos de aprendizaje profundo en grandes conjuntos de datos. Está diseñado con un modelo de programación intuitivo basado en la abstracción de la capa. Se admite una variedad de modelos populares de aprendizaje profundo, a saber, modelos de avance avanzado que incluyen redes neuronales convolucionales (CNN), modelos de energía como la máquina de Boltzmann restringida (RBM) y redes neuronales recurrentes (RNN). Muchas capas incorporadas se proporcionan para los usuarios. La arquitectura de SINGA es lo suficientemente flexible para ejecutar marcos de capacitación síncronos, asíncronos e híbridos. SINGA también admite diferentes esquemas de partición de redes neuronales para paralelizar la capacitación de modelos grandes, a saber, partición en dimensión de lote, dimensión de característica o partición híbrida. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Apache SINGA como marco de aprendizaje profundo. Después de completar este curso, los delegados:

• Entender la estructura y mecanismos de despliegue de SINGA.
• 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, términos de integración, creación de gráficos y registro

Deeplearning4j es una biblioteca de aprendizaje profundo de código abierto y distribuida escrita para Java y Scala . Integrado con Hadoop y Spark, el DL4J está diseñado para ser utilizado en entornos empresariales en GPU y CPU distribuidas. Word 2Vec es un método para calcular representaciones vectoriales de palabras introducidas por un equipo de investigadores en Go ogle liderado por Tomas Mikolov. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Deeplearning4J para construir modelos de Word 2Vec.