Cursos de TensorFlow

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

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

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

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.

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.

La Unidad de Procesamiento de Tensor (TPU) es la arquitectura que Google ha utilizado internamente durante varios años y ahora está disponible para el público en general. Incluye varias optimizaciones específicamente para su uso en redes neuronales, incluida la multiplicación simplificada de matrices, y enteros de 8 bits en lugar de 16 bits para devolver niveles adecuados de precisión. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aprovechar las innovaciones en los procesadores de TPU para maximizar el rendimiento de sus propias aplicaciones de inteligencia artificial. Al final de la capacitación, los participantes podrán:

• Entrenar varios tipos de redes neuronales en grandes cantidades de datos
• Use 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

Audiencia

• Desarrolladores
• Investigadores
• Ingenieros
• Científicos de datos

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

TensorFlow Serving es un sistema para servir modelos de aprendizaje automático (ML) a la producción. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a configurar y usar TensorFlow Serving para implementar y administrar modelos ML en un entorno de producción. Al final de esta capacitación, los participantes podrán:

• Entrene, exporte y sirva varios modelos de TensorFlow
• Pruebe e implemente algoritmos utilizando una única arquitectura y un conjunto de API
• Extienda TensorFlow Sirviendo para servir a otros tipos de modelos más allá de los modelos TensorFlow

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

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.

Deep Learning para NLP permite que una máquina aprenda procesamiento de lenguaje simple a complejo. Entre las tareas actualmente posibles se encuentran la traducción de idiomas y la generación de subtítulos para fotos. DL (Deep Learning) es un subconjunto de ML (Machine Learning). Python es un lenguaje de programación popular que contiene bibliotecas para Deep Learning para NLP. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar las bibliotecas de Python para el procesamiento de lenguaje natural (NLP) mientras crean una aplicación que procesa un conjunto de imágenes y genera leyendas. Al final de esta capacitación, los participantes podrán:

• Diseño y código DL para NLP utilizando bibliotecas Python
• Crear código de Python que lea una gran colección de imágenes y genere palabras clave
• Crear código Python que genere subtítulos de las palabras clave detectadas

Audiencia

• Programadores con interés en la lingüística
• Programadores que buscan una comprensión de NLP (procesamiento de lenguaje natural)

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

This is a 4 day course introducing AI and it's application. There is an option to have an additional day to undertake an AI project on completion of this course. 

TensorFlow es una biblioteca popular y de aprendizaje automático desarrollada por Go ogle para aprendizaje profundo, computación numérica y aprendizaje automático a gran escala. TensorFlow 2.0, lanzado en enero de 2019, es la versión más nueva de TensorFlow e incluye mejoras en la ejecución entusiasta, la compatibilidad y la coherencia de la API. Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) está dirigida a desarrolladores y científicos de datos que desean usar Tensorflow 2.0 para construir predictores, clasificadores, modelos generativos, redes neuronales, etc. Al final de esta capacitación, los participantes podrán:

• Instale y configure TensorFlow 2.0.
• Comprenda los beneficios de TensorFlow 2.0 sobre las versiones anteriores.
• Construir modelos de aprendizaje profundo.
• Implemente un clasificador de imagen avanzado.
• Implemente un modelo de aprendizaje profundo en la nube, dispositivos móviles e IoT.

Formato del curso

• Conferencia interactiva y discusión.
• Muchos ejercicios y práctica.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

• Para solicitar una capacitación personalizada para este curso, contáctenos para organizarlo.
• Para obtener más información sobre TensorFlow , visite: https://www.tensorflow.org/

TensorFlow.js es un marco de JavaScript para el aprendizaje de máquina. TensorFlow.js permite a los usuarios construir y entrenar modelos de aprendizaje de máquina directamente en JavaScript. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a científicos de datos que desean utilizar TensorFlow.js para identificar patrones y generar predicciones a través de modelos de aprendizaje de máquina. Al final de este curso, los participantes podrán:

Construir y entrenar modelos de aprendizaje de máquina con TensorFlow.js. Ejecuta los modelos de aprendizaje de máquina en el navegador o bajo Node.js. Retirar los modelos de aprendizaje de máquina preexistentes utilizando datos personalizados.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

TensorFlow Es una biblioteca de aprendizaje de máquina de código abierto. TensorFlow proporciona a los usuarios la capacidad de utilizar y crear inteligencia artificial para detectar y predecir fraudes. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a científicos de datos que desean utilizar TensorFlow para analizar datos potenciales de fraude. Al final de este curso, los participantes podrán:

Crea un modelo de detección de fraude en Python y TensorFlow. Construir regresión lineal y modelos de regresión lineal para predecir el fraude. Desarrollar una aplicación de inteligencia artificial end-to-end para analizar los datos de fraude.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

TensorFlow Extended (TFX) es una plataforma de fin a fin para el despliegue de los tubos de producción ML. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a científicos de datos que desean ir de la formación de un único modelo ML a la implementación de muchos modelos ML para la producción. Al final de este curso, los participantes podrán:

Instalar y configurar TFX y soportar herramientas de terceros. Utilice TFX para crear y gestionar un tubo de producción ML completo. Trabajar con los componentes de TFX para realizar la modelización, la formación, el servicio de la inferencia y la gestión de los despachos. Desploy funciones de aprendizaje de máquina a aplicaciones web, aplicaciones móviles, dispositivos IoT y más.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

Kubeflow Es un marco para el funcionamiento de las cargas de trabajo Machine Learning en Kubernetes. TensorFlow es una de las bibliotecas de aprendizaje de máquina más populares. Kubernetes es una plataforma de orquestación para la gestión de aplicaciones containerizadas. OpenShift es una plataforma de desarrollo de aplicaciones en la nube que utiliza Docker contenedores, organizados y gestionados por Kubernetes, sobre una base de Red Hat Enterprise Linux. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a ingenieros que desean implementar Machine Learning cargas de trabajo en una OpenShift nube on-premise o híbrido.

Al final de este curso, los participantes podrán: En la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior. Utilice OpenShift para simplificar el trabajo de la iniciación de un Kubernetes cluster. Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción. Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo. Póngase en contacto con los servicios de nube público (por ejemplo, los servicios de AWS) desde el interior OpenShift para ampliar una aplicación ML.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.