Cursos de Aprendizaje profundo en Venezuela

Esta formación en vivo (online o presencial) dirigida por un instructor está destinada a desarrolladores de nivel intermedio, científicos de datos y profesionales de IA que desean aprovechar TensorFlow Lite para aplicaciones de IA al borde.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos de TensorFlow Lite y su papel en la IA al borde.
• Desarrollar y optimizar modelos AI utilizando TensorFlow Lite.
• Implementar modelos TensorFlow Lite en diversos dispositivos de borde.
• Utilizar herramientas y técnicas para la conversión y optimización del modelo.
• Implementar aplicaciones prácticas de IA al borde utilizando TensorFlow Lite.

Esta formación en vivo, dirigida por un instructor (en línea o presencial) en Venezuela, está diseñada para profesionales avanzados que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos visuales sofisticados usando Google Colab.

Al final de esta formación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNNs) utilizando TensorFlow.
• Utilizar Google Colab para el desarrollo de modelos escalables y eficientes en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje transferido para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Este curso en vivo y guiado por un instructor (en línea o presencial) está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean entender y aplicar técnicas de aprendizaje profundo utilizando el entorno Google Colab.

Al finalizar este curso, los participantes podrán:

• Configurar y navegar por Google Colab para proyectos de aprendizaje profundo.
• Comprender los fundamentos de las redes neuronales.
• Implementar modelos de aprendizaje profundo utilizando TensorFlow.
• Entrenar y evaluar modelos de aprendizaje profundo.
• Utilizar funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen especializarse en técnicas de aprendizaje profundo de vanguardia para NLU.

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

• Comprender las diferencias clave entre los modelos NLU y NLP.
• Aplique técnicas avanzadas de aprendizaje profundo a las tareas de NLU.
• Explora arquitecturas profundas como transformadores y mecanismos de atención.
• Aproveche las tendencias futuras de NLU para crear sistemas de IA sofisticados.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) 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 formación, los participantes serán capaces de:

• Comprenda las 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 de grandes conjuntos de datos y modelos complejos.
• Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integración Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta formación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está destinada a profesionales de alto nivel que deseen aprovechar las técnicas de IA para revolucionar los procesos de descubrimiento y desarrollo de fármacos.

Al finalizar esta formación, los participantes podrán:

• Comprender el papel de la IA en el descubrimiento y desarrollo de medicamentos.
• Aplicar técnicas de aprendizaje automático para predecir propiedades moleculares e interacciones.
• Utilizar modelos de aprendizaje profundo para el cribado virtual y la optimización de fármacos líderes.
• Integrar enfoques impulsados por IA en el proceso de ensayos clínicos.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a biólogos que desean comprender cómo funciona AlphaFold y usar los modelos AlphaFold como guías en sus estudios experimentales.

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

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

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

Al final de esta formación, 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 Venezuela (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar modelos de lenguaje grandes para diversas tareas de lenguaje natural.

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

• Configure un entorno de desarrollo que incluya una 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 LLM con herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta capacitación en vivo dirigida por un instructor (en línea o presencial) 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 formación, los participantes serán capaces de:

• Comprender los principios de Stable Diffusion y cómo funciona para la generación de imágenes.
• Construya y entrene Stable Diffusion modelos para tareas de generación de imágenes.
• Aplique Stable Diffusion a varios escenarios de generación de imágenes, como la pintura interior, la pintura externa y la traducción de imagen a imagen.
• Optimice el rendimiento y la estabilidad de los modelos Stable Diffusion.

En este curso dirigido por un instructor y en vivo en Venezuela, los participantes aprenderán las técnicas de machine learning más relevantes y avanzadas en Python mientras construyen una serie de aplicaciones demo que involucran imágenes, música, texto y datos financieros.

Al finalizar este entrenamiento, los participantes serán capaces de:

• Implementar algoritmos y técnicas de machine learning para resolver problemas complejos.
• Aplicar deep learning y aprendizaje semi-supervisado a aplicaciones que involucran imágenes, música, texto y datos financieros.
• Llevar los algoritmos de Python a su máximo potencial.
• Utilizar bibliotecas y paquetes como NumPy y Theano.

El Deep Reinforcement Learning (DRL) combina los principios del aprendizaje por refuerzo con las arquitecturas de aprendizaje profundo para permitir que los agentes tomen decisiones a través de la interacción con sus entornos. Subyace a muchos avances modernos en IA, como vehículos autónomos, control robótico, trading algorítmico y sistemas de recomendación adaptativos. El DRL permite que un agente artificial aprenda estrategias, optimice políticas y tome decisiones autónomas basadas en el ensayo y error mediante el aprendizaje basado en recompensas.

Este entrenamiento dirigido por un instructor (en línea o presencial) está destinado a desarrolladores intermedios y científicos de datos que deseen aprender y aplicar técnicas de Deep Reinforcement Learning para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al final de este entrenamiento, los participantes serán capaces de:

• Entender los fundamentos teóricos y principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de RL, incluyendo Q-Learning, Policy Gradients y métodos Actor-Critic.
• Construir y entrenar agentes de Deep Reinforcement Learning usando TensorFlow o PyTorch.
• Aplicar DRL a aplicaciones del mundo real, como juegos, robótica y optimización de decisiones.
• Solucionar problemas, visualizar y optimizar el rendimiento de entrenamiento usando herramientas modernas.

Formato del Curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones prácticas.
• Demostraciones de codificación en vivo y aplicaciones basadas en proyectos.

Opciones de Personalización del Curso

• Para solicitar una versión personalizada de este curso (por ejemplo, utilizando PyTorch en lugar de TensorFlow), por favor contáctenos para arreglarlo.

En esta capacitación en vivo dirigida por un instructor en Venezuela, 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 formación, 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 utilizando Python.

Este curso ha sido creado para gerentes, arquitectos de soluciones, oficiales de innovación, CTO, arquitectos de software y todos los interesados en la visión general de la inteligencia artificial aplicada y el pronóstico más cercano para su desarrollo.

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

Esta formación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está destinada a participantes de nivel principiante que desean aprender conceptos esenciales de probabilidad, estadística, programación y aprendizaje automático, y aplicarlos al desarrollo de IA.

Al finalizar esta formación, los participantes podrán:

• Entender conceptos básicos de probabilidad y estadística, y aplicarlos a escenarios del mundo real.
• Escribir y entender código de programación procedimental, funcional y orientado a objetos.
• Implementar técnicas de aprendizaje automático como clasificación, agrupamiento y redes neuronales.
• Desarrollar soluciones de IA utilizando motores de reglas y sistemas expertos para resolver problemas.

La Red Neuronal Artificial es un modelo de datos computacional utilizado en el desarrollo de Artificial Intelligence (AI) sistemas capaces de realizar tareas "inteligentes". Neural Networks se utilizan comúnmente en aplicaciones Machine Learning (ML), que a su vez son una implementación de la IA. Deep Learning es un subconjunto de ML.

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 formación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está destinada a científicos de datos y estadísticos de nivel intermedio que desean preparar datos, construir modelos y aplicar técnicas de aprendizaje automático efectivamente en sus dominios profesionales.

Al finalizar esta formación, los participantes podrán:

• Comprender e implementar diversos algoritmos de Machine Learning.
• Preparar datos y modelos para aplicaciones de aprendizaje automático.
• Efectuar análisis post hoc y visualizar resultados de manera efectiva.
• Aplicar técnicas de aprendizaje automático a escenarios reales específicos del sector.

La Red Neuronal Artificial es un modelo de datos computacional utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las redes neuronales se utilizan comúnmente en aplicaciones de Aprendizaje Automático (ML), que a su vez son una implementación de la IA. El Aprendizaje Profundo es un subconjunto del ML.

Caffe es un marco de aprendizaje profundo diseñado con expresividad, velocidad y modularidad en mente.

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

Público

Este curso es adecuado para investigadores y ingenieros de Aprendizaje Profundo interesados en utilizar Caffe como marco.

Al completar este curso, los delegados podrán:

• comprender la estructura y los mecanismos de implementación de Caffe
• realizar tareas de instalación, configuración del entorno de producción y arquitectura
• evaluar la calidad del código, realizar depuraciones y monitoreo
• implementar producciones avanzadas como el entrenamiento de modelos, la implementación de capas y registro

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a investigadores y desarrolladores que desean usar Chainer para construir y entrenar redes neuronales en Python mientras hacen que el código sea fácil de depurar.

Al final de esta formación, 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 los GPUs para un alto rendimiento.

Computer Network Toolkit (CNTK) es el sistema de aprendizaje de la máquina de entrenamiento de RNN de Open Source, Multi-máquina, Multi-GPU, altamente eficiente de habla, texto e imágenes.

Audiencia

Este curso está dirigido a ingenieros y arquitectos con el objetivo de utilizar CNTK en sus proyectos.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) proporciona una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda aplicaciones prácticas en estadística, informática, procesamiento de señales, visión artificial, minería de datos y bioinformática.

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

• Aplicar métodos estadísticos básicos al reconocimiento de patrones.
• Utilice modelos clave como redes neuronales y métodos de kernel para el análisis de datos.
• Implementar técnicas avanzadas para la resolución de problemas complejos.
• Mejore la precisión de la predicción mediante la combinación de diferentes modelos.

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

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

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 el aprendizaje de representaciones y estructuras de datos, como las redes neuronales.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) 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 formación, 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 para resolver problemas empresariales.
• Construya modelos de aprendizaje profundo utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etcétera.

El aprendizaje automático es una rama de la Inteligencia Artificial en la que los ordenadores tienen la capacidad de aprender sin ser programados explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en el aprendizaje de representaciones y estructuras de datos, como las redes neuronales. Python es un lenguaje de programación de alto nivel famoso por su sintaxis clara 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 a medida que avanzan en la creación de un modelo de riesgo crediticio de aprendizaje profundo.

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

• Comprender los conceptos fundamentales del aprendizaje profundo
• Conozca 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 utilizando Python

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada

En este entrenamiento dirigido por un instructor y en vivo, los participantes aprenderán a utilizar bibliotecas de Python para NLP mientras crean una aplicación que procesa un conjunto de imágenes y genera subtítulos.

Al final de este entrenamiento, los participantes serán capaces de:

• Diseñar y codificar DL para NLP utilizando bibliotecas de Python.
• Crear código en Python que lea una colección sustancialmente grande de imágenes y genere palabras clave.
• Crear código en Python que genere subtítulos a partir de las palabras clave detectadas.

Audiencia

Este curso es adecuado para investigadores y ingenieros de Deep Learning interesados en utilizar 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 Venezuela (en línea o presencial) 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 formación, 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 a varios nodos de un clúster Kubernetes.

Esta formación dirigida por un instructor (en línea o presencial) está destinada a científicos de datos que deseen usar TensorFlow para analizar datos potencialmente fraudulentos.

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

• Crear un modelo de detección de fraude en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir fraudes.
• Desarrollar una aplicación de IA integral para analizar datos fraudulentos.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a desarrolladores o científicos de datos que deseen usar Horovod para ejecutar capacitaciones de aprendizaje profundo distribuidas y ampliarlas para que se ejecuten en múltiples GPU en paralelo.

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

• Configure el entorno de desarrollo necesario para comenzar a ejecutar capacitaciones de aprendizaje profundo.
• Instale y configure Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escale el entrenamiento de aprendizaje profundo con Horovod para que se ejecute en varios GPU.

La inteligencia artificial, después de haber molestó a muchos campos científicos, comenzó a revolucionar una amplia gama de sectores económicos (industria, la medicina, comunicaciones, etc.). Sin embargo, su presentación en los principales medios de comunicación a menudo es una fantasía, muy lejos de lo que realmente son las áreas de aprendizaje automático y Deep aprendizaje. El objetivo de esta formación es proporcionar a los ingenieros con conocimientos de computación (incluyendo la programación de software basado en) una introducción al aprendizaje profundo y sus diferentes áreas de especialización y por lo tanto las principales arquitecturas de red existentes Hoy. Si los fundamentos matemáticos se recuerdan durante el curso, se recomienda un tipo de nivel de alcoholemia matemática + 2 para una mayor comodidad. Es posible en absoluto ignorar el eje matemático para mantener sólo una visión "sistema", pero este enfoque limita en gran medida su comprensión del tema.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a personas técnicas que desean aplicar el modelo de aprendizaje profundo a las aplicaciones de reconocimiento de imágenes.

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

• Instalar y configurar 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 GPU.

En este curso dirigido por un instructor y en vivo, los participantes aprenderán a utilizar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes.

Al final de este entrenamiento, los participantes serán capaces de:

• Construir un modelo de aprendizaje profundo
• Automatizar la etiquetación de datos
• Trabajar con modelos de Caffe y TensorFlow-Keras
• Entrenar datos utilizando múltiples GPUs, la nube o clústeres

Público objetivo

• Desarrolladores
• Ingenieros
• Expertos en dominio

Formato del curso

• Parte exposición, parte discusión, ejercicios y mucha práctica hands-on

Este entrenamiento dirigido por un instructor, en vivo (en línea o en el sitio) está destinado a profesionales de nivel principiante a intermedio que desean desarrollar su comprensión de los algoritmos de aprendizaje automático, las técnicas de aprendizaje profundo y la toma de decisiones impulsada por IA. El curso proporciona una experiencia práctica con conceptos de aprendizaje automático, modelos de aprendizaje profundo e implementaciones prácticas usando R.

Al final de este entrenamiento, los participantes serán capaces de:

• Entender los fundamentos del aprendizaje automático y el aprendizaje profundo.
• Aplicar diversos algoritmos de aprendizaje automático para regresión, clasificación, clustering y detección de anomalías.
• Utilizar arquitecturas de aprendizaje profundo como redes neuronales artificiales (ANNs).
• Implementar modelos de aprendizaje supervisado y no supervisado.
• Evaluar el rendimiento del modelo y optimizar los hiperparámetros.
• Usar R para análisis de datos, visualización y aplicaciones de aprendizaje automático.

El entrenamiento está dirigido a personas que desean aprender los fundamentos de las redes neuronales y sus aplicaciones.

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

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a ingenieros de software que desean programar en Python con OpenCV 4 para el aprendizaje profundo.

Al final de esta formación, 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.

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.

Este curso es una introducción al uso de redes neuronales en problemas del mundo real utilizando el software R-project.

Este curso dirigido por un instructor (en línea o presencial) está destinado a desarrolladores y científicos de datos que deseen usar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales y más.

Al final de este entrenamiento, los participantes serán capaces de:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x sobre versiones anteriores.
• Construir modelos de aprendizaje profundo.
• Implementar un clasificador de imágenes avanzado.
• Desplegar un modelo de aprendizaje profundo en la nube, dispositivos móviles y sistemas IoT.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a ingenieros que desean escribir, cargar y ejecutar modelos de aprendizaje automático en dispositivos integrados muy pequeños.

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

• Instale 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.

En este entrenamiento dirigido por un instructor en Venezuela (en línea o presencial), los participantes aprenderán a configurar y usar TensorFlow Serving para desplegar y gestionar modelos ML en un entorno de producción.

Al final de este entrenamiento, los participantes podrán:

• Entrenar, exportar y servir diversos modelos de TensorFlow.
• Probar y desplegar algoritmos utilizando una sola arquitectura y conjunto de APIs.
• Extender TensorFlow Serving para servir 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 el aprendizaje profundo. El sistema está diseñado para facilitar la investigación en aprendizaje automático y para hacer que sea rápido y fácil pasar del prototipo de investigación al sistema de producción.

Audiencia

Este curso está destinado a ingenieros que deseen utilizar TensorFlow en sus proyectos de Aprendizaje Profundo.

Al completar este curso, los participantes podrán:

• comprender la estructura y mecanismos de implementación de TensorFlow
• realizar tareas de instalación, configuración del entorno de producción y arquitectura
• evaluar la calidad del código, realizar depuraciones y monitoreo
• implementar producciones avanzadas como el entrenamiento de modelos, construcción de gráficos y registro

Este curso explora, con ejemplos específicos, la aplicación de Tensor Flow para los propósitos de reconocimiento de imágenes

Audiencia

Este curso está destinado a ingenieros que buscan utilizar TensorFlow para fines de Reconocimiento de Imágenes

Al completar este curso, los delegados serán capaces de:

• entender la estructura y mecanismos de implementación de TensorFlow
• realizar tareas de instalación / entorno de producción / arquitectura y configuración
• evaluar la calidad del código, realizar depuraciones, monitoreo
• implementar producciones avanzadas como entrenamiento de modelos, construcción de gráficos y registro

Esta formación dirigida por un instructor, en vivo y en línea o presencial, está destinada a científicos de datos que deseen pasar de entrenar un solo modelo de ML a implementar varios modelos de ML en producción.

A finales de este curso, los participantes serán capaces de:

• Instalar y configurar TFX y las herramientas de terceros necesarias.
• Usar TFX para crear y administrar una pipeline completa de producción de ML.
• Trabajar con los componentes de TFX para llevar a cabo modelado, entrenamiento, inferencia y gestión de despliegues.
• Implementar características de machine learning en aplicaciones web, aplicaciones móviles, dispositivos IoT y más.

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 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