Cursos de Aprendizaje profundo en Austin

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

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

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.

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

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 hecho con expresión, velocidad y modularidad en mente. Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco. Después de completar este curso, los delegados podrán:

• entender la estructura de Caffe y los mecanismos de despliegue
• llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración
• evaluar la calidad del código, realizar depuración, monitoreo
• implementar la producción avanzada como modelos de entrenamiento, implementación de capas y registro

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

Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)
 

OpenNN es una biblioteca de clases de código abierto escrita en C ++ que implementa redes neuronales para su uso en aprendizaje automático. En este curso repasaremos los principios de las redes neuronales y utilizaremos OpenNN para implementar una aplicación de muestra. Audiencia      Desarrolladores de software y programadores que deseen crear aplicaciones de Deep Learning. Formato del curso      Conferencia y discusión junto con ejercicios prácticos.

OpenNMT es un sistema de traducción de máquina neural completo, de código abierto (MIT) que utiliza el juego de herramientas matemático de la Antorcha. En esta capacitación, los participantes aprenderán cómo configurar y utilizar OpenNMT para llevar a cabo la traducción de varios conjuntos de datos de muestra. El curso comienza con una visión general de las redes neuronales que se aplican a la traducción automática. Los participantes realizarán ejercicios en vivo para demostrar su comprensión de los conceptos aprendidos y obtener retroalimentación del instructor. Al final de este entrenamiento, los participantes tendrán los conocimientos y la práctica necesarios para implementar una solución OpenNMT en vivo. Las muestras de idioma fuente y de destino pueden pre-arreglarse según los requisitos del cliente. Audiencia
Ingenieros de traducción y localización Formato del curso Parte conferencia, discusión de parte, práctica práctica pesada

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.

PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu. En esta capacitación en vivo dirigida por un instructor, 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
• Configure 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, discusión en parte, ejercicios y práctica práctica

OpenFace es un software de reconocimiento facial en tiempo real basado en Python y Torch basado en la investigación FaceNet de Google. En esta capacitación en vivo dirigida por un instructor, 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: Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC, Torch y nn4 para implementar la detección de rostros, la alineación y la transformación.
Aplique 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, discusión en parte, ejercicios y práctica práctica

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 a usar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes. Al final de esta capacitación, los participantes podrán:

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

Audiencia

• Desarrolladores
• Ingenieros
• Expertos de dominio

Formato del curso

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

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados ​​en el aprendizaje de representaciones de datos y estructuras tales como redes neuronales. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde los principales programas comerciales hasta los sistemas de gestión de riesgos. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para finanzas usando R a medida que avanzan en la creación de un modelo de predicción del precio de las acciones de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo
• Aprende las aplicaciones y usos del aprendizaje profundo en finanzas
• Use R para crear modelos de aprendizaje profundo para finanzas
• Construya su propio modelo de predicción del precio de las acciones de aprendizaje profundo utilizando R

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados ​​en el aprendizaje de representaciones de datos y estructuras tales como redes neuronales. Python es un lenguaje de programación de alto nivel famoso por su clara sintaxis y legibilidad de código. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para la banca usando Python mientras avanzan en la creación de un modelo de riesgo de crédito de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo
• Aprende las aplicaciones y usos del aprendizaje profundo en la banca
• Utilice Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para la banca
• Construya su propio modelo de riesgo de crédito de aprendizaje profundo usando Python

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados ​​en el aprendizaje de representaciones de datos y estructuras tales como redes neuronales. R es un lenguaje de programación popular en la industria financiera. Se utiliza en aplicaciones financieras que van desde los principales programas comerciales hasta los sistemas de gestión de riesgos. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para la banca usando R a medida que avanzan en la creación de un modelo de riesgo de crédito de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo
• Aprende las aplicaciones y usos del aprendizaje profundo en la banca
• Use R para crear modelos de aprendizaje profundo para la banca
• Construya su propio modelo de riesgo de crédito de aprendizaje profundo usando R

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados ​​en el aprendizaje de representaciones de datos y estructuras tales como redes neuronales. Python es un lenguaje de programación de alto nivel famoso por su clara sintaxis y legibilidad de código. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para las finanzas usando Python mientras avanzan en la creación de un modelo de predicción del precio de las acciones de aprendizaje profundo. Al final de esta capacitación, los participantes podrán:

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

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

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

Introducción: El aprendizaje profundo se está convirtiendo en un componente principal del diseño de productos futuros que quiere incorporar inteligencia artificial en el corazón de sus modelos. Dentro de los próximos 5 a 10 años, las herramientas de desarrollo de Aprendizaje Profundo, las bibliotecas y los idiomas se convertirán en componentes estándar de cada conjunto de herramientas de desarrollo de software. Hasta ahora, Google, Sales Force, Facebook, Amazon han utilizado con éxito la IA de aprendizaje profundo para impulsar sus negocios. Las aplicaciones iban desde la traducción automática automática, análisis de imágenes, análisis de video, análisis de movimiento, generación de publicidad dirigida y mucho más. Este curso está dirigido a aquellas organizaciones que desean incorporar Aprendizaje Profundo como parte muy importante de su estrategia de producto o servicio. A continuación se muestra el esquema del curso de aprendizaje profundo que podemos personalizar para diferentes niveles de empleados / partes interesadas en una organización. Público objetivo: (Dependiendo del público objetivo, los materiales del curso serán personalizados) Ejecutivos Una descripción general de AI y cómo encaja en la estrategia corporativa, con sesiones de trabajo sobre planificación estratégica, hojas de ruta tecnológicas y asignación de recursos para garantizar el máximo valor. Gerentes de proyecto Cómo planificar un proyecto de AI, incluida la recopilación y evaluación de datos, la limpieza y verificación de datos, el desarrollo de un modelo de prueba de concepto, la integración en los procesos comerciales y la entrega en toda la organización. Desarrolladores Entrenamientos técnicos detallados, con enfoque en redes neuronales y aprendizaje profundo, análisis de imágenes y video (CNN), análisis de sonido y texto (NLP) y llevar la inteligencia artificial a las aplicaciones existentes. Vendedores Una visión general de AI y cómo puede satisfacer las necesidades de los clientes, propuestas de valor para varios productos y servicios, y cómo disipar los temores y promover los beneficios de la IA.

Esta 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 estar programadas explícitamente. Deep Learning es un subcampo de Machine Learning que intenta imitar el funcionamiento del cerebro humano al tomar decisiones. Está entrenado con datos para brindar soluciones automáticas a los problemas. Deep Learning ofrece amplias oportunidades para la industria médica, que está instalada 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 casos para comprender los fundamentos del aprendizaje profundo. Se evaluarán las herramientas y técnicas de aprendizaje profundo más importantes y se llevarán a cabo ejercicios para preparar a los participantes para llevar a cabo su propia evaluación e implementación de soluciones de aprendizaje profundo dentro de sus organizaciones. Al final de esta capacitación, los participantes podrán:

• Comprender los fundamentos del Aprendizaje Profundo
• Aprende técnicas de aprendizaje profundo y sus aplicaciones en la industria
• Examine problemas en medicina que pueden ser resueltos por las tecnologías Deep Learning
• Explore casos de estudio de Deep Learning en medicina
• Formule 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 de parte, discusión en parte, ejercicios y práctica práctica

Nota

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

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