Python para el Aprendizaje Automático Avanzado
En este entrenamiento dirigido por un instructor y en vivo, los participantes aprenderán las técnicas más relevantes y de vanguardia de aprendizaje automático en Python mientras construyen una serie de aplicaciones demostrativas que involucran imágenes, música, texto y datos financieros.
Al final de este entrenamiento, los participantes serán capaces de:
- Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos.
- Aplicar el aprendizaje profundo y 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.
Formato del curso
- Parte conferencia, parte discusión, ejercicios y mucha práctica hands-on
Temario del curso
Introducción
Descripción de la Estructura de Datos Sin Etiquetas
- Aprendizaje Automático No Supervisado
Reconocimiento, Agrupación y Generación de Imágenes, Secuencias de Vídeo y Datos de Captura de Movimiento
- Redes Neuronales de Creencia Profundas (DBNs)
Reconstrucción de los Datos de Entrada Originales a Partir de una Versión Corrupta (Ruidosa)
- Selección y Extracción de Características
- Auto-encoders Denoising Apilados
Análisis de Imágenes Visuales
- Redes Neuronales Convolucionales
Mejor Comprensión de la Estructura de los Datos
- Aprendizaje Semisupervisado
Comprensión de Datos de Texto
- Extracción de Características de Texto
Construcción de Modelos Predictivos Altamente Precisos
- Mejora de los Resultados del Aprendizaje Automático
- Métodos de Ensamblado
Resumen y Conclusión
Requerimientos
- Experiencia en programación con Python
- Comprensión de los principios básicos del aprendizaje automático
Público objetivo
- Desarrolladores
- Analistas
- Científicos de datos
Los cursos públicos requieren más de 5 participantes.
Python para el Aprendizaje Automático Avanzado - Reserva
Python para el Aprendizaje Automático Avanzado - Consulta
Python para el Aprendizaje Automático Avanzado - Solicitud de consultoría
Solicitud de consultoría
Testimonios (1)
In-depth coverage of machine learning topics, particularly neural networks. Demystified a lot of the topic.
Sacha Nandlall
Curso - Python for Advanced Machine Learning
Traducción Automática
Próximos cursos
Cursos Relacionados
Avanzado Stable Diffusion: Aprendizaje profundo para la generación de texto a imagen
21 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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
AlphaFold
7 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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.
Aprendizaje Profundo para la Visión con Caffe
21 HorasCaffe 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 un marco.
Al completar este curso, los asistentes podrán:
- comprender la estructura y 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 entrenamiento de modelos, implementación de capas y registro
Redes Neurales de Aprendizaje Profundo con Chainer
14 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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.
Utilizando la Red Informática ToolKit (CNTK)
28 HorasComputer 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.
Aprendizaje Profundo para Vision
21 HorasAudiencia
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.
Edge AI con TensorFlow Lite
14 HorasEsta 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.
Acelerando Aprendizaje Profundo con FPGA y OpenVINO
35 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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.
Aprendizaje Profundo Distribuido con Horovod
7 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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.
Aprendizaje Profundo con Keras
21 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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.
Introducción a Stable Diffusion para la generación de texto a imagen
21 HorasEsta 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.
TensorFlow Lite para Microcontroladores
21 HorasEsta capacitación en vivo dirigida por un instructor en Argentina (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.
Aprendizaje Profundo con TensorFlow
21 HorasTensorFlow 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
TensorFlow para Reconocimiento de Imágenes
28 HorasEste 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
Procesamiento del Lenguaje Natural con TensorFlow
35 HorasTensorFlow™ 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