Los cursos locales dirigidos por instructor en vivo de capacitación en Inteligencia Artificial (IA) demuestran, a través de prácticas manuales, cómo implementar soluciones de inteligencia artificial para resolver problemas del mundo real. La capacitación en IA está disponible en dos modalidades: "presencial en vivo" y "remota en vivo"; la primera se puede llevar a cabo localmente en las instalaciones del cliente en Argentina o en los centros de capacitación corporativa de NobleProg en Argentina, la segunda se lleva a cabo a través de un escritorio remoto interactivo.
NobleProg -- Su Proveedor Local de Capacitación
Me gustan los ejemplos para explicar
AUO友达光电（苏州）有限公司
Curso: OptaPlanner en la Práctica
Translated by
| Código | Nombre | Duración | Información General |
|---|---|---|---|
| aiint | Visión general de Inteligencia Artificial | 7 horas | 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. |
| pythontextml | Python: Aprendizaje automático con texto | 21 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a utilizar las técnicas correctas de aprendizaje automático y procesamiento de lenguaje natural (NLP, por sus siglas en inglés) para extraer valor de los datos basados en texto. Al final de esta capacitación, los participantes podrán: - Resuelva problemas de ciencias de datos basados en texto con código reutilizable de alta calidad - Aplicar diferentes aspectos de scikit-learn (clasificación, clustering, regresión, reducción de dimensionalidad) para resolver problemas - Cree modelos efectivos de aprendizaje automático utilizando datos basados en texto - Crear un conjunto de datos y extraer características del texto no estructurado - Visualice los datos con Matplotlib - Construya y evalúe modelos para obtener información - Solucionar problemas de errores de codificación de texto Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| textsum | Resumen de texto con Python | 14 horas | En Python Machine Learning, la característica de resumen de texto puede leer el texto de entrada y producir un resumen de texto. Esta capacidad está disponible desde la línea de comandos o como una API / biblioteca de Python. Una aplicación interesante es la creación rápida de resúmenes ejecutivos; esto es particularmente útil para las organizaciones que necesitan revisar grandes cantidades de datos de texto antes de generar informes y presentaciones. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar Python para crear una aplicación simple que genere automáticamente un resumen del texto de entrada. Al final de esta capacitación, los participantes podrán: - Use una herramienta de línea de comandos que resuma texto. - Diseña y crea un código de resumen de texto usando las bibliotecas de Python. - Evalúe tres bibliotecas de resumen de Python: sumy 0.7.0, pysummarization 1.0.4, readless 1.0.17 Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| undnn | Comprender las Redes Neuronales Profundas | 35 horas | 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. |
| opennlp | OpenNLP para Aprendizaje Automático Basado en Texto | 14 horas | La biblioteca OpenNLP de Apache es un kit de herramientas basado en el aprendizaje automático para procesar texto en lenguaje natural. Es compatible con las tareas NLP más comunes, como detección de lenguaje, tokenización, segmentación de oraciones, etiquetado de voz parcial, extracción de entidad nombrada, fragmentación, análisis sintáctico y resolución de correferencia. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo crear modelos para procesar datos basados en texto usando OpenNLP. Los datos de entrenamiento de muestra y los conjuntos de datos personalizados se usarán como base para los ejercicios de laboratorio. Al final de esta capacitación, los participantes podrán: - Instalar y configurar OpenNLP - Descargue modelos existentes y cree sus propios - Entrene a los modelos en varios conjuntos de datos de muestra - Integra OpenNLP con aplicaciones Java existentes Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| mlbankingpython_ | Aprendizaje Automático para la Banca (con Python) | 21 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria bancaria. Python se usará como el lenguaje de programación. Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en equipo. Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| mlbankingr | Aprendizaje Automático para la Banca (con R) | 28 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria bancaria. R se usará como el lenguaje de programación. Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en vivo. Audiencia - Desarrolladores - Científicos de datos - Profesionales bancarios con experiencia técnica Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| python_nlp | Procesamiento de lenguaje natural con Deep Dive en Python y NLTK | 35 horas | Al final de la capacitación, se espera que los delegados estén suficientemente equipados con los conceptos esenciales de python y que sean capaces de utilizar NLTK de manera suficiente para implementar la mayoría de las operaciones basadas en ML y PNL. La capacitación tiene como objetivo proporcionar no solo un conocimiento de ejecución sino también el conocimiento lógico y operativo de la tecnología que contiene. |
| matlabdl | Matlab para el Aprendizaje Profundo | 14 horas | 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 |
| matlabpredanalytics | Matlab para Análisis Predictivo | 21 horas | El análisis predictivo es el proceso de usar el análisis de datos para hacer predicciones sobre el futuro. Este proceso utiliza datos junto con la extracción de datos, estadísticas y técnicas de aprendizaje automático para crear un modelo predictivo para pronosticar eventos futuros. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Matlab para construir modelos predictivos y aplicarlos a grandes conjuntos de datos de muestra para predecir eventos futuros basados en los datos. Al final de esta capacitación, los participantes podrán: - Crear modelos predictivos para analizar patrones en datos históricos y transaccionales - Use modelos predictivos para identificar riesgos y oportunidades - Cree modelos matemáticos que capturen tendencias importantes - Use datos de dispositivos y sistemas comerciales para reducir el desperdicio, ahorrar tiempo o reducir costos Audiencia - Desarrolladores - Ingenieros - Expertos de dominio Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| tensorflowserving | Curso de TensorFlow Serving | 7 horas | 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 |
| mlios | Aprendizaje Automático en iOS | 14 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar la pila de tecnología de iOS Machine Learning (ML) mientras avanzan en la creación e implementación de una aplicación móvil iOS. Al final de esta capacitación, los participantes podrán: - Cree una aplicación móvil capaz de procesar imágenes, análisis de texto y reconocimiento de voz - Acceda a modelos de ML pre-entrenados para la integración en aplicaciones de iOS - Crea un modelo ML personalizado - Agregue soporte de Siri Voice a las aplicaciones de iOS - Comprender y usar frameworks como coreML, Vision, CoreGraphics y GamePlayKit - Utilice idiomas y herramientas como Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda y Spyder Audiencia - Desarrolladores Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| nlg | Python para la Generación de Lenguaje Natural | 21 horas | La generación de lenguaje natural (NLG) se refiere a la producción de texto o discurso en lenguaje natural por una computadora. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Python para producir texto en lenguaje natural de alta calidad construyendo su propio sistema NLG desde cero. También se examinarán los casos de estudio y los conceptos relevantes se aplicarán a los proyectos de laboratorio en vivo para generar contenido. Al final de esta capacitación, los participantes podrán: - Utilice NLG para generar automáticamente contenido para diversas industrias, desde periodismo, a bienes raíces, a informes meteorológicos y deportivos. - Seleccione y organice el contenido fuente, planifique oraciones y prepare un sistema para la generación automática de contenido original - Comprender la tubería NLG y aplicar las técnicas correctas en cada etapa - Comprender la arquitectura de un sistema de generación de lenguaje natural (NLG) - Implementar los algoritmos y modelos más adecuados para análisis y pedidos - Extraiga datos de fuentes de datos disponibles públicamente, así como bases de datos seleccionadas para usar como material para el texto generado - Reemplazar procesos de escritura manuales y laboriosos con creación de contenido automatizado y generado por computadora Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| encogintro | Encog: Introducción al Aprendizaje Automático | 14 horas | Encog es un marco de aprendizaje de máquina de código abierto para Java y .Net. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo crear varios componentes de redes neuronales usando ENCOG. Se discutirán estudios de casos del mundo real y se explorarán soluciones basadas en el lenguaje de máquina para estos problemas. Al final de esta capacitación, los participantes podrán: - Preparar datos para redes neuronales usando el proceso de normalización - Implementar redes de feed feed y metodologías de capacitación en propagación - Implementar tareas de clasificación y regresión - Modelar y entrenar redes neuronales usando el banco de trabajo basado en GUI de Encog - Integrar el soporte de redes neuronales en aplicaciones del mundo real Audiencia - Desarrolladores - Analistas - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| bigdatabicriminal | Big Data Business Intelligence para análisis de inteligencia criminal | 35 horas | Los avances en las tecnologías y la creciente cantidad de información están transformando la forma en que se lleva a cabo la aplicación de la ley. Los desafíos que plantea Big Data son casi tan desalentadores como la promesa de Big Data. Almacenar datos de manera eficiente es uno de estos desafíos; analizarlo efectivamente es otro. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán la mentalidad con la cual abordarán las tecnologías de Big Data, evaluarán su impacto en los procesos y políticas existentes, e implementarán estas tecnologías con el propósito de identificar la actividad delictiva y prevenir el delito. Se examinarán estudios de casos de organizaciones de orden público de todo el mundo para obtener información sobre sus enfoques, desafíos y resultados de adopción. Al final de esta capacitación, los participantes podrán: - Combine la tecnología Big Data con procesos tradicionales de recopilación de datos para armar una historia durante una investigación - Implementar soluciones industriales de almacenamiento y procesamiento de big data para el análisis de datos - Preparar una propuesta para la adopción de las herramientas y procesos más adecuados para permitir un enfoque basado en datos para la investigación criminal Audiencia - Especialistas en aplicación de la ley con experiencia técnica Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| encogadv | Encog: Aprendizaje Automático Avanzado | 14 horas | Encog es un marco de aprendizaje de máquina de código abierto para Java y .Net. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas de aprendizaje automático para construir modelos predictivos precisos de redes neuronales. Al final de esta capacitación, los participantes podrán: - Implementar diferentes técnicas de optimización de redes neuronales para resolver el ajuste insuficiente y el sobreajuste - Comprender y elegir entre varias arquitecturas de redes neuronales - Implementar redes supervisadas de retroalimentación y retroalimentación Audiencia - Desarrolladores - Analistas - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| radvml | Aprendizaje Automático Avanzado con R | 21 horas | En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas avanzadas para el aprendizaje automático con R a medida que avanzan en la creación de una aplicación en el mundo real. Al final de esta capacitación, los participantes podrán: - Utiliza técnicas como el ajuste de hiperparámetros y el aprendizaje profundo - Comprender e implementar técnicas de aprendizaje no supervisadas - Ponga un modelo en producción para usar en una aplicación más grande Audiencia - Desarrolladores - Analistas - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| pythonadvml | Python para el Aprendizaje Automático Avanzado | 21 horas | En esta capacitación en vivo dirigida por un instructor, 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 incluyen imágenes, música, texto y datos financieros. Al final de esta capacitación, los participantes podrán: - Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos - Aplicar el aprendizaje profundo y el aprendizaje semi-supervisado a aplicaciones que involucren imagen, música, texto e información financiera - Empujar los algoritmos de Python a su máximo potencial - Usa bibliotecas y paquetes como NumPy y Theano Audiencia - Desarrolladores - Analistas - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| fiji | Fiji: Introducción al Procesamiento de Imágenes Científicas | 21 horas | Fiji es un paquete de procesamiento de imágenes de código abierto que agrupa ImageJ (un programa de procesamiento de imágenes científicas multidimensionales) y una serie de complementos para el análisis de imágenes científicas. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar la distribución de Fiji y su programa subyacente ImageJ para crear una aplicación de análisis de imágenes. Al final de esta capacitación, los participantes podrán: - Utilice las características de programación avanzadas y los componentes de software de Fiji para ampliar ImageJ - Sujete imágenes tridimensionales grandes de mosaicos superpuestos - Actualice automáticamente una instalación de Fiji en el arranque utilizando el sistema de actualización integrado - Seleccione entre una amplia selección de lenguajes de scripting para crear soluciones de análisis de imágenes personalizadas - Utilice las poderosas bibliotecas de Fiji, como ImgLib en grandes conjuntos de datos de bioimagen - Implemente su aplicación y colabore con otros científicos en proyectos similares Audiencia - Científicos - Investigadores - Desarrolladores Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| rasberrypiopencv | Raspberry Pi + OpenCV: Construye un Sistema de Reconocimiento Facial | 21 horas | Este entrenamiento en vivo, dirigido por un instructor, presenta el software, el hardware y el proceso paso a paso necesarios para construir un sistema de reconocimiento facial desde cero. El hardware utilizado en este laboratorio incluye Rasberry Pi, un módulo de cámara, servos (opcional), etc. Los participantes son responsables de comprar estos componentes ellos mismos. El software utilizado incluye OpenCV, Linux, Python, etc. Al final de esta capacitación, los participantes podrán: - Instale Linux, OpenCV y otras utilidades de software y bibliotecas en un Rasberry Pi. - Configure OpenCV para capturar y detectar imágenes faciales. - Comprenda las diversas opciones para empaquetar un sistema Rasberry Pi para su uso en entornos del mundo real. - Adapte el sistema para una variedad de casos de uso, incluida la vigilancia, la verificación de identidad, etc. Audiencia - Desarrolladores - Técnicos de hardware / software - Personas técnicas en todas las industrias - Aficionados Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica Nota - Otras opciones de hardware y software incluyen: Arduino, OpenFace, Windows, etc. Si desea utilizar alguno de estos, contáctenos para organizarlo. |
| openface | OpenFace: Creación de Sistemas de Reconocimiento Facial | 14 horas | 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 |
| embeddingprojector | Embedding Projector: Visualización de sus Datos de Entrenamiento | 14 horas | 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 |
| t2t | T2T: Creación de Modelos de Secuencia a Secuencia para el Aprendizaje Generalizado | 7 horas | Tensor2Tensor (T2T) es una biblioteca modular y extensible para el entrenamiento de modelos de AI en diferentes tareas, utilizando diferentes tipos de datos de entrenamiento, por ejemplo: reconocimiento de imágenes, traducción, análisis sintáctico, subtítulos de imágenes y reconocimiento de voz. Lo mantiene el equipo de Google Brain. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo preparar un modelo de aprendizaje profundo para resolver tareas múltiples. Al final de esta capacitación, los participantes podrán: - Instalar tensor2tensor, seleccionar un conjunto de datos y entrenar y evaluar un modelo de IA - Personalice un entorno de desarrollo utilizando las herramientas y los componentes incluidos en Tensor2Tensor - Cree y use un único modelo para aprender de forma simultánea varias tareas de varios dominios - Utilice el modelo para aprender de tareas con una gran cantidad de datos de entrenamiento y aplicar ese conocimiento a tareas donde los datos son limitados - Obtenga resultados de procesamiento satisfactorios con una sola GPU Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| cognitivecomputing | Computación Cognitiva: Una Introducción para Gerentes de Negocios | 7 horas | La informática cognitiva se refiere a los sistemas que abarcan el aprendizaje automático, el razonamiento, el procesamiento del lenguaje natural, el reconocimiento del habla y la visión (reconocimiento de objetos), la interacción humano-computadora, el diálogo y la generación narrativa, por nombrar algunos. Un sistema de cómputo cognitivo a menudo se compone de múltiples tecnologías que trabajan juntas para procesar datos contextuales "en caliente" en memoria, así como grandes conjuntos de datos históricos "fríos" en lote. Los ejemplos de tales tecnologías incluyen Kafka, Spark, Elasticsearch, Cassandra y Hadoop. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo Cognitive Computing complementa a AI y Big Data y cómo los sistemas construidos con propósito se pueden utilizar para realizar comportamientos similares a los humanos que mejoran el rendimiento de las interacciones humano-máquina en los negocios. Al final de esta capacitación, los participantes comprenderán: - La relación entre la computación cognitiva y la inteligencia artificial (IA) - La naturaleza intrínsecamente probabilística de la informática cognitiva y cómo usarla como una ventaja comercial - Cómo administrar sistemas de computación cognitiva que se comportan de maneras inesperadas - Qué empresas y sistemas de software ofrecen las soluciones de computación cognitiva más atractivas Audiencia - Gerentes de negocios Formato del curso - Conferencia, discusiones de casos y ejercicios |
| dsstne | Amazon DSSTNE: Construya un Sistema de Recomendación | 7 horas | Amazon DSSTNE es una biblioteca de código abierto para el entrenamiento y la implementación de modelos de recomendación. Permite modelos con matrices de peso que son demasiado grandes para que una sola GPU se entrene en un solo host. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar DSSTNE para crear una aplicación de recomendación. Al final de esta capacitación, los participantes podrán: - Entrene un modelo de recomendación con conjuntos de datos dispersos como entrada - Escala de entrenamiento y modelos de predicción en múltiples GPU - Extienda el cómputo y el almacenamiento de forma paralela a los modelos - Genere recomendaciones de productos personalizados similares a Amazon. - Implemente una aplicación lista para producción que pueda escalar a cargas de trabajo pesadas Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| snorkel | Snorkel: Procesar Rápidamente los Datos de Entrenamiento | 7 horas | Snorkel es un sistema para crear, modelar y gestionar rápidamente datos de entrenamiento. Se enfoca en acelerar el desarrollo de aplicaciones de extracción de datos estructuradas u "oscuras" para dominios en los que grandes conjuntos de entrenamiento etiquetados no están disponibles o son fáciles de obtener. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán técnicas para extraer valor de datos no estructurados como texto, tablas, figuras e imágenes mediante el modelado de datos de entrenamiento con Snorkel. Al final de esta capacitación, los participantes podrán: - Crear programáticamente conjuntos de entrenamiento para permitir el etiquetado de conjuntos de entrenamiento masivos - Entrene modelos finales de alta calidad modelando primero conjuntos de entrenamiento ruidosos - Use Snorkel para implementar técnicas de supervisión débiles y aplicar programación de datos a sistemas de aprendizaje automático débilmente supervisados Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| dlfornlp | Aprendizaje profundo para NLP (procesamiento de lenguaje natural) | 28 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 |
| mlfinancepython | Machine Learning for Finance (con Python) | 21 horas | El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin estar programadas explícitamente. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria financiera. Python se usará como el lenguaje de programación. Los participantes primero aprenden los principios clave, luego ponen su conocimiento en práctica al construir sus propios modelos de aprendizaje automático y usarlos para completar una serie de proyectos en equipo. Al final de esta capacitación, los participantes podrán: - Comprender los conceptos fundamentales en el aprendizaje automático - Aprenda las aplicaciones y usos del aprendizaje automático en finanzas - Desarrolle su propia estrategia de negociación algorítmica utilizando el aprendizaje automático con Python Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| MicrosoftCognitiveToolkit | Curso de Microsoft Cognitive Toolkit 2.x | 21 horas | Microsoft Cognitive Toolkit 2.x (anteriormente CNTK) es un juego de herramientas de código abierto de grado comercial que entrena algoritmos de aprendizaje profundo para aprender como el cerebro humano. Según Microsoft, CNTK puede ser 5-10 veces más rápido que TensorFlow en redes recurrentes, y de 2 a 3 veces más rápido que TensorFlow para tareas relacionadas con imágenes. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar Microsoft Cognitive Toolkit para crear, entrenar y evaluar algoritmos de aprendizaje profundo para su uso en aplicaciones de AI comerciales que involucren múltiples tipos de datos tales como datos, voz, texto e imágenes. Al final de esta capacitación, los participantes podrán: - Acceda a CNTK como una biblioteca desde un programa de Python, C # o C ++ - Use CNTK como una herramienta independiente de aprendizaje automático a través de su propio lenguaje de descripción de modelo (BrainScript) - Utilice la funcionalidad de evaluación del modelo CNTK de un programa Java - Combinar DNN de feed-forward, redes convolucionales (CNN) y redes recurrentes (RNNs / LSTM) - Escala de capacidad de cálculo en CPU, GPU y múltiples máquinas - Acceda a conjuntos de datos masivos utilizando los lenguajes de programación y algoritmos existentes Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica Nota - Si desea personalizar cualquier parte de esta capacitación, incluido el lenguaje de programación que prefiera, contáctenos para organizarlo. |
| ML_LBG | Aprendizaje Automático - Ciencia de Datos | 21 horas | Esta sesión de capacitación basada en el aula explorará las herramientas de aprendizaje automático con (sugerido) Python. Los delegados tendrán ejemplos basados en computadora y ejercicios de estudio de caso para emprender. |
| Curso | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|
| Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo - Buenos Aires - Laminar Catalinas | Lun, 2019-02-25 09:30 | 5,260USD / 6,913USD |
| Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo - Buenos Aires - Laminar Catalinas | Lun, 2019-04-01 09:30 | 5,260USD / 6,913USD |
| Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo - Buenos Aires - Laminar Catalinas | Lun, 2019-04-22 09:30 | 5,260USD / 6,913USD |
| Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo - Buenos Aires - Laminar Catalinas | Mié, 2019-05-22 09:30 | 5,260USD / 6,913USD |
| Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo - Buenos Aires - Laminar Catalinas | Lun, 2019-06-17 09:30 | 5,260USD / 6,913USD |
| Curso | Ubicación | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|---|
| Big Data Analytics para reguladores de telecomunicaciones | Buenos Aires - Laminar Catalinas | Jue, 2019-02-14 09:30 | 4,023USD / 5,476USD |
| Aprendizaje Profundo para la Banca (con Python) | Buenos Aires - Laminar Catalinas | Lun, 2019-04-15 09:30 | 5,328USD / 7,181USD |
| Introducción al Aprendizaje Automático | Buenos Aires - Laminar Catalinas | Lun, 2019-04-29 09:30 | 1,800USD / 3,053USD |
| Análisis de Datos con Tableau | Buenos Aires - Laminar Catalinas | Mié, 2019-05-22 09:30 | 2,745USD / 4,198USD |
| Minería de Datos con R | Buenos Aires - Laminar Catalinas | Mié, 2019-07-10 09:30 | 2,745USD / 4,198USD |
.png "iberoamericana de hidrocarburos (ihsa)")
.jpg "european molecular biology laboratory (embl)")
_ireland.gif "environmental protection agency (epa) ireland")
.jpg "international air transport association (iata)")
We are looking to expand our presence in Mexico!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
