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
Fue muy interactivo y más relajado e informal de lo esperado. Cubrimos muchos temas en el tiempo y el capacitador siempre estuvo receptivo a hablar más en detalle o, más en general, sobre los temas y cómo se relacionaban. Siento que la capacitación me ha dado las herramientas para seguir aprendiendo en lugar de que sea una sola sesión donde el aprendizaje se detiene una vez que has terminado, lo cual es muy importante dada la escala y la complejidad del tema.
Jonathan Blease
Curso: Redes Neuronales Artificiales, Aprendizaje Automático y Pensamiento Profundo
Translated by
Ann creó un excelente entorno para hacer preguntas y aprender. Nos divertimos mucho y también aprendimos mucho al mismo tiempo.
Gudrun Bickelq
Curso: Introducción al Uso de Neural Networks
Translated by
La parte interactiva, adaptada a nuestras necesidades específicas.
Thomas Stocker
Curso: Introducción al Uso de Neural Networks
Translated by
Me gustaron los ejercicios.
Office for National Statistics
Curso: Procesamiento de Lenguajes Naturales con Python
Translated by
Realmente disfruté el enfoque práctico.
Kevin De Cuyper
Curso: Visión por Computadora con OpenCV
Translated by
El capacitador estaba tan bien informado e incluyó áreas en las que estaba interesado.
Mohamed Salama
Curso: Minería de Datos y Aprendizaje Automático con R
Translated by
El tema es muy interesante.
Wojciech Baranowski
Curso: Introducción al Aprendizaje Profundo
Translated by
Los formadores teóricos del conocimiento y la voluntad de resolver los problemas con los participantes después de la capacitación.
Grzegorz Mianowski
Curso: Introducción al Aprendizaje Profundo
Translated by
Tema. ¡Muy interesante!.
Piotr
Curso: Introducción al Aprendizaje Profundo
Translated by
Los ejercicios después de cada tema fueron realmente útiles, a pesar de que al final eran demasiado complicados. ¡En general, el material presentado fue muy interesante y envolvente! Los ejercicios con reconocimiento de imágenes fueron geniales.
Dolby Poland Sp. z o.o.
Curso: Introducción al Aprendizaje Profundo
Translated by
Creo que si el entrenamiento se hiciera en polaco, le permitiría al formador compartir su conocimiento de manera más eficiente.
Radek
Curso: Introducción al Aprendizaje Profundo
Translated by
La visión global del aprendizaje profundo.
Bruno Charbonnier
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
Los ejercicios son lo suficientemente prácticos y no requieren un alto conocimiento en Python.
Alexandre GIRARD
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
Haciendo ejercicios sobre ejemplos reales usando Eras. Italia entendió totalmente nuestras expectativas sobre esta capacitación.
Paul Kassis
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
El tema. Parecía interesante, pero me fui sabiendo no mucho más que antes.
Radoslaw Labedzki
Curso: Introducción al Aprendizaje Profundo
Translated by
Me gustó que este curso tuviera un tema muy interesante.
Wojciech Wilk
Curso: Introducción al Aprendizaje Profundo
Translated by
Realmente aprecié las respuestas claras y claras de Chris a nuestras preguntas.
Léo Dubus
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
En general, disfruté el entrenador experto.
Sridhar Voorakkara
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Me sorprendió el estándar de esta clase, diría que era el estándar de la universidad.
David Relihan
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Muy buena descripción general. Buen conocimiento de por qué Tensorflow opera como lo hace.
Kieran Conboy
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Me gustaron las oportunidades de hacer preguntas y obtener explicaciones más profundas de la teoría.
Sharon Ruane
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Hemos obtenido mucha más información sobre el tema. Se hicieron algunas buenas discusiones con algunos temas reales dentro de nuestra compañía.
Sebastiaan Holman
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
La capacitación brindó la base adecuada que nos permite expandirnos aún más, mostrando cómo la teoría y la práctica van de la mano. De hecho, me hizo estar más interesado en el tema que antes.
Jean-Paul van Tillo
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
Realmente disfruté de la cobertura y la profundidad de los temas.
Anirban Basu
Curso: Aprendizaje Automático y Aprendizaje Profundo
Translated by
Me gustaron las nuevas ideas en el aprendizaje automático profundo.
Josip Arneric
Curso: Red Neuronal en R
Translated by
Obtuvimos algunos conocimientos sobre NN en general, y lo que fue más interesante para mí fueron los nuevos tipos de NN que son populares hoy en día.
Tea Poklepovic
Curso: Red Neuronal en R
Translated by
Disfruté sobre todo los gráficos en R :))).
Faculty of Economics and Business Zagreb
Curso: Red Neuronal en R
Translated by
El profundo conocimiento del entrenador sobre el tema.
Sebastian Görg
Curso: Introducción al Aprendizaje Profundo
Translated by
Enfoque muy actualizado o CPI (tensor flow, era, learn) para hacer aprendizaje automático.
Paul Lee
Curso: TensorFlow para Reconocimiento de Imágenes
Translated by
Muy flexible.
Frank Ueltzhöffer
Curso: Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático
Translated by
En general, disfruté de la flexibilidad.
Werner Philipp
Curso: Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático
Translated by
Dada la perspectiva de la tecnología: qué tecnología / proceso podría ser más importante en el futuro; mira, para qué se puede usar la tecnología.
Commerzbank AG
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Me beneficié de la selección del tema. Estilo de entrenamiento Practica la orientación.
Commerzbank AG
Curso: Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo
Translated by
Cobertura en profundidad de temas de aprendizaje automático, particularmente redes neuronales. Desmitificaron mucho el tema.
Sacha Nandlall
Curso: Python para el Aprendizaje Automático Avanzado
Translated by
Este es uno de los mejores cursos prácticos de programación de ejercicios que he tomado.
Laura Kahn
Curso: Inteligencia Artificial - La Materia más Aplicada - Análisis de Datos + AI Distribuido + PNL
Translated by
Esta es una de las mejores capacitaciones en línea de calidad que he tomado en mi carrera de 13 años. ¡Mantener el buen trabajo!.
Curso: Inteligencia Artificial - La Materia más Aplicada - Análisis de Datos + AI Distribuido + PNL
Translated by
El estilo de entrenamiento de Richard lo mantuvo interesante, los ejemplos del mundo real utilizados ayudaron a llevar los conceptos a casa.
Jamie Martin-Royle - NBrown Group
Curso: De los Datos a la Decisión con Big Data y Análisis Predictivo
Translated by
El contenido, ya que me pareció muy interesante y creo que me ayudaría en mi último año en la Universidad.
Krishan Mistry - NBrown Group
Curso: De los Datos a la Decisión con Big Data y Análisis Predictivo
Translated by
Ejercicios
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
los ejercicios de laboratorio
Marcell Lorant - L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
El cuaderno de Jupyter, en el que está disponible el material de entrenamiento
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
Hubo muchos ejercicios y temas interesantes.
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
algunos grandes ejercicios de laboratorio analizados y explicados por el capacitador en profundidad (p. ej., covariantes en regresión lineal, que coinciden con la función real)
L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
Es genial que todo el material, incluidos los ejercicios, esté en la misma página y luego se actualice al vuelo. La solución se revela al final. ¡Guay! Además, aprecio que Krzysztof se esforzó más por comprender nuestros problemas y nos sugirió posibles técnicas.
Attila Nagy - L M ERICSSON LIMITED
Curso: Machine Learning
Translated by
El uso fácil de la funcionalidad VideoCapture para adquirir imágenes de video desde una cámara portátil.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Visión por Computadora con OpenCV
Translated by
Disfruté los consejos dados por el capacitador sobre cómo usar las herramientas. Esto es algo que no se puede obtener de internet y es muy útil.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Visión por Computadora con OpenCV
Translated by
Disfruté los consejos dados por el capacitador sobre cómo usar las herramientas. Esto es algo que no se puede obtener de internet y es muy útil.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Visión por Computadora con OpenCV
Translated by
Fue fácil de seguir.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Curso: Visión por Computadora con OpenCV
Translated by
El asunto estuvo bien presentado y de manera ordenada.
Marylin Houle - Ivanhoe Cambridge
Curso: Introducción a R con Análisis de Series Temporales
Translated by
Me beneficié de la pasión por enseñar y centrarme en hacer que las cosas sean sensatas.
Zaher Sharifi - GOSI
Curso: Aprendizaje Profundo (Deep Learning) Avanzado
Translated by
Esta es una de las mejores capacitaciones en línea de calidad que he tomado en mi carrera de 13 años. ¡Mantener el buen trabajo!.
Curso: Inteligencia Artificial - La Materia más Aplicada - Análisis de Datos + AI Distribuido + PNL
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. |
| 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 |
| mlfinancer | Aprendizaje Automático para Finanzas (con R) | 28 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. 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 aplicar técnicas y herramientas de aprendizaje automático para resolver problemas del mundo real en la industria financiera. 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 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 R Audiencia - Desarrolladores - Científicos de datos Formato del curso - Conferencia de parte, discusión en parte, ejercicios y práctica práctica |
| pythoncomputervision | Visión por computadora con Python | 14 horas | Computer Vision es un campo que consiste en extraer, analizar y comprender automáticamente información útil de los medios digitales. Python es un lenguaje de programación de alto nivel famoso por su claridad de sintaxis y código. En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán los conceptos básicos de Computer Vision mientras avanzan en la creación del conjunto de aplicaciones simples de Computer Vision utilizando Python. Al final de esta capacitación, los participantes podrán: - Comprenda los conceptos básicos de Computer Vision - Use Python para implementar tareas de Visión por computadora - Construye sus propios sistemas de detección de rostro, objeto y movimiento Audiencia - Programadores de Python interesados en Computer Vision 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| dlforbankingwithpython | Aprendizaje Profundo para la Banca (con Python) | 28 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. 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| dlfinancewithr | Aprendizaje Profundo para las Finanzas (con R) | 28 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. 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 |
| dlforbankingwithr | Aprendizaje Profundo para la Banca (con R) | 28 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. 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 |
| Curso | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|
| Álgebra para el aprendizaje automático - Buenos Aires - Laminar Catalinas | Jue, 2019-05-02 09:30 | 3150USD / 4550USD |
| Álgebra para el aprendizaje automático - Buenos Aires - Laminar Catalinas | Mié, 2019-06-26 09:30 | 3150USD / 4550USD |
| Fundamentos de Aprendizaje Automático con Python - Buenos Aires - Laminar Catalinas | Mar, 2019-07-16 09:30 | 4350USD / 5750USD |
| Álgebra para el aprendizaje automático - Buenos Aires - Laminar Catalinas | Mié, 2019-08-21 09:30 | 3150USD / 4550USD |
| Álgebra para el aprendizaje automático - Buenos Aires - Laminar Catalinas | Jue, 2019-10-10 09:30 | 3150USD / 4550USD |
| Curso | Ubicación | Fecha | Precio del Curso [A distancia / Presencial] |
|---|---|---|---|
| OpenFace: Creación de Sistemas de Reconocimiento Facial | Buenos Aires - Laminar Catalinas | Jue, 2019-05-16 09:30 | 2835USD / 4235USD |
| Codius: Setting up a Host System | Buenos Aires - Laminar Catalinas | Mar, 2019-06-25 09:30 | 1665USD / 2865USD |
| El Paisaje de Codificación Segura | Buenos Aires - Laminar Catalinas | Lun, 2019-07-22 09:30 | 2835USD / 4235USD |
| Introducción al Uso de Neural Networks | Buenos Aires - Laminar Catalinas | Mar, 2019-10-01 09:30 | 2025USD / 3225USD |
| Blockchain para Telecom | Buenos Aires - Laminar Catalinas | Mié, 2019-10-02 09:30 | 1665USD / 2865USD |
.jpg "european space agency (esa)")
_ireland.gif "environmental protection agency (epa) ireland")
.jpg "american international group (aig)")
.png "european central bank (ecb)")
We are looking to expand our presence in Argentina!
If you are interested in running a high-tech, high-quality training and consulting business.
Apply now!
