Curso de TensorFlow Serving

Este es un curso de 4 días que explora la Inteligencia Artificial y sus aplicaciones. También se ofrece la posibilidad de agregar un día extra para trabajar en un proyecto de IA al final del curso.

Esta capacitación dirigida por un instructor (en línea o en sitio) está destinada a profesionales de nivel avanzado que deseen profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos de visión sofisticados utilizando Google Colab.

Al final de esta capacitación, los participantes podrán:

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

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

Al finalizar este curso, los participantes podrán:

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

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

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

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

Audiencia

Este curso está diseñado para investigadores e ingenieros en Deep Learning que deseen utilizar herramientas disponibles, principalmente de código abierto, para analizar imágenes de computadora.

El curso ofrece ejemplos prácticos para una mejor comprensión.

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

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

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

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

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

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

TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para el aprendizaje profundo. Este sistema está diseñado para facilitar la investigación en inteligencia artificial y para agilizar el proceso de llevar un prototipo de investigación a un sistema de producción eficiente.

Audiencia

Este curso está dirigido a ingenieros que deseen integrar TensorFlow en sus proyectos de Aprendizaje Profundo.

Al finalizar este curso, los participantes podrán:

• entender la estructura y los mecanismos de implementación de TensorFlow
• realizar tareas de instalación, configuración del entorno de producción y diseño arquitectónico
• evaluar la calidad del código, realizar depuraciones y monitoreo efectivo
• implementar producciones avanzadas, como el entrenamiento de modelos, construcción de gráficos y registro de datos

Este curso examina, a través de ejemplos concretos, la aplicación de TensorFlow para el reconocimiento de imágenes.

Audiencia

Este curso está dirigido a ingenieros que deseen utilizar TensorFlow para fines de Reconocimiento de Imágenes.

Al finalizar este curso, los participantes serán capaces de:

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

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

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

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

TensorFlow™ es una biblioteca de software de código abierto para realizar cálculos numéricos mediante grafos de flujo de datos.

SyntaxNet es un framework de Procesamiento del Lenguaje Natural basado en redes neuronales y desarrollado para TensorFlow.

Word2Vec se utiliza para generar representaciones vectoriales de palabras, conocidas como "incrustaciones de palabras". Word2vec es especialmente eficiente computacionalmente para aprender incrustaciones de palabras a partir de texto sin procesar. Este modelo 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.).

Al utilizar SyntaxNet y Word2Vec juntos, los usuarios pueden crear modelos de incrustaciones aprendidas a partir de lenguaje natural.

Público Objetivo

Este curso está dirigido a desarrolladores e ingenieros que deseen trabajar con los modelos SyntaxNet y Word2Vec en sus grafos de TensorFlow.

Al completar este curso, los participantes podrán:

• comprender la estructura y los mecanismos de implementación de TensorFlow
• realizar tareas y configuraciones del entorno de instalación, producción y arquitectura
• evaluar la calidad del código, realizar depuración y monitoreo
• implementar producciones avanzadas como el entrenamiento de modelos, la incorporación de términos, la construcción de grafos y el registro

Este curso inicia con la entrega de conocimientos conceptuales sobre redes neuronales y, en general, sobre el algoritmo de aprendizaje automático, específicamente aprendizaje profundo (algoritmos y aplicaciones).

La Parte-1 (40%) de esta capacitación se centra principalmente en los fundamentos, aunque te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, entre otros.

La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que facilita la escritura de modelos de aprendizaje profundo.

La Parte-3 (40%) de la capacitación se basará ampliamente en TensorFlow - 2da Generación API, la biblioteca de software de código abierto de Google para Deep Learning. Todos los ejemplos y prácticas se realizarán utilizando TensorFlow.

Audiencia

Este curso está dirigido a ingenieros que desean utilizar TensorFlow en sus proyectos de aprendizaje profundo.

Al finalizar este curso, los participantes:

• tendrán una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
• entenderán la estructura y los mecanismos de despliegue de TensorFlow
• serán capaces de realizar tareas y configuraciones de entorno, producción y arquitectura
• serán capaces de evaluar la calidad del código, realizar depuración y monitoreo
• serán capaces de implementar producciones avanzadas como modelos de entrenamiento, construcción de gráficos y registro