Cursos de OpenNMT: Implementing a Neural Machine Translation solution

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) 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 capacitación, los participantes serán capaces de:

• Comprender 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 para grandes conjuntos de datos y modelos complejos.
• Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integre Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) 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 capacitación, los participantes podrán:

• Comprender los principios de la Difusión Estable y cómo funciona para la generación de imágenes.
• Cree y entrene modelos de difusión estable para tareas de generación de imágenes.
• Aplique Difusión estable a diversos escenarios de generación de imágenes, como pintura interior, pintura exterior y traducción de imagen a imagen.
• Optimice el rendimiento y la estabilidad de los modelos de Stable Diffusion

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o presencial) está dirigida a biólogos que deseen comprender cómo funciona AlphaFold y usar modelos AlphaFold como guías en sus estudios experimentales.

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

• Comprender los principios básicos de AlphaFold.
• Aprenda cómo funciona AlphaFold.
• Aprenda a interpretar AlphaFold las predicciones y los resultados.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a desarrolladores que desean usar TensorFlow Lite para implementar modelos de aprendizaje profundo en dispositivos integrados.

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

• Instala y configura Tensorflow Lite en un dispositivo integrado.
• Comprender los conceptos y componentes subyacentes TensorFlow Lite.
• Convierta los modelos existentes al formato TensorFlow Lite para ejecutarlos en dispositivos integrados.
• Trabaje dentro de las limitaciones de los dispositivos pequeños y TensorFlow Lite, mientras aprende a ampliar el alcance de las operaciones que se pueden ejecutar.
• Implemente un modelo de aprendizaje profundo en un dispositivo integrado que ejecute Linux.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a desarrolladores que desean utilizar TensorFlow Lite para desarrollar aplicaciones móviles con capacidades de aprendizaje profundo.

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

• Instalar y configurar TensorFlow Lite.
• Comprende los principios detrás de TensorFlow, el aprendizaje automático y el aprendizaje profundo.
• Cargue modelos de TensorFlow en un dispositivo Android.
• Habilite la funcionalidad de aprendizaje profundo y aprendizaje automático, como la visión artificial y el reconocimiento de lenguaje natural en una aplicación móvil.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a desarrolladores que deseen utilizar TensorFlow Lite para desarrollar aplicaciones móviles iOS con capacidades de aprendizaje profundo.

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

• Instalar y configurar TensorFlow Lite.
• Comprende los principios detrás de TensorFlow y el aprendizaje automático en dispositivos móviles.
• Cargue modelos de TensorFlow en un dispositivo iOS.
• Ejecute una aplicación iOS capaz de detectar y clasificar un objeto capturado a través de la cámara del dispositivo.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a ingenieros que desean escribir, cargar y ejecutar modelos de aprendizaje automático en dispositivos integrados muy pequeños.

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

• Instalar 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.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a investigadores y desarrolladores que deseen usar Chainer para construir y entrenar redes neuronales en Python mientras hacen que el código sea fácil de depurar.

Al final de esta capacitación, 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 GPUs para obtener un alto rendimiento.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a desarrolladores o científicos de datos que deseen usar Horovod para ejecutar capacitaciones de aprendizaje profundo distribuidas y escalarlas para que se ejecuten en varias GPU en paralelo.

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

• Configure el entorno de desarrollo necesario para comenzar a ejecutar entrenamientos de aprendizaje profundo.
• Instala y configura Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escale el entrenamiento de aprendizaje profundo con Horovod para ejecutarlo en varias GPU.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) 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 capacitación, 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 en varios nodos de un clúster de Kubernetes.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a científicos de datos que desean usar Apache MXNet para construir e implementar un modelo de aprendizaje profundo para el reconocimiento de imágenes.

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

• Instale y configure Apache MXNet y sus componentes.
• Comprender la arquitectura y las estructuras de datos de MXNet.
• Utilice las API de bajo y alto nivel de Apache MXNet para crear redes neuronales de manera eficiente.
• Construya una red neuronal convolucional para la clasificación de imágenes.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a personas técnicas que desean aplicar el modelo de aprendizaje profundo a las aplicaciones de reconocimiento de imágenes.

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

• Instale y configure 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 una GPU.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a ingenieros de software que desean desarrollar redes neuronales avanzadas de aprendizaje profundo y modelar utilizando Keras y Python.

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

• Aplique el aprendizaje profundo con métodos de aprendizaje supervisado o no supervisado.
• Desarrolle, entrene e implemente redes neuronales simultáneas y redes neuronales recurrentes.
• Utilice Keras y Python para crear modelos de aprendizaje profundo para resolver problemas relacionados con imágenes, texto, sonido y más.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a desarrolladores que desean construir un automóvil autónomo utilizando técnicas de aprendizaje profundo.

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

• Utilice Keras para crear y entrenar una red neuronal convolucional.
• Utilice técnicas de visión artificial para identificar carriles en un proyecto de conducción autónoma.
• Entrene un modelo de aprendizaje profundo para diferenciar las señales de tráfico.
• Simula un coche totalmente autónomo.

Torch es una biblioteca de aprendizaje de máquina de código abierto y un marco informático científico basado en el lenguaje de programación Lua. Proporciona un entorno de desarrollo para numéricos, aprendizaje automático y visión por computadora, con un énfasis particular en aprendizaje profundo y redes convolucionales. Es uno de los marcos más rápidos y flexibles para Machine and Deep Learning y lo utilizan compañías como Facebook, Google, Twitter, NVIDIA, AMD, Intel y muchas otras.

En este curso, cubrimos los principios de Torch, sus características únicas y cómo se puede aplicar en aplicaciones del mundo real. Pasamos por numerosos ejercicios prácticos en todas partes, demostrando y practicando los conceptos aprendidos.

Al final del curso, los participantes comprenderán a fondo las características y capacidades subyacentes de Torch, así como su rol y contribución dentro del espacio de IA en comparación con otros marcos y bibliotecas. Los participantes también habrán recibido la práctica necesaria para implementar Torch en sus propios proyectos.

Audiencia

     Desarrolladores de software y programadores que deseen habilitar Machine and Deep Learning dentro de sus aplicaciones

Formato del curso

     Descripción general de Machine and Deep Learning
     Ejercicios de integración y codificación en clase
     Preguntas de prueba salpicadas en el camino para verificar la comprensión