Cursuri de pregatire Detectarea Fraudului cu Python și TensorFlow

Acesta este un curs de 4 zile care prezintă inteligența artificială și aplicarea acesteia. Există opțiunea de a avea o zi suplimentară pentru a întreprinde un proiect AI la finalizarea acestui curs.

Această instruire condusă de instructor (online sau la fața locului) este destinate data scientists și inginerilor software care doresc să folosească Dask în ecosistemul Python pentru a construi, scala și analiza seturi de date mari.

La finalul acestei instruirile, participanții vor putea:

• Configura mediul pentru a începe construirea procesării datelor massive cu Dask și Python.
• Explora funcțiile, bibliotecile, instrumentele și API-urile disponibile în Dask.
• Înțelege cum Dask accelerează calculul paralel în Python.
• Afla cum să scala ecosistemul Python (Numpy, SciPy, și Pandas) folosind Dask.
• Optimiza mediul Dask pentru a menține o performanță ridicată în gestionarea seturilor de date mari.

Această formare sub supravegherea unui instruire în Moldova (online sau la sediu) se adresează dezvoltatorilor de nivel intermediar Python și analiștilor de date care doresc să își îmbunătățească abilitățile în analiza și manipularea datelor folosind Pandas și NumPy.

La sfârșitul acestei formări, participanții vor putea:

• Sａ se configureze un mediu de dezvoltare care includｅ Python, Pandas, și NumPy.
• Sã crea o aplicație de analiză a datelor utilizând Pandas și NumPy.
• Sa efectueze operațiuni avansate de curățare, sortare și filtrare a datelor.
• Sa realizeze operațiuni agregate și să analizeze datele serii temporale.
• Sã vizualizeze datele folosind Matplotlib și alte biblioteci de vizualizare.
• Debugează și optimiză codul lor de analiză a datelor.

În această instruire live, condusă de un instrutor, participanții vor învăța să folosească biblioteci Python pentru NLP, creând o aplicație care procesează un set de imagini și generează legende.

La finalul acestei instruirilor, participanții vor putea:

• Proiecta și codifica DL pentru NLP folosind biblioteci Python.
• Crea cod Python care citește o colecție substanțială de imagini și generează cuvinte cheie.
• Crea cod Python care generează legende din cuvintele cheie detectate.

Audiență

Acest curs este potrivit pentru cercetătorii și inginerii de Deep Learning interesați să folosească instrumente disponibile (în majoritate open source) pentru analiza imaginilor pe computer.

Cursul oferă exemple practice de lucru.

Acest training condus de instrucțiune (online sau on-site) este destinat dezvoltatorilor care doresc să folosească stiva FARM (FastAPI, React și MongoDB) pentru a construi aplicații web dinamice, cu performanță ridicată și scalabile.

La sfârșitul acestui training, participanții vor fi capabili să:

• Seteze mediul de dezvoltare necesar care integrează FastAPI, React și MongoDB.
• Înțeleagă conceptele cheie, funcțiile și beneficiile stivei FARM.
• Învețe cum să construiască API-uri REST cu FastAPI.
• Învețe cum să proiecteze aplicații interactive cu React.
• Dezvolte, testeze și implementeze aplicații (frontend și backend) folosind stiva FARM.

Această instruire conducătoare, live în Moldova (online sau onsite), este destinată dezvoltatorilor care doresc să folosească FastAPI cu Python pentru a construi, testa și implementa API-uri RESTful mai ușor și mai rapid.

La finalul acestei instruirile, participanții vor putea:

• Setați mediul de dezvoltare necesar pentru a dezvolta API-uri cu Python și FastAPI.
• Creați API-uri mai repede și mai ușor folosind biblioteca FastAPI.
• Aflați cum să creați modele și scheme de date bazate pe Pydantic și OpenAPI.
• Conectați API-urile la o bază de date folosind SQLAlchemy.
• Implementați securitatea și autentificarea în API-uri folosind instrumentele FastAPI.
• Creați imagini de container și implementați API-uri web pe un server cloud.

Acest curs de formare live, condus de un instructor în Moldova (online sau la fața locului) se adresează cercetătorilor și dezvoltatorilor de date care doresc să utilizeze Modin pentru a construi și implementa calcule paralele cu Pandas pentru o analiză mai rapidă a datelor.

Până la sfârșitul acestui training, participanții vor fi capabili să:

• Să configureze mediul necesar pentru a începe să dezvolte fluxuri de lucru Pandas la scară largă cu Modin.
• Să înțeleagă caracteristicile, arhitectura și avantajele Modin.
• Să cunoască diferențele dintre Modin, Dask și Ray.
• Efectuați operații Pandas mai rapid cu Modin.
• Implementați întregul API și funcțiile Pandas.

Această instruire condusă de instructor (online sau la fața locului) este adresată dezvoltatorilor și cercetătorilor de date care doresc să folosească Tensorflow 2.x pentru a construi predictori, clasificatori, modele generative, rețele neurale și alte aplicații.

La finalul acestei instruirile, participanții vor putea:

• Instala și configura TensorFlow 2.x.
• Înțelege avantajele Tensorflow 2.x față de versiunile anterioare.
• Construi modele de învățare adâncă.
• Implementa un clasificator avansat pentru imagini.
• Distribui un model de învățare adâncă pe cloud, dispozitive mobile și IoT.

În acest antrenament instruit de instructor, live Moldova (online sau la fața locului), participanții vor învăța cum să configureze și să folosească TensorFlow Serving pentru a implementa și gestiona modele ML într-un mediu de producție.

La sfârșitul acestui antrenament, participanții vor putea:

• Învăța, exporta și servi diverse modele TensorFlow.
• Testa și implementa algoritmi folosind o singură arhitectură și set de API-uri.
• Extinde TensorFlow Serving pentru a servi alte tipuri de modele în afară de modelele TensorFlow.

TensorFlow este o API de generația a doua a bibliotecii software open source Google pentru Învățarea Profundă. Sistemul este conceput pentru a facilita cercetarea în învățare automată și pentru a permite o tranziție rapidă și ușoară de la prototipul de cercetare la sistemul de producție.

Audiență

Acest curs este destinat inginerilor care doresc să folosească TensorFlow în proiectele lor de Învățare Profundă

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să efectueze sarcini de instalare / configurare a mediului de producție / arhitectură și configurare
• să evalueze calitatea codului, să efectueze depistarea erorilor și monitorizarea
• să implementeze tehnici avansate de producție precum antrenarea modelelor, construirea graficelor și registrarea evenimentelor

Acest curs explorează, cu exemple specifice, aplicarea Tensor Flow în scopul recunoașterii imaginilor

Public țintă

Acest curs este destinat inginerilor care doresc să utilizeze TensorFlow pentru scopurile de Recunoaștere a Imaginilor

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale TensorFlow
• să efectueze sarcini de instalare / configurare a mediului de producție / arhitecturii
• să evalueze calitatea codului, să execute depanarea și monitorizarea
• să implementeze procese avansate precum instruirea modelelor, construirea graficelor și înregistrarea

În această antrenament cu instrucționare directe din partea unui instructor în Moldova, participanții vor învăța cum să profită de inovările din procesorii TPU pentru a maximiza performanța aplicațiilor lor proprii AI.

La sfârșitul antrenamentului, participanții vor putea:

• Antrena diferite tipuri de rețele neuronale pe mase mari de date.
• Folosi TPU-uri pentru a accelera procesul de inferență cu până la două ordine de mărime.
• Utiliza TPU-uri pentru a procesa aplicații intensive precum căutarea imaginilor, vederile în noul cloud și fotografii.

TensorFlow™ este o bibliotecă de software open source pentru calcul numeric folosind grafice de flux de date.

SyntaxNet este un cadru de procesare a limbajului natural bazat pe rețele neuronale pentru TensorFlow.

Word2Vec se folosește pentru învățarea reprezentărilor vectoriale ale cuvintelor, numite "embedding-uri de cuvinte". Word2vec este un model predictiv eficient din punct de vedere computational pentru învățarea embedding-urilor de cuvinte din textul brut. Există două variante, modelul Continuous Bag-of-Words (CBOW) și modelul Skip-Gram (Capitolele 3.1 și 3.2 în Mikolov et al.).

Folosite împreună, SyntaxNet și Word2Vec permit utilizatorilor să genereze modele de embedding învățate din intrarea de limbaj natural.

Audiență

Acest curs este destinat dezvoltatorilor și inginerilor care intenționează să lucreze cu modelele SyntaxNet și Word2Vec în graficele lor TensorFlow.

După finalizarea acestui curs, delegații vor:

• înțelege structura și mecanismele de implementare ale TensorFlow
• fi capabili să efectueze sarcini de instalare / mediu de producție / arhitectură și configurare
• fi capabili să evalueze calitatea codului, să execute depistarea erelor, monitorizarea
• fi capabili să implementeze aspecte avansate de producție precum învățarea modelelor, embedding-ul termenilor, construirea graficelor și logging-ul

Acest curs începe oferind cunoștințe conceptuale în rețele neuronale și, în general, în algoritmi de învățare automată, învățarea adâncă (algoritmi și aplicații).

Partea-1 (40%) a acestui antrenament se concentrează mai mult pe fundamentele, dar va vă ajuta să alegeți tehnologia potrivită: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Partea-2 (20%) a acestui antrenament introduc Theano - o bibliotecă Python care simplifică scrierea modelelor de învățare adâncă.

Partea-3 (40%) a antrenamentului se va baza extensiv pe TensorFlow - API-ul de generatia a 2-a al bibliotecii open source Google pentru Invățarea Adâncă. Exemplele și exercițiile practice vor fi realizate exclusiv în TensorFlow.

Audiență

Acest curs este destinat inginerilor care doresc să folosească TensorFlow pentru proiectele lor de Invățare Adâncă

După finalizarea acestui curs, delegații vor:

• să aibă o înțelegere bună a rețelelor neuronale adânci (DNN), CNN și RNN

• să înțeleagă structura și mecanismele de implementare ale TensorFlow

• să poată efectua sarcini de instalare, configurarea mediului de producție / arhitecturii și a infrastructurii

• să poată evalua calitatea codului, să execute depanarea și monitorizarea

• să poată implementa producții avansate precum antrenarea modelelor, construirea grafurilor și logging