Corso di formazione Fraud Detection with Python and TensorFlow

Questo è un corso di 4 giorni che introduce l'intelligenza artificiale e la sua applicazione. C'è la possibilità di avere un giorno in più per intraprendere un progetto di intelligenza artificiale al termine di questo corso. 

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist e ingegneri del software che desiderano utilizzare Dask con l'ecosistema Python per costruire, scalare e analizzare set di dati di grandi dimensioni.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare l'ambiente per iniziare a creare l'elaborazione di Big Data con Dask e Python.
• Esplora le funzionalità, le librerie, gli strumenti e le API disponibili in Dask.
• Scopri come Dask accelera l'elaborazione parallela in Python.
• Scopri come scalare l'ecosistema Python (Numpy, SciPy e Pandas) usando Dask.
• Ottimizza l'ambiente Dask per mantenere prestazioni elevate nella gestione di set di dati di grandi dimensioni.

Questa formazione guidata dal docente in Italia (online o presenza) è rivolta a sviluppatori e analisti dei dati di livello intermedio che desiderano migliorare le loro competenze nell'analisi e nella manipolazione dei dati utilizzando Pandas e NumPy.

Al termine della formazione, i partecipanti saranno in grado di:

• Configurare un ambiente di sviluppo che include Python, Pandas e NumPy.
• Crea un'applicazione di analisi dati utilizzando Pandas e NumPy.
• Eseguire operazioni avanzate di wrangling, ordinamento e filtraggio dei dati.
• Condurre operazioni aggregate ed analizzare i dati delle serie temporali.
• Visualizzare i dati utilizzando Matplotlib e altre librerie di visualizzazione.
• Debuggare e ottimizzare il proprio codice di analisi dati.

In questo corso di formazione dal vivo con istruttore in Italia, i partecipanti impareranno a utilizzare Python librerie per la PNL mentre creano un'applicazione che elabora un set di immagini e genera didascalie. 

Al termine di questa formazione, i partecipanti saranno in grado di:

• Progettare e codificare DL per NLP utilizzando le librerie Python. 
• Creare Python codice che legga una raccolta sostanzialmente enorme di immagini e generi parole chiave.
• Creare Python Codice che generi didascalie dalle parole chiave rilevate.

Pubblico

Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare gli strumenti disponibili (principalmente open source) per l'analisi delle immagini del computer

Questo corso fornisce esempi di lavoro.

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare lo stack FARM (FastAPI, React e MongoDB) per creare applicazioni Web dinamiche, ad alte prestazioni e scalabili.

Al termine di questa formazione, i partecipanti saranno in grado di:

Configurare l'ambiente di sviluppo necessario che integri FastAPI, React e MongoDB. Comprendere i concetti chiave, le funzionalità e i vantaggi dello stack FARM. Scopri come creare API REST con FastAPI. Impara a progettare applicazioni interattive con React. Sviluppare, testare e distribuire applicazioni (front-end e back-end) utilizzando lo stack FARM.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare FastAPI con Python per creare, testare e distribuire API RESTful in modo più semplice e veloce.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare l'ambiente di sviluppo necessario per sviluppare API con Python e FastAPI.
• Creare API in modo più rapido e semplice utilizzando la libreria FastAPI.
• Imparare a creare modelli di dati e schemi basati su Pydantic e OpenAPI.
• Connettere le API a un database utilizzando SQLAlchemy.
• Implementare sicurezza e autenticazione nelle API utilizzando gli strumenti FastAPI.
• Creare immagini container e distribuire le API web su un server cloud.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a data scientist e sviluppatori che desiderano utilizzare Modin per creare e implementare calcoli paralleli con Pandas per un'analisi più rapida dei dati.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Configura l'ambiente necessario per iniziare a sviluppare Pandas flussi di lavoro su larga scala con Modin.
• Comprendere le caratteristiche, l'architettura e i vantaggi di Modin.
• Conosci le differenze tra Modin, Dask e Ray.
• Esegui Pandas operazioni più velocemente con Modin.
• Implementa l'intera API e le funzioni Pandas.

Questa formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a sviluppatori e data scientist che desiderano utilizzare Tensorflow 2.x per creare predittori, classificatori, modelli generativi, reti neurali e così via.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Installare e configurare TensorFlow 2.x.
• Comprendere i vantaggi di TensorFlow 2.x rispetto alle versioni precedenti.
• Crea modelli di deep learning.
• Implementare un classificatore di immagini avanzato.
• Distribuisci un modello di deep learning su cloud, dispositivi mobili e IoT.

In questo corso di formazione dal vivo con istruttore in Italia (online o in loco), i partecipanti impareranno come configurare e utilizzare TensorFlow Serving per distribuire e gestire i modelli di ML in un ambiente di produzione.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Eseguire il training, l'esportazione e il servizio di vari modelli TensorFlow.
• Testare e distribuire algoritmi utilizzando un'unica architettura e insieme di API.
• Estendere TensorFlow Serving per servire altri tipi di modelli oltre ai modelli TensorFlow.

TensorFlow è un'API di seconda generazione della libreria di software open source Go ogle per Deep Learning . Il sistema è progettato per facilitare la ricerca nell'apprendimento automatico e per rendere semplice e veloce il passaggio dal prototipo di ricerca al sistema di produzione.

Pubblico

Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i loro progetti di Deep Learning

Dopo aver completato questo corso, i delegati dovranno:

• comprendere la struttura e i meccanismi di implementazione di TensorFlow
• essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione
• essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio
• essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione

Questo corso esplora, con esempi specifici, l'applicazione del flusso tensoriale ai fini del riconoscimento delle immagini

Pubblico

Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow ai fini del riconoscimento delle immagini

Dopo aver completato questo corso, i delegati saranno in grado di:

• comprendere la struttura e i meccanismi di implementazione di TensorFlow
• svolgere attività e configurazione di installazione / ambiente di produzione / architettura
• valutare la qualità del codice, eseguire il debug, il monitoraggio
• implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione

In questo corso di formazione dal vivo con istruttore in Italia, i partecipanti impareranno come sfruttare le innovazioni dei processori TPU per massimizzare le prestazioni delle proprie applicazioni di intelligenza artificiale.

Al termine della formazione, i partecipanti saranno in grado di:

• Addestra vari tipi di reti neurali su grandi quantità di dati.
• Usa le TPU per accelerare il processo di inferenza fino a due ordini di grandezza.
• Utilizza le TPU per elaborare applicazioni intensive come la ricerca di immagini, la visione cloud e le foto.

TensorFlow™ è una biblioteca software open source per la calcolo numerico utilizzando grafici di flusso di dati.

SyntaxNet è un framework di elaborazione del linguaggio naturale per TensorFlow.

Word2Vec viene utilizzato per l'apprendimento delle rappresentazioni vectoriali delle parole, chiamate "word embeddings". Word2vec è un modello predittivo particolarmente computazionale-efficiente per l'apprendimento delle inserzioni di parole dal testo crudo. Viene in due sapori, il modello Continuous Bag-of-Words (CBOW) e il modello Skip-Gram (Capitolo 3.1 e 3.2 in Mikolov et al.)

Utilizzato in tandem, SyntaxNet e Word2Vec consentono agli utenti di generare modelli di insegnamento imparato dall'ingresso della lingua naturale.

Il pubblico

Questo corso è mirato agli sviluppatori e agli ingegneri che intendono lavorare con i modelli SyntaxNet e Word2Vec nei loro TensorFlow grafici.

Dopo aver completato questo corso, i delegati saranno:

• Comprendere TensorFlow’s struttura e meccanismi di implementazione
• essere in grado di svolgere attività di installazione / ambiente di produzione / architettura e configurazione
• essere in grado di valutare la qualità del codice, eseguire il debugging, monitorare
• essere in grado di implementare la produzione avanzata come modelli di formazione, termini di inserimento, grafici di costruzione e logging

Questo corso inizia con la conoscenza concettuale delle reti neurali e generalmente dell'algoritmo di machine learning, deep learning (algoritmi e applicazioni).

La parte 1 (40%) di questa formazione è più focalizzata sui fondamenti, ma ti aiuterà a scegliere la giusta tecnologia: TensorFlow , Caffe , Theano, DeepDrive, Keras , ecc.

La parte 2 (20%) di questa formazione introduce Theano, una libreria Python che semplifica la scrittura di modelli di apprendimento profondo.

La parte 3 (40%) della formazione sarebbe ampiamente basata su Tensorflow - API di seconda generazione della libreria software open source di Go ogle per Deep Learning . Gli esempi e le istruzioni sarebbero state fatte in TensorFlow .

Pubblico

Questo corso è destinato agli ingegneri che desiderano utilizzare TensorFlow per i loro progetti di Deep Learning

Dopo aver completato questo corso, i delegati dovranno:

• avere una buona conoscenza delle reti neurali profonde (DNN), CNN e RNN

• comprendere la struttura e i meccanismi di implementazione di TensorFlow

• essere in grado di eseguire attività di installazione / ambiente di produzione / architettura e configurazione

• essere in grado di valutare la qualità del codice, eseguire il debug, il monitoraggio

• essere in grado di implementare la produzione avanzata come modelli di formazione, creazione di grafici e registrazione