Formation Fraud Detection with Python and TensorFlow

Il s'agit d'un cours de 4 jours introduisant l'IA et ses applications. Il est possible de disposer d'une journée supplémentaire pour entreprendre un projet d'IA à l'issue de ce cours.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux data scientists et aux ingénieurs logiciels qui souhaitent utiliser Dask avec l'écosystème Python pour construire, mettre à l'échelle et analyser de grands ensembles de données.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement pour commencer à construire des traitements de big data avec Dask et Python.
• Explorer les fonctionnalités, les bibliothèques, les outils et les API disponibles dans Dask.
• Comprendre comment Dask accélère le calcul parallèle en Python.
• Apprendre à faire évoluer l'écosystème Python (Numpy, SciPy et Pandas) en utilisant Dask.
• Optimiser l'environnement Dask pour maintenir de hautes performances dans le traitement de grands ensembles de données.

Ce formation en direct, dirigée par un formateur (en ligne ou sur site) est destinée aux développeurs et analystes de données intermédiaires qui souhaitent améliorer leurs compétences en analyse et manipulation des données à l'aide de Python, Pandas et NumPy.

À la fin de cette formation, les participants seront capables de :

• Configurer un environnement de développement comprenant Python, Pandas et NumPy.
• Créer une application d'analyse des données utilisant Pandas et NumPy.
• Réaliser des opérations avancées de préparation, de tri et de filtrage des données.
• Conduire des opérations agrégées et analyser les séries temporelles.
• Visualiser les données à l'aide de Matplotlib et d'autres bibliothèques de visualisation.
• Déboguer et optimiser leur code d'analyse des données.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à utiliser des Python bibliothèques pour le NLP en créant une application qui traite un ensemble d'images et génère des légendes.&nbsp ;

A l'issue de cette formation, les participants seront capables de :

• Concevoir et coder DL pour le NLP en utilisant des Python bibliothèques.
• Créer Python un code qui lit une énorme collection d'images et génère des mots-clés.
• Créer Python code qui génère des légendes à partir des mots-clés détectés.

Public

Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques.

Ce cours fournit des exemples de travail.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser la pile FARM (FastAPI, React et MongoDB) pour créer des applications web dynamiques, performantes et évolutives.

A l'issue de cette formation, les participants seront capables de :

Mettre en place l'environnement de développement nécessaire qui intègre FastAPI, React, et MongoDB. Comprendre les concepts clés, les fonctionnalités et les avantages de la pile FARM. Apprendre à construire des API REST avec FastAPI. Apprendre à concevoir des applications interactives avec React. Développer, tester et déployer des applications (front-end et back-end) en utilisant la pile FARM.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser FastAPI avec Python pour créer, tester et déployer des API RESTful plus facilement et plus rapidement.

A l'issue de cette formation, les participants seront capables de :

• Configurer l'environnement de développement nécessaire pour développer des API avec Python et FastAPI.
• Créer des API plus rapidement et plus facilement en utilisant la bibliothèque FastAPI.
• Apprendre à créer des modèles de données et des schémas basés sur Pydantic et OpenAPI.
• Connecter les API à une base de données en utilisant SQLAlchemy.
• Implémenter la sécurité et l'authentification dans les API en utilisant les outils FastAPI.
• Construire des images conteneur et déployer des API web sur un serveur cloud.

Cette formation en direct avec instructeur dans France (en ligne ou sur site) est destinée aux scientifiques des données et aux développeurs qui souhaitent utiliser Modin pour construire et mettre en œuvre des calculs parallèles avec Pandas afin d'accélérer l'analyse des données.

A la fin de cette formation, les participants seront capables de :

• Mettre en place l'environnement nécessaire pour commencer à développer des flux de travail Pandas à l'échelle avec Modin.
• Comprendre les caractéristiques, l'architecture et les avantages de Modin.
• Connaître les différences entre Modin, Dask et Ray.
• Effectuer des opérations Pandas plus rapidement avec Modin.
• Mettre en œuvre l'ensemble de l'API et des fonctions Pandas.

Cette formation dirigée par un instructeur en <loc&gt ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent utiliser Tensorflow 2.x pour construire des prédicteurs, des classificateurs, des modèles génératifs, des réseaux neuronaux et ainsi de suite.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond dans le cloud, les appareils mobiles et IoT.

Dans cette formation en direct avec instructeur (en ligne ou sur site), les participants apprendront à configurer et à utiliser TensorFlow Serving pour déployer et gérer des modèles de ML dans un environnement de production.

A l'issue de cette formation, les participants seront capables de :

• Former, exporter et servir divers modèles TensorFlow.
• Tester et déployer des algorithmes en utilisant une seule architecture et un ensemble d'API.
• Étendre TensorFlow Serving pour servir d'autres types de modèles au-delà des modèles TensorFlow.

TensorFlow est une API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Le système est conçu pour faciliter la recherche en apprentissage automatique et faciliter la transition rapide d'un prototype de recherche à un système de production.

Public

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .

Une fois ce cours terminé, les délégués:

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
• être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
• être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation

Ce cours explore, avec des exemples spécifiques, l’application de Tensor Flow aux objectifs de la reconnaissance d’image.

Public

Ce cours est destiné aux ingénieurs qui souhaitent utiliser TensorFlow aux fins de la reconnaissance d'image.

Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer des tâches d'installation / environnement de production / architecture et configuration
• évaluer la qualité du code, effectuer le débogage, la surveillance
• implémenter une production avancée telle que des modèles de formation, la création de graphiques et l'enregistrement

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à tirer parti des innovations des processeurs TPU pour maximiser les performances de leurs propres applications d'intelligence artificielle.

A l'issue de la formation, les participants seront capables de :

• Entraîner divers types de réseaux neuronaux sur de grandes quantités de données.

TensorFlow™ est une bibliothèque de logiciels open source pour les calculs numériques en utilisant des graphiques de flux de données.

SyntaxNet est un cadre de traitement de langue naturelle pour TensorFlow.

Word2Vec est utilisé pour l'apprentissage des représentations vectorielles des mots, appelé "word embeddings". Word2vec est un modèle prédictif particulièrement computable et efficace pour l'apprentissage des entrées de mots à partir du texte. Il vient en deux goûts, le modèle Continuous Bag-of-Words (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.)

Utilisé en tandem, SyntaxNet et Word2Vec permettent aux utilisateurs de générer des modèles d'insertion appris à partir de l'entrée de langue naturelle.

Audience

Ce cours est destiné aux développeurs et aux ingénieurs qui ont l'intention de travailler avec SyntaxNet et Word2Vec modèles dans leurs TensorFlow graphiques.

Après avoir terminé ce cours, les délégués :

• Comprendre TensorFlow’s structures et mécanismes de déploiement
• être en mesure de réaliser des tâches d'installation / environnement de production / architecture et de configuration
• être en mesure d’évaluer la qualité du code, d’effectuer le débogage, de surveiller
• être en mesure de mettre en œuvre des modèles de production avancés tels que les modèles de formation, les termes d'emballage, les graphiques de construction et le logging

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et plus généralement sur les algorithmes d'apprentissage automatique, d'apprentissage approfondi (algorithmes et applications).

La partie 1 (40%) de cette formation met davantage l'accent sur les principes fondamentaux, mais vous aidera à choisir la bonne technologie: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

La partie 2 (20%) de cette formation présente Theano, une bibliothèque python qui facilite l’écriture de modèles d’apprentissage approfondi.

La partie 3 (40%) de la formation serait largement basée sur Tensorflow - API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Les exemples et handson seraient tous fabriqués dans TensorFlow .

Public

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .

Une fois ce cours terminé, les délégués:

• avoir une bonne compréhension des réseaux de neurones profonds (DNN), CNN et RNN

• comprendre la structure et les mécanismes de déploiement de TensorFlow

• être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration

• être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance

• être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation