Visão Geral

Curso TensorFlow tem como objeto passar para os candidatos fornecer uma visão mais profunda dos assuntos principais.

O Curso TensorFlow  foi projetado para esclarecer os fundamentos do TensorFlow e suas principais funções.

Como o TensorFlow é uma das melhores bibliotecas necessárias para a execução do Deep Learning, esse programa de treinamento do TensorFlow também ajuda os candidatos a ganhar experiência prática e a adquirir o entendimento completo do processo de criação do Deep Learning Application.

Objetivo

Quando os candidatos concluírem o curso TensorFlow, eles serão capazes de:

• Explicar o aprendizado profundo
• Definir as motivações por trás do Deep Learning
• Descrever redes neurais
• Treine as redes neurais
• Discutir retropropagação
• Definir Autoencoders Variacionais e Autoencoders
• Execute o programa "Hello World" no TensorFlow
• Definir redes neurais convolucionais
• Discutir a RNN
• Explicar a teoria da rede de tensores neurais recursivos
• Executar o modelo de rede neural recursiva
• Explicar o aprendizado não supervisionado
• Discutir as várias aplicações do aprendizado não supervisionado
• Descrever a máquina restrita de Boltzmann

Publico Alvo

• Desenvolvedores de aplicativos
• Analistas de dados
• Cientistas de dados
• Profissionais com conhecimentos básicos de Machine Learning e Programação
• Pesquisadores Acadêmicos

Pre-Requisitos

• Os candidatos devem ter conhecimentos básicos de programação, principalmente em C ++ ou Python.
• Ter conhecimento de Arrays Concepts seria uma vantagem adicional.
• Uma compreensão clara dos conceitos de aprendizado de máquina é obrigatória.

Informações Gerais

• Carga horaria 24h
• Se noturno o curso e ministrado das 19h às 23h, total de 6 noites;
• Se aos sábados o curso e ministrado de 09h às 18h, total de 3 sábados;
• Se in-company o curso e ministrado de acordo com agenda do cliente;

Formato de Entrega:

• Presencial em sala de aula;
• On-line ao vivo em tempo real via vídeo conferencia 100% na presença de um instrutor com a mesma qualidade do curso presencial. Solicite um teste para validar a modalidade on-line na pratica;
• In-company

Instrutores:

• Ambos são capacitados atuando diariamente no mercado Deep Learning, Machine Learning, nos mais variados seguimentos de negócios;
• Ambos também são profissionais docente em sala de aula, trazendo sua experiência de mercado para dentro da sala de aula;

Cursos in-company

• Os cursos in-company são ministrados em formato padrão;
• Ou cursos customizado com base no processo do cliente, tipo step by step facilitando o dia – dia dos colaboradores internos ou externo, até mesmo em suas clientes mesmo em suas clientes.
• Solicite um orçamento;

Materiais

Conteúdo Programatico

An Introduction to Deep Learning

1. An overview of Deep Learning
2. Deep Learning- A massive change in the Artificial Intelligence
3. An overview of Machine Learning
4. Limitations of Machine Learning
5. Reasons to go with Deep Learning over Machine Learning

Understanding Fundamentals of Neural Networks using TensorFlow

1. Work process of Deep Learning
2. Different Activation Functions
3. How Deep Learning Works?
4. Activation Functions
5. A Brief of Perceptron
6. Training a Perceptron
7. Key Parameters of Perceptron
8. An explanation of Tensorflow?
9. TensorFlow and its code-basics
10. Graph Visualization
11. Constants, Placeholders, Variables
12. Creating a Model
13. Step-by-Step process of Use-Case Implementation

Explanation of the Neural Networks using TensorFlow

1. An overview of the limitations of a single Perceptron
2. Knowing the limitations of A Single Perceptron
3. Know Neural Networks in-depth
4. Explanation of Multi-layer Perceptron
5. Backpropagation- Learning Algorithm
6. An overview of Backpropagation- Using Neural Network with Examples
7. MLP Digit-Classifier using TensorFlow
8. TensorBoard
9. Summary

Master Deep Networks

1. Why go to the Deep Learning? 
2. Classification of the SONAR Dataset 
3. What is Deep Learning? 
4. Extraction of the Features
5. Work process of the Deep Network 
6. Training using Backpropagation 
7. Options of Gradient Descent 
8. Different Types of Deep Networks

Convolutional Neural Networks (CNN)

1. An introduction to Convolutional Neural Networks
2. Applications of the Convolutional Neural Networks
3. Architecture of Convolutional Neural Networks
4. Pooling and Convolutional layers in the Convolutional Neural Networks
5. Visualizing the Convolutional Neural Networks
6. Fine-tuning and transfer learning Convolutional Neural Networks

Recurrent Neural Networks (RNN)

1. An introduction to Recurrent Neural Networks
2. Applying use cases of Recurrent Neural Networks
3. Modelling sequences of Recurrent Neural Networks
4. Training RNNs with Backpropagation 
5. Long and short-term memory (LSTM)
6. Theory of Neural Tensor Network
7. Different Models of Recurrent Neural Network

Restricted Boltzmann Machine (RBM) and Autoencoders

1. An overview of Restricted Boltzmann Machine
2. Different applications of RBM
3. Combined Filtering with RBM
4. An overview of Autoencoders
5. Applications of Autoencoders
6. Understanding of Autoencoders

An Introduction to Keras

1. An overview of Keras
2. Ways to create models in Keras
3. Functional and Sequential Compositions
4. Predefined Neural Network Layers
5. Batch Normalization: What exactly it is?
6. Saving and loading the models with Keras
7. Customization of the training process
8. Uses of TensorBoard with Keras
9. Process of Use-Case Implementation with Keras

An Introduction to TFlearn

1. An overview of TFlearn
2. Composing models in TFlearn
3. Functional and Sequential Compositions
4. Predefined Neural Network Layers
5. Batch Normalization: What exactly it is?
6. Saving and loading the models with TFlearn
7. Customization of the training process
8. Uses of TensorBoard with TFlearn
9. Process of Use-Case Implementation with TFlearn