Fraud Detection met Python en TensorFlow Training Cursus

Dit is een 4-daagse cursus waarin AI en de toepassing ervan worden geïntroduceerd. Er is een optie om na voltooiing van deze cursus een extra dag uit te trekken om een AI-project uit te voeren. 

Deze door een instructeur geleide, live training in België (online of ter plaatse) is gericht op data wetenschappers en software ingenieurs die Dask met de Python-ecosysteem willen gebruiken om grote datasets te bouwen, schalen en analyseren.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Het omgeving opzetten om big data verwerking met Dask en Python te starten.
• De functionaliteiten, bibliotheken, tools en API's die beschikbaar zijn in Dask verkennen.
• Inzicht krijgen hoe Dask parallellerekeningen in Python versnelt.
• Leren hoe je de Python-ecosysteem (Numpy, SciPy en Pandas) met Dask schaalt.
• De Dask-omgeving optimaliseren om een hoge prestatie te behouden bij het verwerken van grote datasets.

Deze door een instructeur geleide live training in België (online of op locatie) is gericht op ontwikkelaars en data-analisten op intermediair niveau die hun vaardigheden in data-analyse en manipulatie met behulp van Pandas en NumPy willen verbeteren.

Na afloop van deze training kunnen de deelnemers:

• Een ontwikkelomgeving instellen die Python, Pandas en NumPy omvat.
• Een data-analyseapplicatie maken met behulp van Pandas en NumPy.
• Geavanceerde data-wrangling-, sorterings- en filteroperaties uitvoeren.
• Aggregaatoperaties uitvoeren en tijdreeksdata analyseren.
• Data visualiseren met Matplotlib en andere visualisatiebibliotheken.
• Hun data-analysecode debuggen en optimaliseren.

In deze instructiegeleide, live training in België, leren de deelnemers Python-bibliotheken voor NLP te gebruiken terwijl ze een applicatie ontwikkelen die een serie foto's verwerkt en bijschriften genereert.

Na afloop van deze training zullen de deelnemers in staat zijn:

• DL voor NLP te ontwerpen en programmeren met Python-bibliotheken.
• Python-code te schrijven die een groot aantal foto's leest en trefwoorden genereert.
• Python-code te schrijven die bijschriften genereert op basis van de gedetecteerde trefwoorden.

Publiek

Dit cursus is geschikt voor Deep Learning onderzoekers en ingenieurs die geïnteresseerd zijn in het gebruik van beschikbare tools (voornamelijk opensource) voor het analyseren van computers afbeeldingen.

Deze cursus biedt praktijkvoorbeelden.

Deze instructeurgeleide, live-training (online of op locatie) is gericht op ontwikkelaars die de FARM (FastAPI, React en MongoDB)-stack willen gebruiken om dynamische, hoge-prestatie en schaalbare webtoepassingen te bouwen.

Na afloop van deze training kunnen de deelnemers:

• Het noodzakelijke ontwikkelomgeving inrichten dat FastAPI, React en MongoDB integreert.
• De belangrijkste concepten, functies en voordelen van de FARM-stack begrijpen.
• Leren hoe je REST APIs kunt bouwen met FastAPI.
• Leren hoe je interactieve toepassingen kunt ontwerpen met React.
• Toepassingen (front-end en back-end) ontwikkelen, testen en implementeren met de FARM-stack.

Dit door de instructeur geleide live-training in België (online of on-site) is gericht op ontwikkelaars die FastAPI willen gebruiken met Python om RESTful API's sneller en gemakkelijker te bouwen, testen en implementeren.

Na het volgen van deze training zullen de deelnemers in staat zijn:

• Het benodigde ontwikkelomgeving op te zetten om API's met Python en FastAPI te ontwikkelen.
• API's sneller en gemakkelijker te creëren met behulp van de FastAPI-bibliotheek.
• Te leren hoe je data-modellen en schema's kunt maken op basis van Pydantic en OpenAPI.
• API's aan een database te koppelen met SQLAlchemy.
• Veiligheid en authenticatie in API's te implementeren met de FastAPI-hulpmiddelen.
• Container-afbeeldingen te bouwen en web-API's naar een cloud-server te implementeren.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor datawetenschappers en -ontwikkelaars die Modin willen gebruiken om parallelle berekeningen te bouwen en te implementeren met Pandas voor snellere data-analyse.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet de benodigde omgeving op om te beginnen met het ontwikkelen van Pandas workflows op schaal met Modin.
• Begrijp de functies, architectuur en voordelen van Modin.
• Ken de verschillen tussen Modin, Dask en Ray.
• Voer Pandas bewerkingen sneller uit met Modin.
• Implementeer de volledige Pandas API en functies.

Deze instructeur-gelede, live training in België (online of ter plekke) is gericht op developers en data scientists die Tensorflow 2.x willen gebruiken om predictors, classificators, generatieve modellen, neurale netwerken enzovoort te bouwen.

Na afloop van deze training zullen de deelnemers in staat zijn:

• TensorFlow 2.x te installeren en te configureren.
• Inzicht te krijgen in de voordelen van TensorFlow 2.x ten opzichte van eerdere versies.
• Deep learning modellen te bouwen.
• Een geavanceerde beeldclassificator te implementeren.
• Een deep learning model te deployen naar de cloud, mobiele apparaten en IoT-apparatuur.

In deze instructeurgeleide, live training in België (online of op locatie), zullen de deelnemers leren hoe ze TensorFlow Serving moeten configureren en gebruiken om ML-modellen te deployen en te beheren in een productieomgeving.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Verschillende TensorFlow modellen te trainen, exporteren en serveren.
• Algoritmen te testen en te deployen met behulp van een enkele architectuur en set APIs.
• TensorFlow Serving uit te breiden om andere types modellen dan TensorFlow modellen te serveren.

TensorFlow is een tweede generatie API van Google's open source softwarebibliotheek voor Deep Learning. Het systeem is ontworpen om onderzoek naar machine learning te vergemakkelijken en om snel en gemakkelijk over te schakelen van een onderzoeksprototype naar een productiesysteem.

Doelgroep

Dit cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun Deep Learning projecten

Nadat de deelnemers deze cursus hebben voltooid, kunnen zij:

• de structuur en implementatiemechanismen van TensorFlow begrijpen
• installatie-, productieomgeving- en architectuksTaken uitvoeren en configuraties instellen
• kwaliteit van code beoordelen, debugging en monitoring uitvoeren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging uitvoeren

Dit cursus verkent, met specifieke voorbeelden, de toepassing van TensorFlow voor het doel van beeldherkenning

Doelpubliek

Dit cursus is bedoeld voor ingenieurs die TensorFlow willen inzetten voor de doeleinden van Beeldherkenning

Nadat u deze cursus hebt voltooid, kunt u:

• TensorFlow’s structuur en implementatiemechanismen begrijpen
• installatie-, productieomgeving- en architectuurtaken uitvoeren en configureren
• kwaliteit van code beoordelen, foutopsporing en monitoring uitvoeren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging implementeren

Dit instructeurgeleide, live-training in België (online of ter plekke) is gericht op datawetenschappers die willen overstappen van het trainen van één ML-model naar het implementeren van veel ML-modellen in de productie.

Na afloop van deze training kunnen de deelnemers:

• TensorFlow Extended (TFX) en ondersteunende derde-partijshulpmiddelen installeren en configureren.
• TFX gebruiken om een volledige ML-productiepijplijn te maken en te beheren.
• Werken met TFX-componenten voor modellering, training, inferentiedienstverlening en beheer van implementaties.
• Machinaal lerenfuncties implementeren in webapplicaties, mobiele applicaties, IoT-apparaten en meer.

TensorFlow™ is een open source softwarebibliotheek voor numerieke berekeningen met behulp van dataflow grafieken.

SyntaxNet is een neuronale-netwerk Natural Language Processing framework voor TensorFlow.

Word2Vec wordt gebruikt om vectorrepresentaties van woorden te leren, ook wel "woordembeddings" genoemd. Word2vec is een bijzonder berekeningsmatig efficiënt voorspellend model om woordembeddings uit rauwe tekst te leren. Het komt in twee varianten voor: het Continuous Bag-of-Words model (CBOW) en het Skip-Gram model (hoofdstuk 3.1 en 3.2 bij Mikolov et al.).

Gebruikt in combinatie, SyntaxNet en Word2Vec maken het gebruikers mogelijk om Learned Embedding modellen te genereren vanuit Natural Language input.

Doelgroep

Dit cursus is bedoeld voor ontwikkelaars en ingenieurs die werken met SyntaxNet- en Word2Vec-modellen in hun TensorFlow grafieken.

Nadat de deelnemers deze cursus hebben voltooid, zullen zij:

• TensorFlow’s structuur en implementatiemechanismen begrijpen
• in staat zijn installatie-, productieomgeving-, architectuurtaken en configuratie uit te voeren
• in staat zijn codekwaliteit te beoordelen, debugging en monitoring uit te voeren
• in staat zijn geavanceerde productietaaken uit te voeren zoals het trainen van modellen, embedden van termen, bouwen van grafieken en logging

Dit cursus begint met conceptuele kennis over neurale netwerken en machine learning-algoritmen in het algemeen, diep leren (algoritmen en toepassingen).

Deel-1 (40%) van deze training richt zich voornamelijk op de grondbeginselen, maar helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Deel-2 (20%) introduceert Theano - een Python-bibliotheek die het schrijven van deep learning-modellen eenvoudig maakt.

Deel-3 (40%) van de training is uitgebreid gebaseerd op TensorFlow - API van Google's open source softwarebibliotheek voor Deep Learning. De voorbeelden en handsonpracticum worden allemaal in TensorFlow gemaakt.

Doelgroep

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten

Na het afwerken van deze cursus kunnen de cursisten:

• een goede kennis hebben van diepe neurale netwerken (DNN), CNN en RNN
• de structuur en implementatiemechanismen van TensorFlow begrijpen
• in staat zijn om installatietaken, productieomgeving, architectuurtaken en configuratie uit te voeren
• de kwaliteit van code kunnen beoordelen, debuggen en monitoren
• geavanceerde productietaken zoals het trainen van modellen, het bouwen van grafieken en logging kunnen uitvoeren