Kursus Pelatihan Deteksi Penipuan dengan Python dan TensorFlow

Ini adalah kursus 4 hari yang memperkenalkan AI dan penerapannya. Ada opsi untuk memiliki satu hari tambahan untuk melaksanakan proyek AI setelah menyelesaikan kursus ini.

Pelatihan langsung oleh instruktur di Indonesia (online atau di tempat) ini ditujukan kepada ilmuwan data dan insinyur perangkat lunak yang ingin menggunakan Dask dengan ekosistem Python untuk membangun, meng skalakan, dan menganalisis dataset besar.

Setelah pelatihan ini selesai, peserta akan dapat:

• Mengatur lingkungan untuk memulai pengolahan data besar dengan Dask dan Python.
• Mengexploitasi fitur, perpustakaan, alat, dan API yang tersedia dalam Dask.
• Memahami bagaimana Dask mempercepat komputasi paralel di Python.
• Mempelajari cara meng skalakan ekosistem Python (Numpy, SciPy, dan Pandas) menggunakan Dask.
• Memaksimalkan lingkungan Dask untuk mempertahankan kinerja tinggi dalam menangani dataset besar.

Pelatihan ini, yang dibimbing oleh instruktur, dalam Indonesia (online atau tatap muka) ditujukan untuk pengembang Python dan analis data tingkat menengah yang ingin meningkatkan keterampilan mereka dalam analisis dan manipulasi data menggunakan Pandas dan NumPy.

Pada akhir pelatihan ini, peserta akan dapat:

• Mengatur lingkungan pengembangan yang mencakup Python, Pandas, dan NumPy.
• Membuat aplikasi analisis data menggunakan Pandas dan NumPy.
• Melakukan operasi pengaturan data, pengurutan, dan penyaringan tingkat lanjut.
• Melakukan operasi agregasi dan menganalisis data time series.
• Mengvisualisasikan data menggunakan Matplotlib dan perpustakaan visualisasi lainnya.
• Mendiagnosa dan mengoptimalkan kode analisis data mereka.

Dalam pelatihan online langsung ini di Indonesia, peserta akan belajar menggunakan perpustakaan Python untuk Penganalan Bahasa Alam (NLP) saat mereka membuat aplikasi yang memproses sejumlah gambar dan menghasilkan kapten.

Pada akhir pelatihan ini, peserta akan dapat:

• Mendesain dan mengkodekan DL untuk NLP menggunakan perpustakaan Python.
• Membuat kode Python yang membaca koleksi gambar yang sangat besar dan menghasilkan kata kunci.
• Membuat kode Python yang menghasilkan kapten dari kata kunci yang terdeteksi.

Audience

Kursus ini cocok untuk peneliti dan insinyur Deep Learning yang tertarik menggunakan alat-alat (sebagian besar open source) untuk menganalisis gambar komputer

Kursus ini menyediakan contoh-contoh kerja.

Pelatihan ini yang dipimpin instruktur, langsung (online atau tatap muka) ini ditujukan untuk pengembang yang ingin menggunakan stack FARM (FastAPI, React, dan MongoDB) untuk membangun aplikasi web dinamis, berkinerja tinggi, dan dapat diskalakan.

Di akhir pelatihan ini, peserta akan mampu untuk:

• Menyusun lingkungan pengembangan yang diperlukan yang mengintegrasikan FastAPI, React, dan MongoDB.
• Memahami konsep kunci, fitur, dan manfaat stack FARM.
• Mempelajari cara membangun REST API dengan FastAPI.
• Mempelajari cara merancang aplikasi interaktif dengan React.
• Mengembangkan, menguji, dan mengimplementasikan aplikasi (front end dan back end) menggunakan stack FARM.

Pelatihan yang dipandu instruktur ini di Indonesia (pelatihan online langsung atau pelatihan langsung tatap muka) ditujukan kepada pengembang yang ingin menggunakan FastAPI dengan Python untuk membangun, menguji, dan men-deploy API RESTful lebih mudah dan cepat.

Setelah pelatihan ini, peserta akan dapat:

• Mengatur lingkungan pengembangan yang diperlukan untuk mengembangkan API dengan Python dan FastAPI.
• Membuat API lebih cepat dan mudah menggunakan perpustakaan FastAPI.
• Belajar cara membuat model data dan skema berdasarkan Pydantic dan OpenAPI.
• Menghubungkan API ke database menggunakan SQLAlchemy.
• Implementasikan keamanan dan autentikasi di API menggunakan alat-alat FastAPI.
• Membangun gambar kontainer dan men-deploy web API ke server cloud.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan pengembang yang ingin menggunakan Modin untuk membangun dan menerapkan komputasi paralel dengan Pandas untuk analisis data yang lebih cepat.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan yang diperlukan untuk mulai mengembangkan Pandas alur kerja berskala dengan Modin.
• Memahami fitur, arsitektur, dan keuntungan Modin.
• Ketahui perbedaan antara Modin, Dask, dan Ray.
• Lakukan operasi Pandas lebih cepat dengan Modin.
• Terapkan seluruh API dan fungsi Pandas.

Pelatihan ini yang dipimpin instruktur, secara langsung (online atau tatap muka) ditujukan untuk pengembang dan ilmuwan data yang ingin menggunakan Tensorflow 2.x untuk membangun prediktor, klasifikator, model generatif, jaringan saraf, dan lain-lain.

Di akhir pelatihan ini, peserta akan mampu:

• Memasang dan mengkonfigurasi TensorFlow 2.x.
• Memahami manfaat TensorFlow 2.x dibandingkan dengan versi sebelumnya.
• Membangun model deep learning.
• Menerapkan klasifikator gambar canggih.
• Mengimplementasikan model deep learning ke awan, perangkat seluler, dan perangkat IoT.

Dalam pelatihan yang dipandu instruktur secara langsung di Indonesia (online atau di lokasi), peserta akan belajar cara mengonfigurasi dan menggunakan Tensorflow Serving untuk mendeploy dan mengelola model ML dalam lingkungan produksi.

Selesai pelatihan ini, peserta akan dapat:

• Mentraining, mengekspor, dan menyajikan berbagai model Tensorflow.
• Mengetes dan mendeploy algoritma menggunakan satu arsitektur dan set API.
• Mengembangkan Tensorflow Serving untuk menyajikan jenis model lain selain model Tensorflow.

TensorFlow adalah API generasi kedua dari pustaka perangkat lunak Google yang terbuka untuk Deep Learning. Sistem ini dirancang untuk memudahkan penelitian dalam pemilihan mesin, dan untuk memudahkan transisi dari prototipe penelitian ke sistem produksi dengan cepat dan mudah.

Peserta

Kursus ini ditujukan untuk insinyur yang ingin menggunakan TensorFlow untuk proyek Deep Learning-nya.

Setelah menyelesaikan kursus ini, peserta akan:

• memahami struktur dan mekanisme pengoperasian TensorFlow
• dapat melakukan tugas instalasi / lingkungan produksi / arsitektur dan konfigurasi
• dapat menilai kualitas kode, melakukan debug, pemantauan
• dapat menerapkan penggunaan lanjut seperti melatih model, membangun grafis dan melakukan logging

Kursus ini menjelajahi, dengan contoh spesifik, aplikasi Tensor Flow untuk tujuan pengenalan gambar

Peserta

Kursus ini ditujukan untuk insinyur yang ingin menggunakan TensorFlow untuk tujuan pengenalan gambar

Setelah menyelesaikan kursus ini, peserta akan mampu untuk:

• memahami struktur dan mekanisme pelaksanaan TensorFlow
• melakukan tugas instalasi / lingkungan produksi / arsitektur dan konfigurasi
• menilai kualitas kode, melakukan debugging, dan pemantauan
• menerapkan penggunaan produksi lanjutan seperti pelatihan model, membangun grafik dan logging

Ini adalah pelatihan langsung (pelatihan online langsung atau pelatihan langsung tatap muka) yang dipimpin instruktur di Indonesia yang ditujukan untuk para ilmuwan data yang ingin melangkah dari melatih satu model ML hingga mengirim banyak model ML ke produksi.

Di akhir pelatihan ini, peserta akan mampu:

• Memasang dan mengonfigurasi TFX dan alat-alat pihak ketiga pendukung.
• Menggunakan TFX untuk membuat dan mengelola pipa produksi ML yang lengkap.
• Bekerja dengan komponen TFX untuk melakukan modeling, pelatihan, menyajikan inferensi, dan mengelola penempatan.
• Mengirim fitur pemodelan mesin ke aplikasi web, aplikasi seluler, perangkat IoT, dan sebagainya.

TensorFlow™ adalah perpustakaan perangkat lunak sumber terbuka untuk komputasi numerik menggunakan grafik aliran data.

SyntaxNet adalah kerangka pengolahan bahasa alami berbasis jaringan saraf untuk TensorFlow.

Word2Vec digunakan untuk mempelajari representasi vektor kata, disebut "word embeddings". Word2vec adalah model prediktif yang khusus efisien secara komputasi untuk mempelajari word embeddings dari teks mentah. Model ini ada dalam dua variasi, Continuous Bag-of-Words (CBOW) dan Skip-Gram (Bab 3.1 dan 3.2 dalam Mikolov et al.).

Dengan digunakan bersama, SyntaxNet dan Word2Vec memungkinkan pengguna untuk menghasilkan model Learned Embedding dari input Natural Language.

Peserta

Kursus ini ditujukan untuk pengembang dan insinyur yang ingin bekerja dengan model SyntaxNet dan Word2Vec dalam grafik TensorFlow mereka.

Setelah menyelesaikan kursus ini, peserta akan:

• memahami struktur dan mekanisme peluncuran TensorFlow
• dapat melakukan tugas instalasi/lingkungan produksi/arsitektur dan konfigurasi
• dapat menilai kualitas kode, melakukan pembugian, dan pemantauan
• dapat menerapkan penggunaan lanjutan seperti melatih model, menanamkan istilah, membangun grafik, dan log

Pelatihan ini dimulai dengan memberikan pengetahuan konseptual tentang jaringan saraf dan secara umum dalam algoritma pembelajaran mesin, pembelajaran mendalam (algoritma dan aplikasi).

Bagian-1(40%) dari pelatihan ini lebih berfokus pada dasar-dasar, tetapi akan membantu Anda memilih teknologi yang tepat: TensorFlow, Caffe, Theano, DeepDrive, Keras, dll.

Bagian-2(20%) dari pelatihan ini mengenalkan Theano - perpustakaan Python yang membuat penulisan model pembelajaran mendalam menjadi mudah.

Bagian-3(40%) dari pelatihan akan sangat berbasis pada TensorFlow - API dari pustaka perangkat lunak sumber terbuka Google untuk Pembelajaran Mendalam. Contoh dan praktikum semuanya akan dilakukan menggunakan TensorFlow.

Audience

Pelatihan ini ditujukan untuk insinyur yang ingin menggunakan TensorFlow untuk proyek-proyek Pembelajaran Mendalam mereka

Setelah menyelesaikan pelatihan ini, peserta akan:

• memiliki pemahaman yang baik tentang jaringan saraf dalam (DNN), CNN, dan RNN
• memahami struktur dan mekanisme penyebaran TensorFlow
• mampu melakukan tugas instalasi / lingkungan produksi / arsitektur dan konfigurasi
• mampu menilai kualitas kode, melakukan debugging, monitoring
• mampu mengimplementasikan produksi lanjutan seperti pelatihan model, pembangunan grafik dan pencatatan