使用Python和TensorFlow进行欺诈检测 培训

这是一个为期 4 天的课程，介绍人工智能及其应用。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

本课程为讲师指导的培训（线上或线下），面向希望使用Dask与Python生态系统构建、扩展和分析大型数据集的数据科学家和软件工程师。

在培训结束时，参与者将能够：

• 设置环境，开始使用Dask和Python进行大数据处理。
• 探索Dask中可用的功能、库、工具和API。
• 了解Dask如何加速Python中的并行计算。
• 学习如何使用Dask扩展Python生态系统（Numpy、SciPy和Pandas）。
• 优化Dask环境，以保持处理大型数据集时的高性能。

本课程为讲师指导的培训，在中国（线上或线下）进行，面向希望提升使用Pandas和NumPy进行数据分析和操作技能的中级Python开发者和数据分析师。

通过本培训，参与者将能够：

• 设置包含Python、Pandas和NumPy的开发环境。
• 使用Pandas和NumPy创建数据分析应用。
• 执行高级数据整理、排序和过滤操作。
• 进行聚合操作并分析时间序列数据。
• 使用Matplotlib和其他可视化库进行数据可视化。
• 调试和优化数据分析代码。

在这个由讲师指导的中国现场培训中，参与者将学习使用Python 库进行NLP，因为他们创建了一个处理 一组图片并生成标题的应用程序。 

在培训结束时，参与者将能够：

•  使用 Python 库为 NLP 设计和编写 DL。
• 创建 Python 代码，读取大量图片并生成关键字。
• 创建 Python 代码，用于 从检测到的关键字生成标题。

受众

本课程适合对利用现有工具（主要为开源工具）进行计算机图像分析的深度学习研究人员和工程师。

本课程提供实际案例。

本课程由讲师主导，提供线下或线上培训，旨在帮助开发者使用 FARM (FastAPI, React, 和 MongoDB) 技术栈构建动态、高性能且可扩展的 Web 应用。

通过本课程，学员将能够：

• 搭建集成了 FastAPI、React 和 MongoDB 的开发环境。
• 理解 FARM 技术栈的关键概念、特点和优势。
• 学习如何使用 FastAPI 构建 REST API。
• 学习如何使用 React 设计交互式应用。
• 使用 FARM 技术栈开发、测试和部署应用（前端和后端）。

本课程为讲师指导的培训，在中国（线上或线下）进行，面向希望使用FastAPI与Python更快速、更轻松地构建、测试和部署RESTful API的开发者。

通过本课程，学员将能够：

• 设置必要的开发环境，以使用Python和FastAPI开发API。
• 使用FastAPI库更快速、更轻松地创建API。
• 学习如何基于Pydantic和OpenAPI创建数据模型和模式。
• 使用SQLAlchemy将API连接到数据库。
• 使用FastAPI工具在API中实现安全和身份验证。
• 构建容器镜像并将Web API部署到云服务器。

这种由 讲师指导的 中国 现场现场培训（在线或现场）面向希望使用 Modin 构建和实施并行计算的数据科学家和开发人员 Pandas 以加快数据分析速度。

在本次培训结束时，参与者将能够：

• 设置必要的环境，开始使用 Modin 大规模开发 Pandas 工作流。
• 了解 Modin 的功能、架构和优势。
• 了解 Modin、Dask 和 Ray 之间的区别。
• 使用 Modin 更快地执行 Pandas 操作。
• 实现整个 Pandas API 和函数。

这种以讲师为主导的中国现场培训（现场或远程）面向希望使用Tensorflow 2.x 构建预测器，分类器，生成模型，神经网络等的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 安装并配置 TensorFlow 2.x。
• 了解 TensorFlow 2.x 相对于以前版本的优势。
• 构建深度学习模型。
• 实现高级图像分类器。
• 将深度学习模型部署到云、移动和 IoT 设备。

在这个由讲师指导的中国现场（现场或远程）的现场培训中，参与者将学习如何配置和使用TensorFlow Serving在生产环境中部署和管理ML模型。

在培训结束时，参与者将能够：

• 训练、导出和提供各种 TensorFlow 模型。
• 使用单个体系结构和一组 API 测试和部署算法。
• 扩展 TensorFlow Serving 以服务于 TensorFlow 模型以外的其他类型的模型。

TensorFlow 是 Google 开源的深度学习软件库的第二代 API。该系统旨在促进机器学习研究，并快速轻松地将研究原型过渡到生产系统。

受众

本课程面向希望在深度学习项目中使用 TensorFlow 的工程师。

完成本课程后，学员将能够：

• 理解 TensorFlow 的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、构建图和日志记录

本课程通过具体示例，探讨了TensorFlow在图像识别中的应用。

受众

本课程面向希望利用TensorFlow进行图像识别的工程师。

完成本课程后，学员将能够：

• 理解TensorFlow的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、构建图和日志记录

这种以讲师为主导的中国现场培训（现场或远程）针对的是希望从训练单个ML模型到将多个ML模型部署到生产的数据科学家。

在培训结束时，参与者将能够：

• 安装和配置 TFX 和支持的第三方工具。
• 使用 TFX 创建和管理完整的 ML 生产管道。
• 使用 TFX 组件执行建模、训练、提供推理和管理部署。
• 将机器学习功能部署到 Web 应用程序、移动应用程序、IoT 设备等。

TensorFlow™ 是一个开源的软件库，用于使用数据流图进行数值计算。

SyntaxNet 是一个基于神经网络的自然语言处理框架，专为 TensorFlow 设计。

Word2Vec 用于学习词的向量表示，称为“词嵌入”。Word2Vec 是一种计算效率特别高的预测模型，用于从原始文本中学习词嵌入。它有两种模式：连续词袋模型（CBOW）和 Skip-Gram 模型（Mikolov 等人的第 3.1 和 3.2 章）。

SyntaxNet 和 Word2Vec 结合使用，用户可以从自然语言输入中生成学习到的嵌入模型。

受众

本课程面向希望在 TensorFlow 图中使用 SyntaxNet 和 Word2Vec 模型的开发人员和工程师。

完成本课程后，学员将能够：

• 理解 TensorFlow 的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，进行调试和监控
• 能够实现高级生产任务，如训练模型、嵌入术语、构建图和日志记录

本课程首先为您提供神经网络、机器学习算法以及深度学习（算法和应用）的概念性知识。

本培训的第1部分（40%）更侧重于基础知识，但将帮助您选择正确的技术：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培训的第2部分（20%）介绍了Theano——一个使编写深度学习模型变得简单的Python库。

本培训的第3部分（40%）将广泛基于TensorFlow——谷歌的开源深度学习软件库的API。所有的示例和动手实践都将在TensorFlow中进行。

受众

本课程面向希望在其深度学习项目中使用TensorFlow的工程师。

完成本课程后，学员将：

• 对深度神经网络（DNN）、CNN和RNN有良好的理解
• 理解TensorFlow的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，进行调试和监控
• 能够实现高级生产任务，如训练模型、构建图和日志记录