NVIDIA Deep Learning Institute

世界で最も困難な問題を解決するためのトレーニング

NVIDIA Deep Learning Institute (DLI) では、AI、アクセラレーテッド コンピューティング、アクセラレーテッド データ サイエンスに関するハンズオン トレーニングを提供しています。開発者、データ サイエンティスト、研究者、および学生は、クラウドの GPU を活用した実践的な経験を積むことができます。 また、IT 専門家は、自組織全体の AI、データ サイエンス、HPC ワークロードをサポートするためのインフラストラクチャ設計および管理のコースを利用できます。DLI では、個人向けの自習型オンライン トレーニング、チーム向けのインストラクターによるワークショップ、大学教育関係者がダウンロードできるコース資料をご用意しております。NVIDIA DLI の認定を受けることで、当該分野におけるコンピテンシーを証明することができ、今後のご自身のキャリア アップに役立ちます。

  • <span style=

    オンライン
    コース

  • <span style=

    インストラクタによる
    ワークショップ

  • <span style=

    大学
    トレーニング

NVIDIA Deep Learning Institute (DLI) では、AI、アクセラレーテッド コンピューティング、アクセラレーテッド データ サイエンスに関するハンズオン トレーニングを提供しています。開発者、データ サイエンティスト、研究者、および学生は、クラウドの GPU を活用した実践的な経験を積み、専門的能力の成長をサポートするコンピテンシーの認定を受けることができます。DLI では、個人向けの自習型オンライン トレーニング、チーム向けのインストラクターによるワークショップ、大学教育関係者がダウンロードできるコース資料をご用意しております。

DLI によるオンライン トレーニング

修了認定あり

ディープラーニング コース

ディープラーニング基礎

  • ディープラーニングの基礎 - 画像認識・物体検出 

    ニューラル ネットワークをトレーニングし、結果を利用してパフォーマンスや機能を改善することでディープラーニングの基礎が身につきます。

    参加条件: 関数や変数など、プログラミングの基本を身につけていること

    テクノロジ: Caffe、DIGITS

    時間: 8 時間

    受講料: 90 ドル (税別)

     

  • Jetson Nano で AI を始める

    NVIDIA Jetson Nano 開発者キットがあれば、メーカー、独学で取り組んでいる個人開発者、組込み開発マニアなどの皆さんが AI のパワーを手に入れることができます。この使いやすくて高性能なコンピューターは、画像の分類、オブジェクトの検出、セグメンテーション、音声処理のようなアプリケーションにおいて複数のニューラル ネットワークを並列で実行することが可能です。本コースでは、Jetson Nano 上で動く Jupyter iPython Notebook を使用して、コンピューター ビジョン モデルを用いたディープラーニング分類プロジェクトを構築します。

    参加条件: Python の知識 (必須ではありませんが役立ちます)

    テクノロジ:PyTorch、Jetson Nano

    時間: 8 時間

    受講料: 無料

     

  • DIGITS による画像分類

    ディープラーニングはまったく新しいソリューションを可能にします。手動でコード化していた命令がサンプルから学習したモデルに取って代わられます。手書きの数字を認識するようにディープ ニューラル ネットワークをトレーニングします。

    参加条件: なし

    テクノロジ: Caffe (および DIGITS インターフェイス)

    時間: 2 時間

    受講料: 30 ドル (税別)

  • TensorRT を用いた TensorFlow モデルの最適化とデプロイ

    組み込み TensorRT ライブラリ (TF-TRT) と Python を使用して、TensorFlow プラットフォームで高性能なディープラーニング モデルを生成するための基礎を学びましょう。この選択科目の内容:

    参加条件: TensorFlow およびPython の経験

    テクノロジ: TensorFlow、Python、 TensorRT - TF-TRT

    時間: 2 時間

    受講料: 30 ドル (税別)

  • Horovod による分散ディープラーニング

    Horovod を使用して、ディープラーニングのトレーニングを複数 GPU に拡張する方法を学習します。Horovod は、もともと Uber が作成し、LF AI Foundation によってホストされていたオープンソースの分散トレーニング フレームワークです。

    参加条件: Python および Python によるディープラーニング モデルのトレーニングに関するプロフェッショナル経験

    テクノロジ: Horovod、TensorFlow、Keras、Python

    時間: 2 時間

    受講料: 30 ドル (税別)

  • TensorFlow による画像セグメンテーション

    画像 (またはセマンティック) セグメンテーションは、画像の各ピクセルを特定のクラスに配置するという作業です。心臓の各部位を測定するために MRI 画像を分割する方法を学習します。

    参加条件: ニューラル ネットワークの基本的な経験

    テクノロジ: TensorFlow

    時間: 2 時間

    受講料: 30 ドル (税別)

  • Keras によるリカレント ニューラル ネットワークを用いた時系列データのモデリング

    再帰型ニューラル ネットワーク (RNN) を利用すると、自然言語や市場などの時系列データをモデルで分類したり、予測したりできます。一定期間経過後の患者の健康にも応用できます。

    参加条件: ディープラーニングの基本的な経験

    テクノロジ: Keras

    時間: 2 時間

    受講料: 30 ドル (税別)

ディープラーニングによるデジタル コンテンツの制作

  • Torch による画像スタイル変換

    際立った視覚的特徴を抽出することにより、画像のルック アンド フィールを他の画像に移す方法を学習します。特徴の抽出に畳み込みニューラル ネットワーク (CNN) を使用する仕組みと、抽出した特徴をジェネレータに送り、新しい画像を作成する仕組みを確認します。

    参加条件: CNN の経験

    テクノロジ: Torch, CNNs

    時間: 2 時間

    受講料: 30 ドル (税別)

  • オートエンコーダーを利用した画像の超解像

    オートエンコーダーによるニューラル ネットワークのパワーを活用し、低品質のソース画像から高品質の画像を作成します。

    参加条件: CNN の経験

    テクノロジ: Keras, CNNs

    時間: 2 時間

    受講料: 30 ドル (税別)

ディープラーニングによるヘルスケア

  • MedNIST データセットを利用した医用画像分類

    放射線医学と医用画像のためのディープラーニングの概要を実地体験方式で学習します。

    参加条件: Python の基本的な経験

    テクノロジ:  PyTorch, Python

    時間: 2 時間

    受講料: 30 ドル (税別)

  • TensorFlow による画像の分類: Radiomics—1p/19q 染色体のステータス分類

    Mayo Clinic で実施された研究のおかげで、ディープラーニング手法を利用して MRI 画像から Radiomics を見い出すことが脳腫瘍患者の効果的な治療と健康状態の改善につながりました。次により 1p19q 共欠損バイオマーカーを検出する方法を学習します。

    参加条件: CNN と Python の基本的な経験

    テクノロジ: TensorFlow, CNNs, Python

    時間: 2 時間

    受講料: 30 ドル (税別)

  • 医用画像のための生成ネットワークによるデータ オーギュメンテーションとセグメンテーション

    敵対的生成ネットワーク (GAN) は 1 組のディープ ニューラル ネットワークです。与えられたトレーニング データに基づいて新しい例を作り出すジェネレーター (Generator/生成するもの) と本物と模造データを見分ける試みをするディスクリミネーター (Discriminator/識別するもの) からなります。この 2 つのネットワークが共に向上するとき、作り出される例も現実に一層近づきます。これは医療にとってたいへん有望なテクノロジです。小さなデータセットを拡大して従来のネットワークをトレーニングできるためです。

    参加条件: CNN の経験

    テクノロジ: TensorFlow, GANs, CNNs

    時間: 2 時間

    受講料: 30 ドル (税別)

  • CFCM (Coarse-to-Fine Contextual Memory) による医用画像処理

    CFCM (Coarse-to-Fine Contextual Memory) は画像セグメンテーションのために開発された手法であり、非常に深いアーキテクチャを利用し、さまざまなスケールと畳み込み LSTM (Long Short-Term Memory) の特徴を組み込んでいます。

    参加条件: CNN の経験

    テクノロジ: TensorFlow, CNNs, CFCM

    時間: 2 時間

    受講料: 30 ドル (税別)

ディープラーニングによるインテリジェント ビデオ分析

  • DeepStream を使用したインテリジェント ビデオ分析の AI ワークフロー

    DeepStream 3.0 フレームワークは、ハードウェアで高速化するインテリジェント ビデオ分析 (IVA) アプリケーションの構築ブロック機能を利用できます。この機能で、開発者は中心となるディープラーニング ネットワーク構築に集中できるようになります。DeepStream SDK は、様々なユースケースで実証済みで、展開メディア上での柔軟性を実現します。

    参加条件: C++ および Gstreamer の経験

    テクノロジ : DeepStream3, C++, Gstreamer

    時間: 2 時間

    受講料: 30 ドル (税別)

  • Jetson Nano で始めるビデオ分析向け DeepStream

    物体検出および分類のネットワークを使用してビデオ ストリームのアノテーションを行うための DeepStream アプリケーションを構築する方法を学びます。

    参加条件: C 言語の基礎知識

    テクノロジ: DeepStream, TensorRT, Jetson Nano

    時間: 8 時間、自習型

    受講料: 無料

アクセラレーテッド コンピューティング コース

  • CUDA C/C++ によるアクセラレーテッド コンピューティングの基礎  

    既存の C/C++ CPU のみのアプリケーションを高速化/最適化し、最も重要な CUDA テクニックと Nsight Systems プロファイラを使用して GPU の性能を活用する方法を学びます。

    参加条件: 変数の型、ループ、条件付き命令、関数、配列操作など、 C/C++ の基礎知識。

    テクノロジ: C/C++, CUDA

    時間: 8 時間

    受講料: 90 ドル (税別)

  • CUDA Python によるアクセラレーテッド コンピューティングの基礎

    このコースでは、Numba (JIT、型指定 Python 関数コンパイラ) を使用し、Python プログラムを大規模並列 NVIDIA GPU で実行することで高速化する方法を学習します。

    参加条件: 変数の型、ループ、条件付き命令、関数、配列操作など、 Python の基礎知識。ndarrays や ufunc の使用など、 NumPy の知識。

    テクノロジ: CUDA, Python, Numba, NumPy

    時間: 8 時間

    受講料:90 ドル (税別)

  • CUDA C++ による複数の GPU 間でのワークロードのスケーリング (New!)

    単一ノード上で利用可能な GPU をすべて活用できる、堅牢で効率的な CUDA C++ アプリケーションを構築する方法を学びます。

    参加条件: CUDA C/C++ でアプリケーションを書く能力

    ツール、ライブラリ、フレームワーク: C、C++

    時間: 4 時間

    言語: 英語

    受講料: 30 ドル (税別)

  • 並行ストリームによる CUDA C++ アプリケーションの高速化 (New!)

    GPU 間のメモリ転送を GPU での計算とオーバーラップさせることにより、CUDA C/C++ アプリケーションのパフォーマンスを向上させる方法を学びます。

    参加条件: CUDA C/C++ でアプリケーションを書く能力

    ツール、ライブラリ、フレームワーク: C、C++

    時間: 4 時間

    言語: 英語

    受講料: 30 ドル (税別)

  • OpenACC によるアクセラレーテッドコンピューティングの基礎

    GPU プログラミングのための高水準プログラミング言語である OpenACC の基礎を学習します。このコースは、C/C++ の経験が多少あり、アプリケーションのパフォーマンスを加速して CPU だけのプログラミングの限界を超えることに興味がある人を対象にしています。

    参加条件: C/C++ の基本的な経験

    テクノロジ: OpenACC, C/C++

    時間: 8 時間

    受講料: 90 ドル (税別)

  • コンテナーを使用したハイパフォーマンス コンピューティング

    HPC (ハイ パフォーマンス コンピューティング) アプリケーション開発向けのコンテナー環境を使用して、コードの複雑さを軽減し、移植性と効率性を向上させる方法を学習します。

    参加条件: C/C++ の熟練プログラミングと HPC アプリケーションに関するプロフェッショナル経験

    テクノロジ: Docker、Singularity、HPCCM、C/C++

    時間: 2 時間

    受講料: 30 ドル (税別)

  • OpenACC – 4 ステップで 2 倍

    NVIDIA GPU の大規模並列処理能力を活用する OpenACC を使用し、C/C++ または Fortran アプリケーションを高速化する方法を学習します。OpenACC はディレクティブを基礎とする計算処理手法です。アクセラレータ コードを自分で記述する代わりに、コンパイラにコードを高速化するヒントを与えます。OpenACC を利用したアプリケーションの高速化は、次の 4 段階プロセスで始められます。

    参加条件: C/C++ の基本的な経験

    テクノロジ: C/C++, OpenACC

    時間: 2 時間

    受講料: 30 ドル (税別)

アクセラレーテッド データ サイエンス コース

  • RAPIDS を使用した高速化データ サイエンスの基礎

    RAPIDS は、データ サイエンス ワークフローのエンドツーエンド GPU 高速化を可能にするデータ サイエンス ライブラリのコレクションです。 

    参加条件: Python の経験。必須ではありませんが、Pandas および NumPy の経験

    テクノロジ: RAPIDS、NumPy、XGBoost、DBSCAN、K-Means、SSSP、Python

    時間: 6 時間

    受講料: 90 ドル (該当する場合、税を除く)

  • RAPIDS でデータ サイエンスのワークフローを高速化

    オープン ソースの RAPIDS プロジェクトにより、データ サイエンティストは、データ サイエンスおよびデータ分析アプリケーションを開始から終了まで GPU で高速化し、大幅なパフォーマンスの向上と、これまでの CPU のみによるワークフローでは不可能な技術の可能性を開くことができます。

    参加条件: Pandas、NumPy、scikit-learn の高度なコンピテンシー

    テクノロジ:  RAPIDS, cuDF, cuML, XGBoost

    時間: 2 時間

    受講料: 30 ドル (税別)

IT 向けコース

  • データ センターの AI の概要

    AI、GPU コンピューティング、NVIDIA AI ソフトウェア アーキテクチャの概要、およびデータ センターで AI ワークロードを実装/拡張する方法ついて説明します。AI が社会をどのように変革し、この変革を促進するために GPU コンピューティングをデータ センターにどのように導入すべきか理解していただけます。

    参加条件: エンタープライズ ネットワーキング、ストレージ、およびデータ センターの運用に関する基本的な知識

    テクノロジ: 人工知能 (AI)、機械学習、ディープラーニング、GPU ハードウェアおよびソフトウェア

    時間: 4 時間

    受講料: $30 (税別)

パートナーとのオンライン トレーニング

DLI は教育業界をリードする組織と連携し、ディープラーニング トレーニングを世界中の開発者とデータ サイエンティストにお届けしています。

開催予定のインストラクターによるワークショップ

DLI では、世界中のカンファレンスや大学でインストラクターによる公開ワークショップを開催しています。以下の予定をご覧いただき、お住まいの地域のワークショップをご確認ください。

大人数のチームやトレーニングに興味がある自主学習者には、DLI 認定の講師が指導する終日のワークショップを推奨しています。チーム向けの終日ワークショップをオンサイトか仮想配信でリクエストできます。DLI を利用すると、クラウド上の隅々まで環境設定された GPU アクセラレーテッド サーバーにアクセスでき、業務のための実践的技能を身に付けることができます。また、関連分野のコンピテンシーを示す認定を受ける機会が与えられます。

修了認定あり

ディープラーニング ワークショップ

ディープラーニング入門

  • ディープラーニングの基礎 (New!)

    世界中の企業が、困難な課題の解決に人工知能 (AI) を利用しています。医療専門家は、AI を利用することで、患者の診断の正確性を高め、診断の高速化を可能にしています。小売企業では、これを利用して、個別化されたショッピング体験を顧客に提供しています。自動車メーカーでは、AI を利用して、パーソナル ビークル、共有モビリティ、配送サービスの安全性と効率性の向上を図っています。ディープラーニングとは、マルチレイヤーの人工ニューラル ネットワークを使用する AI を実装し、物体検出、音声認識、言語翻訳などのタスクにおいて最新の精度を実現する、パワフルな手法です。ディープラーニングを利用することで、コンピューターは、専門家が作ったソフトウェアでも複雑あるいは精細すぎると考えられているデータからパターンを学習し認識できるようになりました。

    このワークショップでは、コンピューター ビジョンと自然言語処理に関するハンズオン トレーニングをディープラーニングに行わせる方法について学習します。ディープラーニング モデルをゼロからトレーニングし、精度の高い結果を実現するためのツールとコツを学びます。また、自由に利用できる最先端の事前トレーニング済みモデルを活用して時間を節約し、ディープラーニング アプリケーションをすぐに運用可能な状態にする方法についても学びます。

    このワークショップでは、次のことができます。

    • ディープラーニング モデルのトレーニングに必要な基礎的手法とツールを練習する
    • 一般的なディープラーニング データ タイプとモデル アーキテクチャを使って経験を積む
    • データ拡張によってデータセットを強化してモデルの精度を向上させる
    • モデル間の転移学習を活用し、少ないデータ量と計算量で効率的な結果を実現する
    • 最新のディープラーニング フレームワークを使用して独自のプロジェクトに挑戦する自信を築く

    参加条件: 関数、ループ、辞書、配列など、Python の基礎的なプログラミング概念を理解していること。

    ツール、ライブラリ、フレームワーク: Tensorflow、Keras、Pandas、Numpy

  • インテリジェント レコメンダー システムの構築 (New!)

    ディープラーニングベースのレコメンダー システムは、各個人にカスタマタイズされたオンライン体験を支える陰の立役者であり、小売、エンターテイメント、医療、金融などの業界におけるパワフルな意思決定支援ツールです。

    レコメンダー システムは、多くの人々の好みや過去の決断といったさまざまな特性を理解することによって機能します。たとえば、ストリーミング メディア サービスでは、個々のユーザーが好む映画のタイプ、実際に観た映画、理解する言語を把握するためにレコメンダーを役立てることができます。この膨大なデータを汎用化して類似の個人や状況に具体的なお勧めを迅速に提供できるようニューラル ネットワークをトレーニングするには大量の計算処理が必要になりますが、これは GPU によって劇的に高速化できます。今まで以上に喜ばれるユーザー体験、お客様とのより密接な関わり、情報に基づく優れた意思決定の提供に努めている組織は、適切に設計されトレーニングされたレコメンダー システムを適用することで、その素晴らしい価値を実感できます。

    このワークショップでは、効果の高いレコメンダー システムを構築するための基礎的なツールと手法のほか、GPU によって高速化されたソリューションを展開してリアルタイムでのお勧めを実現する方法についても説明します。

    このワークショップでは、次のことを学びます。

    • オープンソースの cuDF ライブラリと Apache Arrow を使用してコンテンツベースのレコメンダー システムを構築する方法
    • 交互最小 2 乗法 (ALS) と CuPy を使用して協調フィルタリング レコメンダー システムを構築する方法
    • 広さと深さを持つニューラル ネットワークを TensorFlow 2 を使用して設計し、ハイブリッド レコメンダー システムを作成する方法
    • 大規模なスパース データセットを使用して、トレーニングと推論の双方のパフォーマンスを最適化する方法
    • レコメンダー モデルを高パフォーマンスの Web サービスとして展開する方法

    参加条件:

    • リスト内包表記を理解しているなど、中級レベルの Python の知識を持っていること。
    • Python を使用したデータ サイエンスの経験があること。
    • NumPy と行列数学に精通していること。

    ツール、ライブラリ、フレームワーク: CuDFCuPyTensorFlow 2NVIDIA Triton™ Inference Server

  • トランスフォーマーベースの自然言語処理の構築 (New!)

    自然言語処理 (NLP) 用のアプリケーションは、ここ 10 年間で急増しています。AI アシスタントが浸透し、対話型のヒューマン エクスペリエンスやマシン エクスペリエンスが業務に投入される中、NLP 手法を利用してテキストベースのデータを操作、分析、生成する方法を理解することが、きわめて重要になっています。最新の手法を使用することで、言葉のニュアンス、文脈、複雑さを人間と同等にとらえることができます。そして、適切な設計が伴えば、開発者はこれらの手法を利用して、チャット ボット、AI 音声エージェントなどにおいて自然でシームレスな人間とコンピューターとの対話を実現する、パワフルな NLP アプリケーションを構築することができます。

    ディープラーニング モデルは、広範な文脈と言語に対する正確な汎用化が可能なことから、NLP 向けに広く普及してきました。トランスフォーマーからの双方向エンコーダー表現 (BERT) などのトランスフォーマーベースのモデルは、質問応答、存在物の認識、意図の認識、感情分析などについて SQuAD などのベンチマークで人間のベースラインに匹敵する精度を実現することで、NLP に革命的な進歩をもたらしてきました。NVIDIA は、最先端の NLP モデルの短時間構築に役立つソフトウェアとハードウェアを提供しています。混合精度でトレーニング プロセスを最大 4.5 倍スピードアップするとともに、複数のサーバー ノードにまたがるマルチ GPU のパフォーマンスを精度を損なわずに容易に向上させることができます。

    このワークショップでは、ドキュメントの類別などのテキスト分類タスクにトランスフォーマーベースの自然言語処理モデルを使用する方法を学びます。また、固有表現抽出 (NER) タスクにトランスフォーマーベースのモデルを活用する方法や、さまざまなモデルの機能、制約、特性を分析し、メトリック、ドメインの特異性、利用可能なリソースに基づいて特定のユース ケースに最適なモデルを判断する方法についても学びます。

    このワークショップでは、次のことができるようになります。

    • Word2Vec、リカレント ニューラル ネットワーク (RNN) ベースの埋め込み、トランスフォーマーなどの NLP タスクにおいて、テキスト埋め込みがいかに急速に進歩してきたかを理解する
    • トランスフォーマー アーキテクチャ機能 (特にセルフアテンション) を使用して RNN なしで言語モデルを作成する方法を確認する
    • セルフスーパービジョンを使用して BERT や Megatron などの亜種におけるトランスフォーマー アーキテクチャを改善し、優れた NLP 結果を得る
    • 事前トレーニング済みの最新 NLP モデルを活用して、テキスト分類、NER、質問応答などの複数のタスクを解決する
    • 推論の課題を管理し、ライブ アプリケーション向けの精密なモデルを展開する

    参加条件:

    • Python コーディングの経験と、ライブラリ関数およびパラメーターの使用経験があること
    • TensorFlow、PyTorch、または Keras などのディープラーニング フレームワークの基礎を理解していること。
    • ニューラル ネットワークの基本を理解していること。
    • ツール、ライブラリ、フレームワーク: PyTorch, pandas, NVIDIA NeMo™, NVIDIA Triton™ Inference Server
  • ディープラーニングの基礎 - マルチ GPU 

    自動運転車などの AI アプリケーションを実現するためのディープ ニューラル ネットワークでは、膨大な計算能力が要求されます。自動運転車の研究で使われるような膨大なデータセットの場合、1 つの GPU では 1 回のトレーニング周期に数週間かかります。年単位になることさえあります。ディープラーニングにマルチ GPU を使用すると、大量のデータによるトレーニング時間を大幅に短縮し、ディープラーニングによる複雑な問題の解決を可能にします

    このコースでは、マルチ GPU を使用したニューラル ネットワークのトレーニング方法を学ぶことができます。学習内容:

    • マルチ GPU トレーニングへのアプローチ
    • 大規模なトレーニングにおけるアルゴリズムと技術に関する課題
    • 上記の課題解決のための主要テクニック

    修了すると、TensorFlow を使用して、ディープ ニューラル ネットワークのトレーニングを効果的に並列化できるようになります。

    参加条件: 確率的勾配降下法、ネットワーク アーキテクチャ、並列コンピューティングの経験

    テクノロジ: TensorFlow

業界別ディープラーニングのワークショップ

  • 自動運転車のためのディープラーニング - 認識機能

    NVIDIA DRIVE 開発プラットフォームを利用して、自動運転車のためのディープ ニューラル ネットワークを設計、トレーニング、配置する方法について学習します。

    このコースで学べる内容:

    > NVIDIA DRIVE AGX System で CUDA® コード、メモリ管理、GPU 高速化を扱う
    > セマンティック セグメンテーション ニューラル ネットワークをトレーニングする
    > 学習済みのニューラル ネットワークを NVIDIA® TensorRT™ を利用して最適化、検証、展開する

    修了すると、NVIDIA DRIVE を利用して自動運転車の認識コンポーネントを開発し、最適化できるようになります。

    参加条件: CNN と C++ の経験

    テクノロジ: TensorFlow、TensorRT、Python、CUDA C++、DIGITS

  • オートエンコーダーを使ったディープラーニングによるデジタル コンテンツの作成

    デジタル コンテンツ作成のためのニューラル ネットワークを設計し、トレーニングし、配置する最新手法について、実地トレーニングを受けます。学習内容:

    • ビデオ スタイルの自由な転送に利用されている革新的なアーキテクチャとトレーニング手法を応用する
    • レンダリング画像のノイズを除去する独自のデノイザーをトレーニングする
    • 超解像度 AI で画像をグレードアップする

    修了すると、ディープラーニングの手法を駆使してデジタル アセットを作成できるようになります

    参加条件: 畳み込みニューラル ネットワーク (CNN) など、ディープラーニング概念の基礎知識。Python のプログラミング経験。

    テクノロジ: Torch、TensorFlow

  • 医療画像分析のためのディープラーニング

    このコースでは、CNN (convolutional neural network/畳み込みニューラル ネットワーク) を MRI スキャンに適用し、医療に関するさまざまな作業や計算を実行する方法を学習します。学習内容:

    • MRI 画像のセグメンテーション (分離抽出) を行い、左の心室の場所を判断する
    • MRI スキャンに CNN を適用して心臓の拡張と収縮の差を測定し、駆出率を計算することで心臓の病気を見つける
    • LGG (low-grade glioma/低悪性度のグリオーマ) の MRI スキャンに CNN を適用し、1p/19q 染色体の共欠損状態を判断する

    修了すると、MRI スキャンに CNN を適用し、さまざまな医療上の課題を実行できるようになります。

    参加条件: ディープ ニューラル ネットワークの基礎知識。Python とその類似言語での基本的なプログラミング経験。

    テクノロジ: R、MXNet、TensorFlow、Caffe、DIGITS

  • ディープラーニングによる産業用検査

    NVIDIA のプリント回路基板 (PCB) のコンデンサー検証を自動化するディープラーニング モデルの構築方法について実環境のデータセットを使用して学習します。これにより、検証コストが削減され、さまざまな製造ユース ケースにわたって生産スループットが向上します。学習内容:

    • Pandas と NumPy を使用して、与えられたデータセットから適切な洞察を引き出す
    • InceptionV3 として知られるディープラーニング分類モデルに、転移学習を適用
    • TensorRT 5 を使用して、V100 GPU 上のトレーニング済みの InceptionV3 モデルを最適化
    • V100 の Tensor コアを使用して、半精度 (FP16) の高速推論を実験

    修了後は、ハードウェアで高速化された産業用検査パイプラインの構成要素を設計、トレーニング、テスト、展開できるようになります

    参加条件: Python の基本的な知識 (関数と変数)。ニューラル ネットワークのトレーニング経験。

    テクノロジ: TensorFlow

  • インテリジェント ビデオ分析のためのディープラーニング

    交通カメラの増加、自動運転車の見込顧客数の増加、スマート シティの展望に対する期待によって、より高速かつ効率的な物体検出およびモデル追跡の需要が高まっています。この需要を満たすには、さまざまなタイプの物体をビデオ フレーム内で識別、追跡、分割、予測する必要があります。

    本ワークショップの学習目標:

    • ハードウェアで高速化されたデコーディング手法を使用して、ビデオ フィードを効率的に処理および準備する
    • ディープラーニング モデルをトレーニングおよび評価し、「転移学習 (Transfer Learning)」技術を活用して、これらのモデルの効率性と精度を高め、データ密度の問題を軽減します。
    • 大量のビデオ データセットから動く物体を追跡するための高品質ニューラル ネットワーク モデル開発に関わる戦略とトレードオフを探る
    • DeepStream SDK を入手して、ビデオ分析推論エンジンを最適化して配置する

    修了後、駐車場のカメラ フィードに基づいて、ハードウェアで高速化された交通管理システムの構成要素を設計、トレーニング、テスト、および配置できるようになります。

    参加条件: ニューラル ネットワークと Python プログラミングの基本。言語学に関する知識。

    テクノロジ: TensorFlow、Keras

  • ロボット工学のためのディープラーニング

    AI は、幅広い業界でロボット工学の開発と推進に変革を起こしています。Jetson の組み込みアプリケーション向けロボット工学ソリューションの作成方法をご覧ください。

    学習内容:

    • コンピューター ビジョン モデルを使用し、検知作業を行う
    • 組み込みアプリケーション向けモデルの無駄を省き、最適化を行う
    • 映像入力を元に適切な出力を行うようロボットをトレーニングする

    修了後、ロボット工学向けの高性能ディープラーニング アプリケーションの展開方法が分かるようになります。

    参加条件: ディープ ニューラル ネットワークの基礎知識、Python または同様の言語での基本的なコーディング経験

  • AI を応用した異常検知

    世界の通信インフラストラクチャを膨大な情報量が移動しています。このインフラストラクチャは人類が今まで構築した中で最も複雑で動的なシステムの 1 つとなっています。このワークショップでは、AI ベースのソリューションを複数実装し、通信における重要な問題を解決します。つまり、ネットワーク侵入の特定です。

    このワークショップで学習すること:

    • XGBoost の高速化、ディープラーニングをベースとするオートエンコーダー、敵対的生成ネットワーク (GAN) 、 3 つの異なる異常検知を実装する
    • 教師ありと教師なしの学習をベースとするソリューションを構築し、比較する
    • 自身の業界を対象に最新のコンピューティング手法を活用できそうな他の使用例について話し合う

    修了後、教師ありと教師なしの機械学習を利用し、大規模なデータセットの中から異常を検知できるようになります。

    参加条件: CNN と Python の経験

    テクノロジ: RAPIDS、Keras、GAN、XGBoost

  • AI を応用した予防保全

    時系列データの中から異常と障害を特定する方法、該当パーツの残りの耐用年数を見積もる方法、この情報を利用して異常を障害条件に関連付ける方法について学習します。

    学習内容:

    • 予防保全を活用して失敗を管理し、コストのかかる予定外のダウンタイムを回避する
    • コストのかかる故障につながる異常の特定を困難にしている大きな原因を見つける
    • 時系列データ、機械学習分類モデル、XGBoost を利用し、結果を予測する
    • 長/短期記憶 (LSTM) を基盤とするモデルを利用する予防保全を応用し、機器の故障を予測する 
    • 前の手順の時系列シーケンスを利用し、オートエンコーダーによる異常検知を実験する

    修了後、AI を利用して機器の状態を予測し、保守を実施する時期を判断できるようになります。

    参加条件: Python とディープ ニューラル ネットワークの経験

    テクノロジ: TensorFlow、Keras

アクセラレーテッド コンピューティング ワークショップ

  • CUDA C/C++ によるアクセラレーテッド コンピューティングの基礎  

    CUDA コンピューティング プラットフォームにより、CPU のみのアプリケーションを 世界最速の大規模並列 GPU で実行して高速化します。C/C++ アプリケーションの高速化を 以下の方法で体験します。

    • GPU で潜在的な並列処理を実行する CPU 専用アプリケーションを高速化する
    • 高速化アプリケーションを最適化するための基本的な CUDA メモリ管理手法を 活用する
    • 同時実行処理の高速化アプリケーションの可能性を見い出し、CUDA ストリームで活用する
    • Nsight Systems を活用した作業のガイドとチェック

    修了すると、最も重要な CUDA テクニックと Nsight Systems を使用して、既存の C/C++ CPU のみのアプリケーションを高速化/最適化できるようになります。 CUDA 開発の反復スタイルを理解することで、高速化されたアプリケーションを迅速に出荷できるようになります。

    参加条件: 変数の型、ループ、条件付き命令、関数、配列操作など、C/C++ の基本知識。

    テクノロジ: C/C++、CUDA