NVIDIA
Deep Learning Institute

Mit unseren Schulungen sind Sie in der Lage, die größten Herausforderungen der Welt zu meistern

DLI BIETET AB SOFORT EINE ENTWICKLERZERTIFIZIERUNG FÜR KI UND BESCHLEUNIGTES COMPUTING AN

Das NVIDIA Deep Learning Institute (DLI) bietet praxisnahe Schulungen zu den Themen KI und beschleunigtes Computing an. Bei diesen Schulungen lernen Sie als Teilnehmer, reale Probleme zu lösen. Die DLI-Inhalte wurden speziell für Entwickler, Datenwissenschaftler und Forscher entwickelt und sind in drei Formaten verfügbar:

Onlinekurse

In den achtstündigen Onlinekursen des DLI lernen Sie, wie Sie ein End-to-End-Projekt implementieren und bereitstellen. Sie können jederzeit und überall an Onlinekursen teilnehmen. Dabei haben Sie Zugriff auf eine vollständig konfigurierte grafikprozessorbeschleunigte Workstation in der Cloud.

Online-Minikurse

In den zweistündigen Online-Minikursen des DLI lernen Sie, wie Sie eine bestimmte Technologie oder Entwicklungstechnik anwenden. Online-Minikurse können genau wie die ganztägigen Kurse jederzeit und überall absolviert werden und bieten den Teilnehmern Zugriff auf Grafikprozessoren in der Cloud.

Workshops mit Schulungsleitern

In den persönlichen achstündigen Workshops lernen Sie durch praxisnahe Schulungen, wie Sie ein End-to-End-Projekt implementieren und bereitstellen. Die ganztägigen Workshops, die an Kundenstandorten, Universitäten und im Rahmen von Konferenzen angeboten werden, umfassen praxisnahe Schulungen und Übungen, die von zertifizierten Schulungsleitern des DLI durchgeführt werden.

Zertifizierung

Zertifizierung

Teilnehmer können eine Zertifizierung erlangen, um ihre fachlichen Kompetenzen nachzuweisen und ihre berufliche Karriere zu fördern. Die Zertifizierung wird für bestimmte Onlinekurse und Workshops mit Schulungsleitern angeboten.

ONLINE-SCHULUNGEN

Durch den Zugriff auf eine vollständig konfigurierte GPU-beschleunigte Workstation in der Cloud können Sie jederzeit und überall mit den Kursen im selbstbestimmten Tempo und den Wahlkursen beginnen.

Einführung in Deep Learning

Wenn das Thema Deep Learning neu für Sie ist, lernen Sie zunächst, wie Sie ein neuronales Netz trainieren und bereitstellen, um reale Probleme zu lösen.

KURSE
  • Grundlagen von Deep Learning für Computer Vision 

    Voraussetzungen: Vertrautheit mit Programmiergrundlagen wie z. B. Funktionen und Variablen

    Frameworks: Caffe, DIGITS

    Bewertungstyp: codebasiert

    Sprachen: Englisch

    Preis: 90 $

    Zertifizierung verfügbar

    Beim Trainieren neuronaler Netze und ihrem Einsatz zur Verbesserung von Leistung und Funktionen lernen Sie die Grundlagen von Deep Learning kennen.

    In diesem Kurs erfahren Sie mehr über die Grundlagen von Deep Learning durch das Trainieren und den Einsatz von neuronalen Netzen. Sie lernen Folgendes:

    • Häufige Deep-Learning-Workflows, etwa zur Bildklassifizierung oder Objekterkennung, implementieren
    • Verschiedene Daten, Trainingsparameter, Netzwerkstrukturen und weitere Strategien testen, um die Leistung und den Funktionsumfang zu verbessern
    • Neuronale Netze implementieren und reale Probleme lösen

    Nach Abschluss dieses Kurses sind Sie in der Lage, Probleme mithilfe von Deep Learning eigenständig zu lösen.

MINIKURSE
  • Bildklassifizierung mit DIGITS

    Voraussetzungen: Keine

    Frameworks: Caffe (mit Digits-Schnittstelle)

    Sprachen: Englisch, Chinesisch, Japanisch

    Preis: Gratis

    Deep Learning ersetzt manuell programmierte Befehle durch Modelle, die von Beispielen lernen, und ermöglicht damit völlig neue Lösungswege. Mit den folgenden Schritten trainieren Sie ein Deep Neural Network, handgeschriebene Ziffern zu erkennen:

    • Bilddaten in eine Trainingsumgebung laden
    • Ein Netzwerk auswählen und trainieren
    • Mit neuen Daten testen und iterieren, um die Leistung zu verbessern

    Nach Abschluss dieses Kurses können Sie beurteilen, welche Daten für das Training verwendet werden sollten.

  • Objekterkennung mit DIGITS

    Voraussetzungen: Grundlegende Erfahrung mit neuronalen Netzen

    Frameworks: Caffe (mit Digits-Schnittstelle)

    Sprachen: Englisch, Chinesisch

    Preis: Gratis

    Sie lernen Deep Learning für die Objekterkennung einzusetzen, indem Sie Gesichter von Walen aus Luftbildern erkennen und die folgenden Aufgaben ausführen:

    • Herkömmliches maschinelles Sehen mit Deep Learning verbinden
    • Mit dem Deep-Learning-Framework Caffe eine kleinere „Gehirnchirurgie“ an einem vorhandenen neuronalen Netz durchführen
    • Von dem Wissen der Deep-Learning-Community Gebrauch machen, indem Sie ein speziell entwickeltes Netzwerk und durchgängig mit Labeln gekennzeichnete Daten identifizieren und verwenden

    Nach Abschluss dieses Kurses können Sie gängige Probleme mithilfe von Deep Learning lösen.

  • Bereitstellung neuronaler Netze mit DIGITS und TensorRT

    Voraussetzungen: Grundlegende Erfahrung mit neuronalen Netzen

    Frameworks: Digits, Tensorrt

    Sprachen: Englisch, Chinesisch

    Preis: 30 $

    Mit Deep Learning sind wir in der Lage, Eingaben extrem rechenintensiven Ausgaben zuzuordnen. Anhand der folgenden Aufgaben lernen Sie, Deep Learning für Anwendungen zur Bilderkennung einzusetzen, die Fußgänger im Straßenverkehr in Echtzeit erkennen:

    • Die einem trainierten Modell zugrunde liegenden Daten aufrufen und verstehen
    • Die eindeutigen Eingaben und Ausgaben der einzelnen Funktionen kennen und darauf aufbauen
    • Die rechenintensivsten Teile der Anwendung hinsichtlich verschiedener Leistungskennzahlen wie Durchsatz und Latenz optimieren

    Nach Abschluss dieses Kurses können Sie Deep Learning implementieren, um Probleme aus der realen Welt zu lösen.

  • Deep Learning-Workflows mit TensorFlow, MXNet und NVIDIA Docker

    Voraussetzungen: Grundlegende Erfahrung mit einem Bash-Terminal

    Frameworks: Tensorflow, Mxnet

    Sprachen: Englisch, Japanisch

    Preis: 30 $

    Mit dem NVIDIA Docker-Plugin ist es möglich, produktionstaugliche Deep-Learning-Arbeitsabläufe, die GPUs verwenden, in Container einzufügen. Anhand der folgenden Aufgaben lernen Sie, den Aufwand für Konfiguration und Verwaltung von Hosts zu reduzieren:

    • Docker-Images kennenlernen und verwenden und den Container-Lifestyle verwalten
    • Auf Images aus der Docker-Image-Registry (DockerHub) zugreifen, um bei der Erstellung zusammensetzbarer, einfacher Container die größtmögliche Wiederverwendbarkeit zu gewährleisten
    • Neuronale Netzwerke mit TensorFlow und MXNet-Frameworks trainieren

    Nach Abschluss dieses Kurses können Sie vorkonfigurierte Images für Deep Learning in Container einfügen.

  • Bildsegmentierung mit TensorFlow

    Voraussetzungen: Grundlegende Erfahrung mit neuronalen Netzen

    Frameworks: Tensorflow

    Sprachen: Englisch

    Preis: 30 $

    Bei der Bildsegmentierung (oder semantischen Segmentierung) wird jedes Pixel eines Bildes einer spezifische Klasse zugewiesen. Anhand der folgenden Aufgaben lernen Sie, MRI-Bilder zu segmentieren, um Teile des Herzens zu messen:

    • Bildsegmentierung mit anderen Problemen des maschinellen Sehens vergleichen
    • TensorFlow-Tools wie TensorBoard und die TensorFlow-Python-API ausprobieren und testen
    • Effektive Kennzahlen zur Beurteilung der Modellleistung implementieren

    Nach Abschluss dieses Kurses können Sie mit Deep Learning die meisten Arbeitsabläufe des maschinellen Sehens einrichten.

  • Bildklassifizierung mit Microsoft Cognitive Toolkit

    Voraussetzungen: Keine

    Frameworks: Microsoft Cognitive-Toolkit

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, wie ein neuronales Netzwerk mit dem Microsoft Cognitive Toolkit-Framework trainiert wird. Sie erstellen und trainieren zunehmend komplexe Netzwerke mit den folgenden Zielen:

    • Ausdruck eines mit „Simple Network Builder“ von BrainScript erstellten neuronalen Netzwerks mit dem Ausdruck eines mit dem generalisierbareren „Network Builder” erstellten Netzwerks vergleichen
    • Neuronale Netzwerkgraphen visualisieren
    • Neuronales Netzwerk trainieren und testen, um handgeschriebene Ziffern zu klassifizieren

    Nach Abschluss dieses Kurses haben Sie Grundkenntnisse im Bereich Convolutional Neural Network (CNNs) erworben und können sich dem komplexeren und fortschrittlicheren Microsoft Cognitive Toolkit zuwenden.

  • Lineare Klassifizierung mit TensorFlow

    Voraussetzungen: Keine

    Frameworks: Tensorflow

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, wie Sie mit der TFLearn-API von TensorFlow aus strukturierten Daten Prognosen erstellen. Anhand der folgenden Schritte lösen Sie das Problem, aus gegebenen Volkszählungsdaten private Einkommen vorauszuberechnen:

    • Daten aus einer CSV-Datei für maschinelles Lernen laden, anzeigen und organisieren
    • Vorhandenes Dataset in Merkmale und Label (Eingabe, Ausgabe) eines neuronalen Netzwerkes aufteilen
    • Zunächst lineare und dann tiefe Modelle erstellen und die jeweiligen Leistungsunterschiede beurteilen

    Nach Abschluss des Kurses können Sie aus Ihren eigenen strukturierten Daten Prognosen erstellen.

  • Signalverarbeitung mit DIGITS

    Prerequisites: Grundlegende Erfahrung mit dem Trainieren neuronaler Netze

    Frameworks: Caffe, Digits

    Sprachen: Englisch, Chinesisch

    Preis: 30 $

    Neuronale Deep-Learning-Netzwerke sind besser in der Lage, Bilder zu klassifizieren als Menschen, was Implikationen mit sich bringt, die weit über das hinausgehen, was wir von maschinellem Sehen erwarten können. Sie lernen, Radiofrequenzsignale in Bilder zu konvertieren, um ein schwaches Signal zu erkennen, das durch Rauschen gestört wird. Sie lernen, wie Sie:

    • Nicht-Bilddaten wie Bilddaten behandeln
    • Einen Deep-Learning-Arbeitsablauf (Laden, Trainieren, Testen, Anpassen) in DIGITS implementieren
    • Leistung programmgesteuert testen und Leistungsverbesserungen anleiten

    Nach Abschluss dieses Kurses können Sie mit Deep Learning sowohl Bilddaten also auch bildähnliche Daten klassifizieren.

Einführung in beschleunigtes Computing

Wenn das Thema beschleunigtes Computing neu für Sie ist, lernen Sie zunächst, wie Sie Ihre Anwendungen mit CUDA und OpenACC beschleunigen.

KURSE
  • Grundlagen des beschleunigten Computings mit CUDA C/C++ 

    Voraussetzungen: Grundlegende C/C++ Kompetenz einschließlich Vertrautheit mit Variablentypen, Schleifen, bedingten Anweisungen, Funktionen und Array-Manipulationen.

    Bewertungstyp: codebasiert

    Sprachen: Englisch

    Preis: 90 $

    Zertifizierung verfügbar

    Die CUDA-Computing-Plattform ermöglicht die Beschleunigung von reinen CPU-Anwendungen, um die weltweit schnellsten massiv-parallelen Grafikprozessoren einsetzen zu können. Profitieren Sie von der Beschleunigung von C/C++-Anwendungen durch:

    • Beschleunigen reiner CPU-Anwendungen, um latente Parallelität in Grafikprozessoren auszuführen
    • Nutzen wichtiger Techniken zur CUDA-Speicherverwaltung, um beschleunigte Anwendungen zu optimieren
    • Erkennen und Nutzen des Potenzials der Concurrency (Nebenläufigkeit) mithilfe von CUDA-Streams
    • Nutzen von Befehlszeilen- und visuellem Profiling zum Lenken und Prüfen Ihrer Arbeit

    Nach Abschluss sind Sie in der Lage, vorhandene reine CPU-Anwendungen in C/C++ mithilfe der wichtigsten CUDA-Tools und -Verfahren zu beschleunigen.

  • Grundlagen des beschleunigten Computings mit CUDA Python 

    Voraussetzungen: Grundlegende Python-Kompetenz einschließlich Vertrautheit mit Variablentypen, Schleifen, bedingten Anweisungen, Funktionen und Array-Manipulationen. NumPy-Kompetenz einschließlich Verwendung von Ndarrays und ufuncs.

    Bewertungstyp: codebasiert

    Sprachen: Englisch

    Preis: 90 $

     

    In diesem Kurs wird die Anwendung von Numba beschrieben. Mit diesem bedarfsorientierten Python-Funktions-Compiler mit Typenspezialisierung lassen sich Phyton-Programme so beschleunigen, dass ihre Ausführung auf massiv-parallelen NVIDIA-Grafikprozessoren möglich ist. Sie lernen Folgendes:

    • Mit Numba CUDA-Kernel aus universellen NumPy-Funktionen (ufuncs) kompilieren
    • Mit Numba benutzerdefinierte CUDA-Kernel erstellen und starten
    • Wichtige Verfahren zur Verwaltung von Grafikprozessorspeichern anwenden

    Nach Abschluss dieses Kurses können Sie CUDA-Kernel mit Numba kompilieren und starten, um Ihre Python-Anwendungen auf NVIDIA-Grafikprozessoren zu beschleunigen.

  • Grundlagen des beschleunigten Computings mit OpenACC

    Voraussetzungen: Grundlegende Erfahrung mit C/C++

    Sprachen: Englisch

    Preis: 90 $

    In diesem Kurs werden die Grundlagen von OpenACC vermittelt, einer höheren Programmiersprache zur Programmierung auf Grafikprozessoren. Dieser Kurs richtet sich an Teilnehmer mit C/C++ Erfahrung, die an der Leistungsbeschleunigung ihrer Anwendungen jenseits der Möglichkeiten reiner CPU-Programmierung interessiert sind. In diesem Kurs lernen Sie Folgendes:

    • In vier einfachen Schritten bestehende Anwendungen mit OpenACC beschleunigen
    • OpenACC-Codebasis profilieren und optimieren
    • Durch die Kombination von OpenACC und MPI (Message Passing Interface) auf mehreren Grafikprozessorsystemen programmieren

    Nach Abschluss dieses Kurses sind Sie in der Lage, beschleunigte heterogene Anwendungen auf mehreren GPU-Clustern zu erstellen und zu optimieren. Möglich macht dies eine Kombination aus OpenACC, einer CUDA-fähigen MPI und NVIDIA-Profilierungstools.

MINIKURSE
  • Beschleunigen von Anwendungen mit CUDA C/C++

    Voraussetzungen: Grundlegende Erfahrung mit C/C++

    Sprachen: Englisch, Japanisch

    Preis: Gratis

    Sie lernen, Ihre C/C++-Anwendung mit CUDA zu beschleunigen, um die massiv-parallele Leistung von NVIDIA-GPUs zu nutzen. Sie erlernen die Programmierung mit CUDA, um:

    • SAXPY-Algorithmen zu beschleunigen
    • Algorithmen zur Matrizenmultiplikation zu beschleunigen
    • Wärmeleitungsalgorithmen zu beschleunigen

    Nach Abschluss des Kurses können Sie mit der CUDA-Plattform C/C++-Anwendungen beschleunigen.

  • OpenACC – Leistungsverdopplung in 4 Schritten

    Voraussetzungen: Grundlegende Erfahrung mit C/C++

    Sprachen: Englisch

    Preis: Gratis

    Sie lernen, Ihre C/C++- oder Fortran-Anwendung mit OpenACC zu beschleunigen, um die massiv-parallele Leistung von NVIDIA-GPUs zu nutzen. OpenACC ist ein auf Direktiven basierender Computing-Ansatz, bei dem Sie Ihren Code mithilfe von Compiler-Hints beschleunigen, sodass Sie keinen Accelerator-Code schreiben müssen. Führen Sie die folgenden vier Schritte aus, um Anwendungen mit OpenACC zu beschleunigen:

    • Anwendung charakterisieren und profilieren
    • Computing-Direktiven hinzufügen
    • Direktiven zur Optimierung von Datenbewegungen hinzufügen
    • Anwendung mit Kernel Scheduling optimieren

    Nach Abschluss des Kurses können Sie Ihre C/C++-Anwendung mit einem profilgesteuerten Ansatz auf Basis von OpenACC-Direktiven beschleunigen.

  • Einführung in beschleunigtes Computing

    Voraussetzungen: Grundlegende Erfahrung mit C/C++

    Sprachen: Englisch

    Preis: 30 $

    Sie erkunden die folgenden drei Methoden zur Beschleunigung von Code auf einer GPU:

    • Grafikprozessor-beschleunigte Bibliotheken
    • Compilerdirektiven wie OpenACC verwenden
    • Code direkt in CUDA-basierte Sprachen speichern

    Nach Abschluss des Kurses können Sie das Beschleunigungspotenzial und die benutzerfreundliche Portierung in die GPU demonstrieren.

  • Optimierungen des Grafikprozessorspeichers mit CUDA C/C++

    Voraussetzungen: „Beschleunigen von Anwendungen mit CUDA C/C++“ oder ähnliche Erfahrung

    Sprachen: Englisch

    Preis: 30 $

    Sie erlernen und erproben Methoden zur Speicheroptimierung, die Sie für die Programmierung mit CUDA C/C++ auf einer NVIDIA-GPU einsetzen können. Weiterhin lernen Sie die Funktionen des NVIDIA Visual Profiler (NVVP) zur Unterstützung dieser Optimierungen kennen. Sie lernen, wie Sie:

    • Einen naiven Algorithmus zur Transponierung einer Matrix implementieren
    • Mehrere Zyklen zur Profilierung des Algorithmus mit NVVP durchführen und die Leistung optimieren

    Nach Abschluss des Kurses können Sie globale und geteilte Speicherzugriffsmuster analysieren und verbessern und Ihre beschleunigten C/C++-Anwendungen optimieren.

  • Beschleunigen von Anwendungen mit grafikprozessorbeschleunigten Bibliotheken in CUDA C/C++

    Voraussetzungen: „Beschleunigen Von Anwendungen Mit Cuda C/C++“ Oder Ähnliche Erfahrung

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, Ihre C/C++-Anwendung mit Drop-in-Bibliotheken zu beschleunigen, um die massiv-parallele Leistung der NVIDIA-GPUs zu nutzen. Sie bearbeiten drei Übungen und führen darin die folgenden Aufgaben aus:

    • Mit cuBLAS eine elementare Matrizenmultiplikation beschleunigen
    • Bibliotheken kombinieren, indem Sie den vorherigen cuBLAS-Aufrufen einige cuRAND-API-Aufrufe hinzufügen
    • Code mit nvprof profilieren und mit einigen CUDA Runtime-API-Aufrufen optimieren

    Nach Abschluss des Kurses können Sie mit mehreren CUDA-fähigen Bibliotheken die Anwendungsbeschleunigung in den vorhandenen, ausschließlich auf CPU basierenden C/C++-Programmen umsetzen.

  • Beschleunigen von Anwendungen mit grafikprozessorbeschleunigten Bibliotheken in Python

    Voraussetzungen: Grundlegende Erfahrung Mit Python

    Sprachen: Englisch

    Preis: 30 $

    Anhand der folgenden Aufgaben lernen Sie, mit GPU-Bibliotheken Python-Code in den NVIDIA-GPUs zu beschleunigen:

    • Mit der cuRAND-Bibliothek einen Monte Carlo Pricer beschleunigen
    • Datenbewegungen zwischen der CPU und der GPU optimieren

    Nach Abschluss des Kurses können Sie Ihren ausschließlich auf CPU basierenden Python-Code mit den durch GPUs beschleunigten Python-Bibliotheken beschleunigen.

  • Beschleunigen von C++-Anwendungen mithilfe von Thrust

    Voraussetzungen: „Beschleunigen Von Anwendungen Mit Cuda C/C++“ Oder Ähnliche Erfahrung

    Sprachen: Englisch

    Preis: 30 $

    Thrust ist eine Bibliothek für parallele Algorithmen, die lose auf der Bibliothek für C++-Standardvorlagen basiert. Sie ermöglicht Entwicklern die schnelle Aneignung der Leistung von parallelem Computing und unterstützt mehrere System-Backends wie OpenMP und Threading Building Blocks von Intel. Sie verwenden Thrust zur Beschleunigung von C++ in Übungen, die die folgenden Themen abdecken:

    • Grundlegende Iteratoren, Container und Funktionen
    • Integrierte und benutzerdefinierte Funktoren
    • Portabilität der CPU-Verarbeitung

    Nach Abschluss des Kurses können Sie die Leistung der Thrust-Bibliothek nutzen, um Ihre C/C++-Anwendungen zu beschleunigen.

  • Beschleunigen von Anwendungen mit CUDA Fortran

    Voraussetzungen: Grundlegende Erfahrung mit Fortran

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, Ihre Fortran-Anwendung mit CUDA zu beschleunigen, um die massiv-parallele Leistung von NVIDIA-GPUs zu nutzen. Sie programmieren mit CUDA und erzielen die folgenden Ergebnisse:

    • SAXPY-Algorithmen beschleunigen
    • Algorithmen zur Matrizenmultiplikation beschleunigen
    • Wärmeleitungsalgorithmen beschleunigen

    Nach Abschluss des Kurses können Sie mit der CUDA-Plattform Fortran-Anwendungen beschleunigen.

  • Optimierungen des Grafikprozessorspeichers mit CUDA Fortran

    Voraussetzungen: „Beschleunigen von Anwendungen mit CUDA Fortran“ oder ähnliche Erfahrung

    Sprachen: Englisch

    Preis: 30 $

    Sie erlernen nützliche Methoden der Speicheroptimierung, die Sie für die Programmierung mit CUDA Fortran auf einer NVIDIA-GPU einsetzen können. Weiterhin lernen Sie die Funktionen des NVIDIA Visual Profiler (NVVP) zur Unterstützung dieser Optimierungen kennen. Kursinhalte:

    • Einen naiven Algorithmus zur Transponierung einer Matrix implementieren
    • Mehrere Zyklen zur Profilierung des Algorithmus mit NVVP durchführen und die Leistung optimieren

    Nach Abschluss des Kurses können Sie globale und geteilte Speicherzugriffsmuster analysieren und verbessern und Ihre beschleunigten Fortran-Anwendungen optimieren.

  • Beschleunigen von Anwendungen mit grafikprozessorbeschleunigten Bibliotheken in Fortran

    Voraussetzungen: Grundlegende Erfahrung mit Fortran

    Sprachen: Englisch

    Preis: 30 $

    Anhand der folgenden Aufgaben lernen Sie, mit den Funktionen der GPU-Bibliotheken Fortran-Code in den NVIDIA-GPUs zu beschleunigen:

    • Mit der cuRAND-Bibliothek einen Monte Carlo Pricer beschleunigen
    • Datenbewegungen zwischen der CPU und der GPU optimieren

    Nach Abschluss des Kurses können Sie Ihren ausschließlich auf CPU basierenden Fortran-Code mit den GPU-beschleunigten Fortran-Bibliotheken beschleunigen.

Deep-Learning-Kurse nach Branche

Nachdem Sie sich mit den Grundlagen des Deep Learnings vertraut gemacht haben, können Sie Ihre Kenntnisse in einer branchenspezifischen DLI-Schulung für Fortgeschrittene anwenden, in denen Sie praxisnahe Probleme lösen.

SPIELEENTWICKLUNG UND DIGITALE INHALTE
 

MINIKURSE
  • Bilderstellung mithilfe von GANs mit TensorFlow und DIGITS

    Voraussetzungen: Erfahrung mit Convolutional Neural Networks (CNNs)

    Frameworks: TensorFlow

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, ein Generative Adversarial Network (GAN) zu trainieren, um Bildinhalte in DIGITS zu generieren. Sie lernen Folgendes:

    • Mit GANs handgeschriebene Zahlen erstellen
    • Merkmalsraum visualisieren und mit Attributvektor Bildanalogien generieren
    • GAN trainieren, um Bilder mit festgelegten Attributen zu generieren

    Nach Abschluss des Kurses können Sie mit GANs Bilder durch Manipulation des Merkmalsraums generieren.

  • Bildstilübertragung mit Torch

    Voraussetzungen: Erfahrung mit Convolutional Neural Networks (CNNs)

    Frameworks: Torch

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, wie Sie das Erscheinungsbild eines Bildes auf ein anderes Bild übertragen, indem Sie unterscheidbare visuelle Merkmale extrahieren. Sie erfahren, wie Convolutional Neural Networks (CNNs) zur Extrahierung von Merkmalen verwendet werden und wie diese Merkmale zur Erstellung eines neuen Bildes in einen Generator geladen werden. Sie lernen Folgendes:

    • Das Erscheinungsbild eines Bildes durch Extrahierung unterscheidbarer visueller Merkmale auf ein anderes Bild übertragen
    • Mit verschiedenen Verfahren qualitativ bestimmen, ob ein Stil korrekt übertragen wurde
    • Mit innovativen Architekturen und Trainingsmethoden eine beliebige Übertragung von Stilen ermöglichen

    Nach Abschluss des Kurses können Sie mit neuronalen Netzwerken beliebige Stile mit einer für Videos tauglichen Geschwindigkeit übertragen.

  • Entrauschen von gerenderten Bildern mithilfe von Autoencodern

    Voraussetzungen: Erfahrung mit Convolutional Neural Networks (CNNs)

    Frameworks: TensorFlow

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, wie neuronale Netzwerke mit Autoencodern verwendet werden können, um Rauschen in Raytracing-Bildern zu entfernen. Sie lernen Folgendes:

    • Vorhandenes Rauschen in gerenderten Bildern ermitteln
    • Mit einem vorab trainierten Netzwerk einige Beispielbilder oder eigene Bilder von Rauschen befreien
    • Eigenen Denoiser mit dem bereitgestellten Dataset trainieren

    Nach Abschluss des Kurses können Sie Autoencoder in neuronalen Netzwerken verwenden, um ihren eigenen gerenderten Bild-Denoiser zu trainieren.

  • Image Super Resolution auf Basis von AutoEncodern

    Voraussetzungen: Erfahrung mit CNNs

    Frameworks: Keras

    Sprachen: Englisch

    Preis: 30 $

    Nutzen Sie die Möglichkeiten eines neuronalen Netzwerks mit Autoencodern, um Quellbilder von geringer Qualität in hochwertige Bilder umzuwandeln. In diesem Mini-Kurs lernen Sie Folgendes:

    • Autoencoder verstehen und konzipieren
    • Verschiedene Methoden, um die Bildqualität konsequent zu messen

    Nach Abschluss des Kurses können Sie Autoencoder in neuronalen Netzwerken verwenden, um die Bildqualität deutlich zu verbessern.

MEDIZIN UND GESUNDHEITSWESEN
 

MINIKURSE
  • Modellierung von Zeitreihendaten mit rekurrenten neuronalen Netzen (RNNs) in Keras

    Voraussetzungen: Grunderfahrung mit Deep Learning

    Frameworks: Keras

    Sprachen: Englisch

    Preis: Kostenlos

    Mit den rekurrenten neuronalen Netzen (RNNs) sind die Modelle in der Lage, Zeitreihendaten beispielsweise zu natürlichen Sprachen, Märkten und sogar zum Gesundheitsverlauf zu klassifizieren oder vorherzusagen. Sie lernen Folgendes:

    • Training- und Testdatasets für elektronische Gesundheitsdaten in HDF5 (Hierarchical Data Format, Version 5) erstellen
    • Datasets für die Verwendung mit rekurrenten neuronalen Netzen (RNNs) vorbereiten, sodass die Modellierung äußerst komplexer Datensequenzen möglich ist
    • Mit einer auf Theano ausgeführten Keras-Bibliothek ein Modell für ein langes Kurzzeitgedächtnis (LSTM) – eine spezielle RNN-Architektur – aufbauen, um die Modellleistung anhand der Ausgangsdaten auszuwerten

    Nach Abschluss des Kurses können Sie Zeitreihendaten mit RNNs modellieren.

  • Medizinische Bildklassifizierung mit dem MedNIST-Datensatz

    Voraussetzungen: keine

    Frameworks: DIGITS

    Sprachen: Englisch

    Preis: 30 $

    Sie erhalten eine praktische Einführung in Deep Learning für Radiologie und medizinische Bildgebung. Sie lernen, wie Sie:

    • Sie Daten der medizinische Bildgebung erheben, formatieren und standardisieren
    • ein Convolutional Neural Network (CNN) mit einem Datensatz erstellen und trainieren
    • das trainierte Modell verwenden, um neue medizinische Bilder zu klassifizieren

    Nach Abschluss dieses Kurses können Sie CNNs zur Klassifizierung von Bildern eines Datensatzes für medizinische Bildgebung einsetzen.

  • Segmentierung medizinischer Bilder mithilfe DIGITS

    Voraussetzungen: grundlegende Erfahrungen mit CNNs und mit Python

    Frameworks: DIGITS, Caffe

    Sprachen: Englisch

    Preis: 30 $

    Bei der Bildsegmentierung (oder semantischen Segmentierung) wird jedes Pixel eines Bildes einer spezifischen Klasse zugewiesen. Anhand der folgenden Schritte segmentieren Sie MRT-Bilder zur Messung von Teilbereichen des Herzens:

    • Caffe durch benutzerdefinierte Python-Schichten erweitern
    • Prozess des Transferlernens implementieren
    • Aus beliebten Netzwerken zur Bildklassifizierung vollständige Convolutional Neural Networks erstellen

    Nach Abschluss dieses Kurses können Sie mit Deep Learning die meisten Arbeitsabläufe des maschinellen Sehens einrichten.

  • Bildklassifizierung mit TensorFlow: Radiomics – Klassifizierung des 1p19q-Chromosomenstatus

    Voraussetzungen: grundlegende Erfahrungen mit CNNs und mit Python

    Frameworks: TensorFlow

    Sprachen: Englisch

    Preis: 30 $

    Die Forschungsarbeiten der Mayo Clinic zur Erkennung von Radiomics aus der MRT-Bildgebung trugen zu einer wirksameren Behandlung und damit zu besseren Ergebnissen für Patienten mit Gehirntumoren bei. Anhand der folgenden Aufgaben lernen Sie, wie Sie 1p/19q-Co-Deletion-Biomarker erkennen:

    • Convolutional Neural Networks (CNNs) entwerfen und trainieren
    • Mithilfe von Radiomics (Bildgebung und Genomik) Biomarker erstellen, mit der sich die Genomik einer Krankheit auch ohne invasive Biopsie identifizieren lässt
    • Die in der Mayo Clinik durchgeführten Arbeiten im Bereich Radiogenomik kennenlernen

    Nach Abschluss des Kurses werden Sie detaillierte Einblicke in die neuen, vielversprechenden Ergebnisse der Nutzung von Deep Learning für die Vorhersage von Radiomics haben.

  • Analyse medizinischer Bilder mit R und MXNet

    Voraussetzungen: grundlegende Erfahrungen mit CNNs und mit Python

    Frameworks: MXNet

    Sprachen: Englisch

    Preis: 30 $

    Convolutional Neural Networks (CNNs) können auf die medizinische Bildanalyse angewendet werden, um den Patientenstatus aus nicht sichtbaren Bildern abzuleiten. Sie lernen, ein CNN so zu trainieren, dass das Volumen der linken Kammer des menschlichen Herzens aus MRT-Zeitreihendaten abgeleitet werden kann. Sie lernen Folgendes:

    • Kanonisches 2D-CNN auf komplexere Daten erweitern
    • MXNet über die Standard-Python-API und R verwenden
    • Bilder mit hoher Dimensionalität verarbeiten, die volumetrisch sein können und eine temporäre Komponente haben

    Nach Abschluss des Kurses können Sie CNNs für nicht sichtbare Bilder verwenden.

  • Datenaugmentation und -segmentierung mit Generative Networks für die medizinische Bildgebung

    Voraussetzungen: Erfahrung mit CNNs

    Frameworks: TensorFlow

    Sprachen: Englisch

    Preis: 30 USD

    Ein Generative Adversarial Network (GAN) ist ein Paar tiefer neuronaler Netzwerke: ein Generator, der neue Beispiele auf der Grundlage der bereitgestellten Trainingsdaten erstellt, und ein Diskriminator, der versucht, zwischen echten und simulierten Daten zu unterscheiden. Da sich beide Netzwerke gemeinsam verbessern, werden die erstellten Beispiele immer realistischer. Diese Technologie ist für das Gesundheitswesen vielversprechend, da sie kleinere Datensätze für das Training traditioneller Netzwerke ergänzen kann. Inhalt:

    • Generierung synthetischer Gehirn-MRTs
    • Anwendung von GANs zur Segmentierung
    • Verwendung von GANs zur Datenaugmentation für verbesserte Präzision

    Nach Abschluss des Kurses können Sie GANs für die medizinische Bildgebung anwenden.

  • Coarse-to-Fine Contextual Memory für die medizinische Bildgebung

    Voraussetzungen: Erfahrung mit CNNs

    Frameworks: TensorFlow

    Sprachen: Englisch

    Preis: 30 USD

    Coarse-to-Fine Contextual Memory (CFCM) ist eine Methode, die für die Bildsegmentierung mithilfe von sehr tiefen Architekturen entwickelt wurde und die Merkmale aus vielen verschiedenen Skalen mit dem konvolutionären langen Kurzzeitgedächtnis (Long Short-Term Memory, LSTM) integriert. Inhalt:

    • Tiefgehender Einblick in Encoder-Decoder-Architekturen zur Segmentierung bei der medizinischen Bildgebung
    • Verständnis typischer Erstellungsblöcke (konvolutionell, Poolingschichten, verbleibende Netze usw.)
    • Untersuchung verschiedener Strategien für Skip-Verbindungen

    Nach Abschluss dieses Kurses können Sie CFCM-Methoden für die Segmentierung medizinischer Bilder und ähnliche bildgebende Verfahren einsetzen.

  • Deep Learning für Genomik mithilfe von DragoNN mit Keras und Theano

    Voraussetzungen: Grundkenntnisse über faltende neuronale Netzwerke (CNNs) und Python

    Frameworks: Keras, Theano

    Sprachen: Englisch

    Preis: 30 $

    Sie lernen, wie Sie Deep-Learning-Modelle einsetzen, um prädiktive Muster in Genomsequenzen zu erkennen. Verwenden Sie das Deep Regulatory Genomics Neural Network(DragoNN)-Toolkit bei simulierten und echten regulatorischen Genomdaten, um Folgendes zu tun:

    • Blicken Sie hinter die Kulissen beliebter DragoNN-Architekturen
    • Richtlinien für die Modellierung und Interpretation von regulatorischen Sequenzen mit DragoNN-Modellen kennenlernen
    • Situationen identifizieren, in denen die Anwendung von DragoNN bei Lernproblemen in der Genomik und in Hochleistungsmodellen eine gute Wahl ist

    Nach Abschluss des Kurses können Sie durch die Erkennung prädiktiver Muster in Genomsequenzen neue biologische Erkenntnisse gewinnen.

INTELLIGENT VIDEO ANALYTICS
 

MINIKURSE
  • Bereitstellung für Intelligent Video Analytics mithilfe von TensorRT

    Voraussetzungen: grundlegende Erfahrung mit CNNs und C++

    Framework: TensorRT

    Sprachen: Englisch

    Preis: 30 $

    Wenn ein trainiertes neuronales Netzwerk beauftragt wird, Antworten auf neue Dateneingaben zu finden, wird dies als Bereitstellung (Deployment) bezeichnet. TensorRT ist das Primärtool für eine solche Bereitstellung – mit verschiedenen Optionen zur Verbesserung der Inferenzleistung neuronaler Netzwerke. In diesem Kompaktkurs lernen Sie Folgendes:

    • Verwendung von '"giexec" zur Ausführung der Inferenz
    • Verwendung von "Mixed Precision"-INT8 zur Inferenzoptimierung
    • Verwendung einer API mit benutzerdefinierten Schichten für Plugins

    Nach Abschluss des Kurses können Sie TensorRT zur Verbesserung der Inferenz-Performance in neuronalen Netzwerken verwenden.

Workshops mit Schulungsleitern

Nehmen Sie an einem Workshop in Ihrer Nähe teil oder fordern Sie einen Workshop vor Ort in Ihrem Unternehmen an.

TEILNAHME AN ANSTEHENDEN WORKSHOPS.

KOSTENLOSE WORKSHOPS FÜR NUTZER AN HOCHSCHULEN

Diese Workshops sind frei und exklusiv für nachprüfbare Studenten, Mitarbeiter und Forscher.

DLI-Workshops in Ihrem Unternehmen.

Manager können DLI-Vor-Ort-Workshops in ihrem Unternehmen oder ihrer Organisation anfordern. Es stehen verschiedene Workshops zu den Grundlagen und zu branchenspezifischen Themen zur Auswahl.

Wenn Sie umfangreichere Schulungen für Unternehmen benötigen, arbeiten wir mit Ihnen ein Paket mit Schulungen und Vorträgen aus, das genau auf die Bedürfnisse Ihrer Organisation abgestimmt ist. Von praktischen Online- und Präsenzschulungen bis hin zu Einführungen für Führungskräfte und Berichterstattung auf Unternehmensebene hilft Ihnen DLI, Ihr Unternehmen in eine KI-Organisation zu verwandeln. Kontaktieren Sie uns.

EINFÜHRUNG IN DEEP LEARNING

  • Grundlagen von Deep Learning für Computer Vision 

    Voraussetzungen: Vertrautheit mit Programmiergrundlagen wie z. B. Funktionen und Variablen

    Frameworks: Caffe, DIGITS

    Bewertungstyp: codebasiert

    Sprachen: Englisch, Chinesisch, Japanisch, Koreanisch

    Zertifizierung verfügbar

    Beim Trainieren neuronaler Netze und ihrem Einsatz zur Verbesserung von Leistung und Funktionen lernen Sie die Grundlagen von Deep Learning kennen.

    In diesem workshop erfahren Sie mehr über die Grundlagen von Deep Learning durch das Trainieren und den Einsatz von neuronalen Netzen. Sie lernen Folgendes:

    • Häufige Deep-Learning-Workflows, etwa zur Bildklassifizierung oder Objekterkennung, implementieren
    • Verschiedene Daten, Trainingsparameter, Netzwerkstrukturen und weitere Strategien testen, um die Leistung und den Funktionsumfang zu verbessern
    • Neuronale Netze implementieren und reale Probleme lösen

    Nach Abschluss dieses Kurses sind Sie in der Lage, Probleme mithilfe von Deep Learning eigenständig zu lösen.

  • Grundlagen von Deep Learning für mehrere Datentypen

    Voraussetzungen:Grundlegende Vertrautheit mit Python (Funktionen und Variablen) und Vorerfahrung mit dem Trainieren neuronaler Netzwerke wird erwartet.

    Frameworks: TensorFlow

    Bewertungstyp: Multiple Choice

    Sprachen: Englisch, Chinesisch, Japanisch, Koreanisch

    Zertifizierung verfügbar

    In diesem workshop erfahren Sie, wie sich neuronale Netze der Typen Convolutional und Recurrent kombiniert einsetzen lassen, um aussagekräftige Beschreibungen der Inhalte von Bildern und Videos zu generieren.

    Sie lernen dabei, wie Sie ein Netzwerk mithilfe von TensorFlow und des MSCOCO-Datensatzes (Microsoft Common Objects in Context) trainieren, sodass es Bildtexte und Videountertitel generiert. Dies umfasst folgende Schritte:

    • Deep-Learning-Workflows implementieren, z. B. zur Bildsegmentierung und Textgenerierung
    • Datentypen, Workflows und Frameworks vergleichen und gegenüberstellen
    • Computer Vision und die Verarbeitung natürlicher Sprache miteinander kombinieren

    Nach Abschluss dieses Kurses sind Sie in der Lage, Deep-Learning-Probleme zu lösen, für die verschiedene Datentypen als Input erforderlich sind.

  • Grundlagen von Deep Learning für die Verarbeitung natürlicher Sprache

    Voraussetzungen: Grundlegende Erfahrung mit neuronalen Netzwerken und Python-Programmierung, Vertrautheit mit Linguistik

    Frameworks: TensorFlow, Keras

    Bewertungstyp: codebasiert, multiple choice

    Sprachen: Englisch, Chinesisch

    Zertifizierung verfügbar

    Erlernen Sie die neuesten Methoden des Deep Learning, um die Texteingabe unter Verwendung der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) nachzuvollziehen. Sie lernen Folgendes:

    • Konvertieren von Texten in maschinenverständliche Darstellungenund klassische Ansätze
    • Implementierung von verteilten Repräsentationen (Embeddings) und Verständnis ihrer Eigenschaften
    • Trainieren von Tools für maschinelle Übersetzung zum Einsatz für verschiedene Sprachen

    Nach Abschluss dieses Kurses beherrschen Sie NLP unter der Verwendung von Embeddings in ähnlichen Anwendungsbereichen.

  • Grundlagen von Deep Learning mit mehreren GPUs

    Voraussetzungen: Erfahrung mit stochastischen Gradientenverfahren

    Frameworks: TensorFlow

    Bewertungstyp: codebasiert

    Sprachen: Englisch

    Zertifizierung verfügbar

    Die Rechenanforderungen von tiefen neuronalen Netzwerken, die für KI-Anwendungen wie selbstfahrende Autos verwendet werden, sind enorm. Ein einzelner Trainingszyklus bei einer einzigen GPU bzw. bei größeren Datensätzen, beispielsweise in der Forschung im Bereich der selbstfahrenden Autos, kann Wochen oder sogar Jahre in Anspruch nehmen. Die Verwendung mehrerer GPUs für Deep Learning kann die Zeit, die für das Training vieler Daten benötigt wird, erheblich verkürzen, sodass die Lösung komplexer Probleme mit Deep Learning möglich ist.

    In diesem workshop lernen Sie, wie Sie mehrere GPUs zum Training neuronaler Netze verwenden. Inhalt:

    • Ansätze für das Multi-GPU-Training
    • Algorithmische und technische Herausforderungen für Training in großem Umfang
    • Schlüsselmethoden zur Bewältigung der oben genannten Herausforderungen

    Nach Abschluss dieses Kurses können Sie das Training von tiefen neuronalen Netzwerken mithilfe von TensorFlow effektiv parallelisieren.

EINFÜHRUNG IN BESCHLEUNIGTES COMPUTING

  • Grundlagen des beschleunigten Computings mit CUDA C/C++

    Voraussetzungen: Grundlegende C/C++ Kompetenz einschließlich Vertrautheit mit Variablentypen, Schleifen, bedingten Anweisungen, Funktionen und Array-Manipulationen.

    Bewertungstyp: codebasiert

    Sprachen: Englisch, Chinesisch, Japanisch, Koreanisch

    Zertifizierung verfügbar

    Die CUDA-Computing-Plattform ermöglicht die Beschleunigung von reinen CPU-Anwendungen, um die weltweit schnellsten massiv-parallelen Grafikprozessoren einsetzen zu können. Profitieren Sie von der Beschleunigung von C/C++-Anwendungen durch:

    • Beschleunigen reiner CPU-Anwendungen, um latente Parallelität in Grafikprozessoren auszuführen
    • Nutzen wichtiger Techniken zur CUDA-Speicherverwaltung, um beschleunigte Anwendungen zu optimieren
    • Erkennen und Nutzen des Potenzials der Concurrency (Nebenläufigkeit) mithilfe von CUDA-Streams
    • Nutzen von Befehlszeilen- und visuellem Profiling zum Lenken und Prüfen Ihrer Arbeit

    Nach Abschluss sind Sie in der Lage, vorhandene reine CPU-Anwendungen in C/C++ mithilfe der wichtigsten CUDA-Tools und -Verfahren zu beschleunigen. Sie lernen einen iterativen Stil der CUDA-Entwicklung kennen, der es Ihnen ermöglicht, beschleunigte Anwendungen schnell auszuliefern.

DEEP-LEARNING-WORKSHOPS NACH BRANCHE

  • Deep Learning für autonome Fahrzeuge – Sensorwahrnehmung

    Voraussetzungen: Erfahrung mit Convolutional Neural Networks (CNNs)

    Frameworks: TensorFlow, DIGITS, TensorRT

    Sprachen: Englisch, Chinesisch, Japanisch

    In diesem workshop lernen Sie, wie Sie Deep Neural Networks mit der Entwicklungsplattform NVIDIA DRIVE PX für autonome Fahrzeuge erstellen, trainieren und bereitstellen.

    Folgende Inhalte werden vermittelt:/p>

    • Integration eingehender Sensordaten mithilfe von DriveWorks-Zusatzsoftware
    • Neuronales Netz für semantische Segmentierung trainieren
    • Bereits trainierte neuronale Netze mithilfe von TensorRT optimieren, validieren und bereitstellen

    Nach Abschluss dieses Kurses sind Sie in der Lage, Wahrnehmungskomponenten für autonome Fahrzeuge mithilfe von NVIDIA DRIVE PX zu erstellen und optimieren.

  • Deep Learning für Handelsstrategien im Finanzbereich

    Voraussetzungen: Erfahrung mit neuralen Netzen und Kenntnisse über die Finanzbranche

    Frameworks: TensorFlow

    Sprachen: Englisch

    Lineare Methoden wie die Hauptkomponentenanalyse sind enorm wichtig zum Zusammenstellen von sogenannten Eigenportfolios, die in Strategien für statistische Arbitrage zum Einsatz kommen. Weitere Einsatzmethoden von Zeitreihenfinanzdaten sind ebenfalls verbreitet. Doch dank der Leistung, die Deep Neural Networks bieten, lassen sich nun fortschrittlichere Handelsstrategien realisieren.

    In diesem workshop lernen Sie Folgendes:

    • Aufbereitung von Zeitreihendaten und Testen der Netzwerkleistung anhand von Trainings- und Testdatensätzen
    • LSTM-Netzwerk (Long Short-Term Memory) so strukturieren und trainieren, dass es Vektoreingaben akzeptiert und Prognosen vornimmt
    • Den Autoencoder zur Anomalieerkennung einsetzen und auf dieser Basis eine Strategie zur Ausnutzung von Preisunterschieden entwickeln

    Nach Abschluss dieses Kurses sind Sie in der Lage, neuronale Netze einzusetzen, um anhand von Zeitreihenfinanzdaten Prognosen zu erstellen und Preisunterschiede auszunutzen.

  • Deep Learning für die Erstellung von digitalem Content mithilfe von Autoencodern

    Voraussetzungen: Grundlegende Vertrautheit mit Deep-Learning-Konzepten wie CNNs und Erfahrung mit der Programmiersprache Python

    Frameworks: Torch, TensorFlow

    Bewertungstyp: Multiple choice

    Sprachen: Englisch

    Zertifizierung verfügbar

    Entdecken Sie die neuesten Methoden zum Entwickeln, Trainieren und Bereitstellen neuronaler Netze, die zur Erstellung von digitalem Content eingesetzt werden. Sie lernen Folgendes:

    • Anwendung der Innovationen in der Architektur sowie der Trainingsmethoden, die eine beliebige Übertragung von Video-Styles ermöglichen
    • Trainieren Ihres eigenen Denoisers für gerenderte Bilder
    • Hochskalierung von Bildern mit Super-Resolution-KI

    Nach Abschluss dieses Kurses sind Sie in der Lage, digitale Ressourcen mithilfe von Deep-Learning-Methoden zu erstellen.

  • Deep Learning für digitalen Content mithilfe von GANs

    Voraussetzungen: Grundlegende Vertrautheit mit Deep-Learning-Konzepten wie CNNs und Erfahrung mit der Programmiersprache Python

    Frameworks: TensorFlow, Torch

    Bewertungstyp: multiple choice

    Sprachen: Englisch

    Zertifizierung verfügbar

    Entdecken Sie die fortschrittlichsten Methoden zum Entwickeln, Trainieren und Bereitstellen neuronaler Netze, die zur Erstellung von digitalem Content eingesetzt werden. Sie lernen Folgendes:

    • Ein Generative Adversarial Network (GAN) trainieren, sodass es Bilder generiert
    • Erstellen analoger Bilder von einem Design zum nächsten
    • Umwandlung von Text in Bilder mit Deep Learning

    Nach Abschluss sind Sie in der Lage, digitale Ressourcen mithilfe von Deep-Learning-Methoden zu erstellen.

  • Deep Learning für Spieleentwicklung

    Voraussetzungen: Grundlegende Vertrautheit mit Deep-Learning-Konzepten wie CNNs und Erfahrung mit der Programmiersprache Python

    Frameworks: TensorFlow, Theano

    Bewertungstyp: multiple choice

    Sprachen: English, Chinesisch

    Zertifizierung verfügbar

    Lernen Sie die neuesten Methoden zum Entwickeln, Trainieren und Bereitstellen neuronaler Netze, die für Spieleentwicklung eingesetzt werden. Sie lernen Folgendes:

    • Trainieren Sie ein über Phasen funktionierendes neuronales Netzwerk, das Figuren animiert 
    • Umsetzung eines Eingabebilds in ein Ausgangsbild
    • Trainieren Sie einen Deep Reinforcement Learning Agent, Starcraft 2 zu spielen

    Nach Abschluss werden Sie mit verschiedenen Arten vertraut sein, wie Sie Deep-Learning-Methoden in die Spieleentwicklung integrieren können.

  • Deep Learning für medizinische Bildanalysen

    Voraussetzungen: Grundlegende Vertrautheit mit Deep Neural Networks, grundlegende Programmiererfahrung in Python oder einer ähnlichen Sprache

    Frameworks: Caffe, DIGITS, R, MXNet, TensorFlow

    Bewertungstyp: codebasiert

    Sprachen: Englisch, Japanisch

    Zertifizierung verfügbar

    In diesem workshop erfahren Sie, wie Sie Convolutional Neural Networks (CNNs) bei MRT-Untersuchungen für verschiedene medizinische Aufgaben und Berechnungen einsetzen. Sie lernen Folgendes:

    • Segmentierung von MRT-Bildern zur Lokalisierung des linken Ventrikels
    • Berechnung von Auswurffraktionen durch Messung der Unterschiede zwischen Systole und Diastole durch den Einsatz von CNNs bei MRT-Untersuchungen zur Erkennung von Herzerkrankungen
    • Einsatz von CNNs bei MRT-Untersuchungen von niedriggradigen Gliomen zur Ermittlung des Status nach einem kombinierten Verlust chromosomalen Materials bei 1p/19q

    Nach Abschluss dieses Kurses sind Sie in der Lage, CNNs bei MRT-Untersuchungen für verschiedene medizinische Aufgaben einzusetzen.

  • Deep Learning für Genomik in der Medizin

    Voraussetzungen: Grundlegende Vertrautheit mit Deep Neural Networks, grundlegende Programmiererfahrung in Python oder einer ähnlichen Sprache

    Frameworks: TensorFlow, Caffe, DIGITS Theano, DragoNN

    Sprachen: English, Japanisch

    Bewertungstyp: Multiple choice

    Zertifizierung verfügbar

    In diesem workshop erfahren Sie, wie Sie Deep Learning zur Erkennung des kombinierten Verlusts chromosomalen Materials und zur Suche nach Sequenzmotiven in Genomen einsetzen. Sie lernen Folgendes:

    • Grundlagen und Funktionsweise von Convolutional Neural Networks (CNNs)
    • CNNs bei MRT-Untersuchungen von niedriggradigen Gliomen einsetzen, um den Status nach einem kombinierten Verlust chromosomalen Materials bei 1p/19q zu ermitteln
    • Simulation von Genomdaten und Suche nach Motiven mithilfe des DragoNN-Toolkits

    Nach Abschluss wissen Sie, wie CNNs funktionieren, und sind in der Lage, MRT-Bilder mithilfe von CNNs auszuwerten. Außerdem können Sie anhand realer regulatorischer Genomdaten neue Motive erforschen.

UNIVERSITY AMBASSADOR PROGRAM

Qualifizierte Akademiker führen DLI-Workshops für Dozenten, Studierende und wissenschaftliche Mitarbeiter an Universitäten und Fakultäten durch.

Werden Sie Teil des University Ambassador-Teams, zu dem prestigeträchtige Universitäten aus aller Welt gehören. Außerdem können Sie die NVIDIA Teaching Kits mit Unterrichtsmaterial, praxisorientierten Kursen,, GPU-Cloud-Ressourcen uvm. herunterladen.

Teilnehmende Universitäten

Arizona State University
Columbia University
The Hong Kong University Of Science And Technology
Massachusetts Institute of Technology
NUS - National University of Singapore
University of Oxford

Weitere Deep-Learning-Schulungen

DLI arbeitet mit führenden Bildungseinrichtungen zusammen, um seine Deep-Learning-Schulungen Entwicklern und Datenwissenschaftlern auf der ganzen Welt anzubieten.

Partner

DLI bietet gemeinsam mit seinen Partnern aus verschiedenen Branchen DLI-Inhalte und Workshops mit Schulungsleitern auf der ganzen Welt an.