NVIDIA
Deep Learning Institute

Formación para resolver los problemas más complejos del mundo

DLI OFRECE AHORA CERTIFICACIÓN DE DESARROLLADOR EN IA Y COMPUTACIÓN ACELERADA.

NVIDIA Deep Learning Institute (DLI) ofrece cursos prácticos en IA y computación acelerada para solucionar problemas del mundo real. Diseñado para desarrolladores, científicos de datos e investigadores, el contenido de DLI está disponible en tres formatos:

Cursos
online

Los cursos online de DLI te enseñan a implementar y desplegar un proyecto completo en ocho horas. Los cursos online se pueden realizar en cualquier momento y lugar, con acceso a una estación de trabajo acelerada por GPU totalmente configurada en la nube.

MATERIAS OPTATIVAS
ONLINE

Las asignaturas optativas de DLI exploran cómo aplicar una tecnología específica o una técnica de desarrollo en dos horas. Al igual que los cursos completos, las materias optativas se pueden cursar en cualquier momento y lugar, con acceso a las GPU en la nube.

TALLERES IMPARTIDOS
POR INSTRUCTOR

Los talleres presenciales te enseñan a implementar y desplegar un proyecto completo a través de un curso práctico de ocho horas. Se ofrecen talleres de día completo en las instalaciones de los clientes, en conferencias y en universidades que incluyen un curso práctico y conferencias impartidas por instructores certificados de DLI.

Certificación

Certificación

Los participantes pueden obtener una certificación que demuestra su competencia en la materia y contribuye al desarrollo de su carrera profesional. La certificación se ofrece con determinados cursos online y talleres impartidos por instructor.

FORMACIÓN ONLINE

Inicia cursos de autoaprendizaje y materias optativas desde cualquier lugar y en cualquier momento con acceso a una estación de trabajo en la nube acelerada por GPU y completamente configurada.

Introducción al deep learning

Si no tienes conocimientos previos de deep learning, lo primero que debes aprender es cómo se entrena e implementa una red neuronal para solucionar problemas del mundo real.

CURSOS
  • Conceptos básicos de deep learning para visión computarizada 

    Requisitos previos: ninguno

    Entorno de trabajo: Caffe

    Idiomas: inglés

    Precio: 90 $

    Certificación disponible

    Explora los conceptos básicos entrenando redes neuronales y utilizando los resultados para mejorar el rendimiento y la funcionalidad.

    En este curso, aprenderás los principios básicos de deep learning entrenando y desplegando redes neuronales. Aprenderás a:

    • Implementar flujos de trabajo de deep learning comunes tales como la clasificación de imágenes y la detección de objetos
    • Experimentar con datos, parámetros de entrenamiento, la estructura de la red y otras estrategias que aumenten el rendimiento y la capacidad
    • Desplegar tus redes neuronales para empezar a solucionar problemas del mundo real

    Al finalizar, podrás empezar a resolver problemas con deep learning sin ayuda.

MATERIAS OPTATIVAS
  • Clasificación de imágenes con DIGITS

    Requisitos previos: ninguno

    Entorno de trabajo: Caffe (con interfaz de DIGITS)

    Idiomas: inglés, chino y japonés

    Precio: gratis

    El deep learning permite soluciones completamente nuevas al sustituir las instrucciones codificadas a mano por modelos aprendidos de los ejemplos. Entrena una red neuronal profunda que reconozca dígitos manuscritos. Para ello debes:

    • Cargar datos de imágenes en un entorno de entrenamiento
    • Elegir una red y entrenarla
    • Realizar pruebas con nuevos datos e iteraciones que mejoren el rendimiento

    Al finalizar, podrás evaluar los datos que has de usar en el entrenamiento.

  • Detección de objetos con DIGITS

    Requisitos previos: experiencia básica en redes neuronales

    Entorno de trabajo: Caffe (con interfaz de DIGITS)

    Idiomas: inglés y chino

    Precio: gratis

    Aprende a aplicar deep learning a la detección de objetos a través del reto de detectar las caras de las ballenas a partir de imágenes aéreas. Para ello debes:

    • Combina la visión computarizada tradicional con deep learning
    • Realiza una “cirugía cerebral” menor en una red neuronal existente con el entorno de trabajo de deep learning Caffe
    • Aprovecha el conocimiento de la comunidad de deep learning identificando y utilizando una red diseñada especialmente y datos etiquetados completos

    Al finalizar, podrás resolver problemas personalizados con deep learning.

  • Despliegue de redes neuronales con DIGITS y TensorRT

    Requisitos previos: experiencia básica en redes neuronales

    Entorno de trabajo: DIGITS y TensorRT

    Idiomas: inglés y chino

    Precio: 30 $

    El deep learning nos permite asignar entradas a salidas que son muy intensas desde el punto de vista computacional. Aprende a desplegar deep learning en aplicaciones que reconocen imágenes y detectan peatones en tiempo real. Para ello debes:

    • Accede a los archivos que componen un modelo entrenado y compréndelos
    • Crea a partir de la entrada y salida únicas de cada función
    • Optimiza las partes más intensas de la aplicación desde el punto de vista computacional en función de distintas métricas de rendimiento como la velocidad de transmisión y la latencia

    Al finalizar, podrás implementar deep learning para resolver problemas reales.

  • Flujos de trabajo de deep learning con TensorFlow, MXNet y NVIDIA Docker

    Requisitos previos: experiencia básica con un terminal bash

    Entornos de trabajo: TensorFlow y MXNet

    Idiomas: inglés y japonés

    Precio: 30 $

    El plugin NVIDIA Docker permite incluir flujos de trabajo de deep learning de producción en contenedores con GPU. Aprende a reducir las tareas de configuración y administración del host. Para ello debes:

    • Aprende a trabajar con imágenes Docker y a administrar el estilo de vida del contenedor
    • Accede a imágenes del registro público de imágenes Docker, DockerHub, para su máxima reutilización en la creación de contenedores ligeros que admiten composición
    • Entrena redes neuronales con los entornos de trabajo TensorFlow y MXNet

    Al finalizar, podrás incluir imágenes preconfiguradas en contenedores y distribuirlas para deep learning.

  • Segmentación de imágenes con TensorFlow

    Requisitos previos: experiencia básica en redes neuronales

    Entorno de trabajo: TensorFlow

    Idiomas: inglés

    Precio: 30 $

    Segmentación de imágenes (o semántica) es la tarea de colocar cada píxel de una imagen en una clase concreta. Aprende a segmentar imágenes en resonancias magnéticas para medir secciones del corazón. Para ello debes:

    • Comparar la segmentación de imágenes con otros problemas de la visión computarizada
    • Experimentar con herramientas de TensorFlow como TensorBoard y la API TensorFlow Python
    • Aprender a implementar métricas eficaces para evaluar el rendimiento de del modelo

    Al finalizar, podrás configurar la mayoría de los flujos de trabajo de visión computarizada con deep learning.

  • Clasificación de imágenes con Microsoft Cognitive Toolkit

    Requisitos previos: ninguno

    Entorno de trabajo: Microsoft Cognitive Toolkit

    Idiomas: inglés

    Precio: 30 $

    Aprende a entrenar una red neuronal con el entorno de trabajo Microsoft Cognitive Toolkit. Crearás y entrenarás redes neuronales cada vez más complejas para:

    • Comparar la expresión de una red neuronal con “Simple Network Builder” de BrainScript y con el más generalizable “Network Builder”
    • Visualizar gráficos de redes neuronales
    • Entrenar y probar una red neuronal para clasificar dígitos manuscritos

    Al finalizar, tendrás conocimientos básicos sobre redes neuronales convolucionales y estarás preparado para pasar al uso más avanzado de Microsoft Cognitive Toolkit.

  • Clasificación lineal con TensorFlow

    Requisitos previos: ninguno

    Entorno de trabajo: TensorFlow

    Idiomas: inglés

    Precio: 30 $

    Aprende a realizar predicciones a partir de datos estructurados con la API TFLearn de TensorFlow. A través del desafío de predecir los ingresos personales con determinados datos censales, podrás:

    • Cargar, ver y organizar datos de un CSV para aprendizaje automático
    • Dividir un conjunto de datos existente en características y etiquetas (entrada, salida) de una red neuronal
    • Crear desde modelos lineales hasta modelos profundos y evaluar la diferencia en el rendimiento

    Al finalizar, podrás hacer predicciones a partir de tus propios datos estructurados.

  • Procesamiento de señales con DIGITS

    Requisitos previos: experiencia básica en entrenamiento de redes neuronales

    Entornos de trabajo: Caffe y DIGITS

    Idiomas: inglés y chino

    Precio: 30 $

    Las redes neuronales profundas clasifican mejor las imágenes que los seres humanos, lo que tiene implicaciones que superan lo que esperamos de la visión computarizada. Aprende a convertir señales de radiofrecuencia (RF) en imágenes para detectar una señal débil dañada por el ruido. Te enseñarán a:

    • Tratar datos que no sean de imágenes como datos de imágenes
    • Implementar un flujo de trabajo de deep learning (carga, entrenamiento, prueba, ajuste) en DIGITS
    • Probar el rendimiento mediante programación y orientar las mejoras del rendimiento

    Al finalizar, podrás clasificar datos de imágenes y similares a imágenes con deep learning.

Introducción a la computación acelerada

Si no tienes conocimientos previos de computación acelerada, aprende primero cómo puedes acelerar tus aplicaciones con CUDA y OpenACC.

CURSOS
  • Conceptos básicos de computación acelerada con CUDA C/C++ 

    Requisitos previos: experiencia básica en C/C++

    Idiomas: inglés

    Precio: 90 $

    Certificación disponible

    La plataforma de computación CUDA permite que la aceleración de aplicaciones de solo CPU se ejecute en las GPU de paralelismo masivo más rápidas del mundo. Experimenta la aceleración de aplicaciones de C/C++. Para ello debes:

    • Acelerar las aplicaciones de solo CPU para ejecutar su paralelismo latente en las GPU
    • Utilizar técnicas esenciales de gestión de memorias de CUDA para optimizar las aplicaciones aceleradas
    • Exponer el potencial de concurrencia de las aplicaciones aceleradas y aprovecharlo con flujos de CUDA
    • Aprovechar la generación de perfiles de elementos visuales y de línea de comandos como guía y comprobación de tu trabajo

    Al finalizar, podrás acelerar y optimizar las aplicaciones existentes de solo CPU con C/C++ con las herramientas y técnicas más esenciales de CUDA.

  • Conceptos básicos de computación acelerada con CUDA Python

    Requisitos previos: experiencia básica en Python y NumPy

    Idiomas: inglés

    Precio: 90 $

    En este curso se explora el uso de Numba, el compilador JIT (justo a tiempo) con especialización en tipos de funciones de Python, para acelerar programas de Python que se ejecuten en GPU NVIDIA de paralelismo masivo. Aprenderás a:

    • Utiliza Numba para combinar kernels CUDA a partir de funciones universales (ufuncs) de NumPy
    • Utiliza Numba para crear e iniciar kernels CUDA personalizados
    • Aplicar técnicas clave de gestión de memorias en la GPU

    Al finalizar, podrás utilizar Numba para compilar y ejecutar kernels CUDA que aceleren las aplicaciones Python en las GPU NVIDIA.

  • Conceptos básicos de computación acelerada con OpenACC

    Requisitos previos: experiencia básica en C/C++

    Idiomas: inglés

    Precio: 90 $

    Aprende los principios básicos de OpenACC, un lenguaje de programación de alto nivel para programar en las GPU. Este curso se dirige todas aquellas personas con cierta experiencia en C/C+ que estén interesadas en acelerar el rendimiento de sus aplicaciones por encima de los límites de la programación de solo CPU. En este curso, aprenderás:

    • Cuatro sencillos pasos para acelerar tus aplicaciones actuales con OpenACC
    • Cómo generar perfiles de tu código base OpenACC y optimizarlo
    • Cómo programar en sistemas de varias GPU combinando OpenACC con la interfaz de paso de mensajes (MPI)

    Al finalizar, podrás compilar y optimizar aplicaciones heterogéneas aceleradas en varios grupos de GPU con una combinación de herramientas de generación de perfiles de OpenACC, MPI compatible con CUDA y NVIDIA.

MATERIAS OPTATIVAS
  • Aceleración de aplicaciones con CUDA C/C++

    Requisitos previos: experiencia básica en C/C++

    Idiomas: inglés y japonés

    Precio: gratis

    Aprende a acelerar tu aplicación de C/C++ con CUDA para aprovechar la potencia de paralelismo masivo de las GPU NVIDIA. Aprenderás a programar con CUDA para:

    • Acelerar algoritmos SAXPY
    • Acelerar algoritmos de multiplicación de matrices
    • Acelerar algoritmos de conducción térmica

    Al finalizar, podrás utilizar la plataforma CUDA para acelerar aplicaciones de C/C++.

  • OpenACC: duplicación en cuatro pasos

    Requisitos previos: experiencia básica en C/C++

    Idiomas: inglés

    Precio: gratis

    Aprende a acelerar tu aplicación de C/C++ o Fortran con OpenACC para aprovechar la potencia de paralelismo masivo de las GPU NVIDIA. OpenACC es un enfoque de computación basado en directivas en el que proporcionas sugerencias del compilador para acelerar el código, en lugar de escribir tú mismo el código del acelerador. Comienza con el proceso de cuatro pasos para acelerar aplicaciones con OpenACC:

    • Caracterización y generación de perfiles de la aplicación
    • Incorporación de directivas de computación
    • Incorporación de directivas para optimizar los movimientos de datos
    • Optimizar la aplicación con programación del kernel

    Al finalizar, estarás listo para emplear un enfoque determinado por perfiles para acelerar rápidamente las aplicaciones de C/C++ con directivas OpenACC.

  • Introducción a la computación acelerada

    Requisitos previos: experiencia básica en C/C++

    Idiomas: inglés

    Precio: 30 $

    Explora las tres técnicas de aceleración de código en una GPU:

    • Uso de bibliotecas aceleradas por GPU
    • Uso de directivas de compilador como OpenACC
    • Escritura de código directamente en lenguajes habilitados para CUDA

    Al finalizar, comprenderás cómo demostrar los posibles aumentos de velocidad y la facilidad de adaptación a la GPU.

  • Optimizaciones de memoria por GPU con CUDA C/C++

    Requisitos previos: Aceleración de aplicaciones con CUDA C/C++ o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Explora técnicas de optimización de memoria para programar con CUDA C/C++ en una GPU NVIDIA y el uso de NVIDIA Visual Profiler (NVVP) para admitir estas optimizaciones. Aprenderás a:

    • Implementar un algoritmo de transposición de matriz ingenua
    • Ejecutar varios ciclos de generación de perfiles del algoritmo con NVVP y optimizar su rendimiento

    Al finalizar, sabrás analizar y mejorar los patrones de acceso global y compartido a la memoria, y a optimizar las aplicaciones de C/C++ aceleradas.

  • Aceleración de aplicaciones con bibliotecas aceleradas por GPU en C/C++

    Requisitos previos: “Aceleración de aplicaciones con CUDA C/C++” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Aprende a acelerar tu aplicación de C/C++ con bibliotecas "drop-in" que aprovechen la potencia de paralelismo masivo de las GPU NVIDIA. Resolverás tres ejercicios, que incluyen cómo:

    • Usar cuBLAS para acelerar la multiplicación de matrices básicas
    • Combinar bibliotecas añadiendo algunas llamadas a la API cuRAND a las llamadas cuBLAS anteriores
    • Utilizar nvprof para crear un perfil de código y optimizarlo con algunas llamadas a la API Runtime de CUDA

    Al finalizar, estarás listo para utilizar varias bibliotecas habilitadas para CUDA con aceleración rápida de aplicaciones en tus programas de C/C++ de solo CPU.

  • Aceleración de aplicaciones con bibliotecas aceleradas por GPU en Python

    Requisitos previos: experiencia básica en Python

    Idiomas: inglés

    Precio: 30 $

    Aprende a utilizar bibliotecas en la GPU para acelerar código Python en las GPU NVIDIA. Para ello debes:

    • Utilizar la biblioteca de cuRAND para acelerar un sistema de precios Monte Carlo
    • Optimizar los movimientos de datos entre la CPU y la GPU

    Al finalizar, podrás empezar a usar bibliotecas de Python aceleradas por GPU para acelerar el código Python de solo CPU.

  • Aceleración de C++ mediante Thrust

    Requisitos previos: “Aceleración de aplicaciones con CUDA C/C++” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Thrust es una biblioteca de algoritmos paralelos que se basa aproximadamente en la C++ Standard Template Library. Permite a los desarrolladores adoptar rápidamente la potencia de la computación en paralelo y admite varios back-ends de sistema como OpenMP y Threading Building Blocks de Intel. Utiliza Thrust para acelerar C++ mediante ejercicios que incluyen:

    • Iteradores, contenedores y funciones de nivel básico
    • Objetos functor integrados y personalizados
    • Portabilidad para el procesamiento de la CPU

    Al finalizar, podrás aprovechar la potencia de la biblioteca de Thrust para acelerar tus aplicaciones de C/C++.

  • Generación de perfiles y paralelización con OpenACC

    Requisitos previos: “OpenACC: duplicación en cuatro pasos” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Comienza con los dos primeros pasos del ciclo de programación de OpenACC: identificación del paralelismo y expresión del paralelismo. Aprenderás a:

    • Generar el perfil de una aplicación C o Fortran con NVIDIA NVPROF
    • Utilizar el compilador PGI OpenACC para acelerar el código

    Al finalizar, podrás generar perfiles de aplicaciones C o Fortran de solo CPU para comprender dónde aplicar directivas OpenACC para la aceleración de aplicaciones.

  • Expresión de movimientos de datos y optimización de bucles con OpenACC

    Requisitos previos: “Generación de perfiles y paralelización con OpenACC” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Aprende técnicas intermedias de programación de OpenACC. Para ello debes:

    • Añadir directivas de gestión de datos de OpenACC
    • Optimizar aplicaciones con la directiva de bucle de OpenACC

    Al finalizar, podrás optimizar las transferencias de datos y ajustar el paralelismo de las aplicaciones con OpenACC.

  • Introducción a la programación mediante varias GPU con MPI y OpenACC

    Requisitos previos: “OpenACC: duplicación en cuatro pasos” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Aprende a programar sistemas de varias GPU o grupos de GPU con la interfaz de paso de mensajes (MPI) y OpenACC. Aprenderás a:

    • Intercambiar datos entre distintas GPU mediante MPI compatible con CUDA y OpenACC
    • Controlar la afinidad de las GPU en sistemas de varias GPU
    • Superponer las comunicaciones con la computación para ocultar tiempos de comunicación

    Al finalizar, podrás acelerar las aplicaciones con una combinación de OpenACC y MPI en entornos con varias GPU.

  • Programación avanzada mediante varias GPU con MPI y OpenACC

    Requisitos previos: “Introducción a la programación mediante varias GPU con MPI y OpenACC” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Aprende a mejorar una MPI de varias GPU con aplicaciones aceleradas por OpenACC. Para ello debes:

    • Superponer las comunicaciones con la computación para ocultar tiempos de comunicación
    • Controlar actualizaciones de halo no contiguas con descomposición de dominios en mosaicos 2D.

    Al finalizar, podrás utilizar técnicas intermedias en las aplicaciones aceleradas con OpenACC y MPI.

  • Canalización de trabajos en la GPU con OpenACC

    Requisitos previos: “Expresión de movimientos de datos y optimización de bucles con OpenACC” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Lleva tus conocimientos sobre OpenACC al siguiente nivel optimizando las copias de datos para que se superpongan a la computación en la GPU con una sencilla técnica conocida como canalizaciones. Aprenderás a:

    • Utilizar la directiva de rutinas de OpenACC para permitir llamadas a funciones en el dispositivo
    • Dividir un trabajo grande en secciones pequeñas
    • Trabajar en estas secciones de manera asincrónica desde la CPU

    Al finalizar, podrás usar canalizaciones en OpenACC para realizar copias de datos de forma eficaz y casi gratuita.

  • Método basado en perfiles para acelerar la aplicación sísmica con OpenACC

    Requisitos previos: ninguno

    Idiomas: inglés

    Precio: 30 $

    Aprende a utilizar el generador de perfiles para mejorar la experiencia de aceleración y optimización de código para una GPU. Para ello debes:

    • Utilizar el generador de perfiles de PGI
    • Utilizar el generador de perfiles de NVIDIA
    • Utilizar OpenACC para acelerar la migración en profundidad 2D de Kirchhoff que se incluye con Seismic Unix

    Al finalizar, podrás realizar la aceleración y la optimización de datos para varias arquitecturas mediante un enfoque determinado por perfiles con OpenACC.

  • Aceleración de aplicaciones con CUDA Fortran

    Requisitos previos: experiencia básica en Fortran

    Idiomas: inglés

    Precio: 30 $

    Aprende a acelerar tu aplicación de Fortran con CUDA para aprovechar la potencia de paralelismo masivo de las GPU NVIDIA. Programarás con CUDA para:

    • Acelerar algoritmos SAXPY
    • Acelerar algoritmos de multiplicación de matrices
    • Acelerar algoritmos de conducción térmica

    Al finalizar, podrás utilizar la plataforma CUDA para acelerar aplicaciones de Fortran.

  • Optimizaciones de memoria por GPU con CUDA Fortran

    Requisitos previos: “Aceleración de aplicaciones con CUDA Fortran” o experiencia similar

    Idiomas: inglés

    Precio: 30 $

    Aprende técnicas útiles de optimización de memoria para programar con CUDA Fortran en una GPU NVIDIA y el uso de NVIDIA Visual Profiler (NVVP) para admitir estas optimizaciones. Vas a:

    • Implementar un algoritmo de transposición de matriz ingenua
    • Ejecutar varios ciclos de generación de perfiles del algoritmo con NVVP y optimización de su rendimiento

    Al finalizar, sabrás analizar y mejorar los patrones de acceso global y compartido a la memoria, y a optimizar las aplicaciones de Fortran aceleradas.

  • Aceleración de aplicaciones con bibliotecas aceleradas por GPU en Fortran

    Requisitos previos: experiencia básica en Fortran

    Idiomas: inglés

    Precio: 30 $

    Descubre cómo utilizar bibliotecas en la GPU para acelerar código Fortran en las GPU NVIDIA. Para ello debes:

    • Utilizar la biblioteca de cuRAND para acelerar un sistema de precios Monte Carlo
    • Optimizar los movimientos de datos entre la CPU y la GPU

    Al finalizar, podrás utilizar bibliotecas de Fortran aceleradas por GPU para acelerar el código Fortran de solo CPU.

FORMACIÓN DE DEEP LEARNING POR SECTOR

Cuando tengas una visión general de qué es el deep learning, podrás aplicar tus conocimientos en cursos de formación de DLI específicos del sector más avanzados que te proporcionen las herramientas necesarias para solucionar problemas del mundo real.

DESARROLLO DE JUEGOS Y CONTENIDO DIGITAL
 

MATERIAS OPTATIVAS
  • Creación de imágenes mediante redes generativas antagónicas con TensorFlow y DIGITS

    Requisitos previos: experiencia en redes neuronales convolucionales

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Precio: 30 $

    Aprende a entrenar una red generativa antagónica (RGA) para generar contenido de imágenes en DIGITS. Aprenderás a:

    • Utilizar redes generativas antagónicas para crear números manuscritos
    • Visualizar el espacio de características y utilizar el vector de atributos para generar analogías de imágenes
    • Entrenar una red generativa antagónica para generar imágenes con atributos establecidos

    Al finalizar, podrás usar redes generativas antagónicas para generar imágenes manipulando el espacio de características.

  • Transferencia de estilos de imagen con Torch

    Requisitos previos: experiencia en redes neuronales convolucionales

    Entornos de trabajo: Torch

    Idiomas: inglés

    Precio: 30 $

    Explora cómo transferir el aspecto de una imagen a otra imagen extrayendo características visuales diferenciadas. Descubre cómo se utilizan las redes neuronales convolucionales para la extracción de características y cómo estas características se introducen en un generador para crear otra imagen. Aprenderás a:

    • Transferir el aspecto de una imagen a otra imagen extrayendo características visuales diferenciadas
    • Determinar cualitativamente si un estilo se transfiere correctamente con distintas técnicas
    • Utilizar innovaciones arquitectónicas y técnicas de entrenamiento para la transferencia arbitraria de estilos

    Al finalizar, podrás utilizar redes neuronales para realizar una transferencia arbitraria de estilos a una velocidad que resulte eficaz con vídeo.

  • Eliminación de ruido de imágenes renderizadas con codificadores automáticos

    Requisitos previos: experiencia en redes neuronales convolucionales

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Precio: 30 $

    Aprende cómo usar redes neuronales con codificadores automáticos para acelerar drásticamente la eliminación de ruido en imágenes con trazado de rayos. Aprenderás a:

    • Determinar si existe ruido en imágenes renderizadas
    • Utilizar una red entrenada previamente para eliminar el ruido en algunas imágenes de ejemplo o en tus propias imágenes
    • Entrenar tu propio eliminador de ruido con el conjunto de datos suministrado

    Al finalizar, podrás utilizar codificadores automáticos en redes neuronales para entrenar tu propio eliminador de ruido en imágenes renderizadas.

  • Superresolución de imagen con codificadores automáticos

    Requisitos previos: experiencia en redes neuronales convolucionales

    Entornos de trabajo: Keras

    Idiomas: inglés

    Precio: 30 $

    Aprovecha la potencia de una red neuronal con codificadores automáticos para crear imágenes de gran calidad a partir de imágenes de origen de baja calidad. En este minicurso, vas a:

    • Comprender y diseñar un codificador automático
    • Aprender diversos métodos para medir con rigor la calidad de la imagen

    Al finalizar, podrás utilizar codificadores automáticos en redes neuronales para mejorar significativamente la calidad de las imágenes.

SANIDAD
 

MATERIAS OPTATIVAS
  • Clasificación de imágenes con TensorFlow: radiómica (clasificación de estados del cromosoma 1p19q)

    Requisitos previos: experiencia básica en redes neuronales convolucionales y Python

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Precio: 30 $

    Gracias al trabajo que se realiza en la Clínica Mayo, el uso de técnicas de deep learning para detectar la radiómica a partir de imágenes en resonancias magnéticas ha llevado a tratamientos más efectivos y mejores resultados en la salud de pacientes con tumores cerebrales. Aprende a detectar el biomarcador de eliminación conjunta de 1p19q. Para ello debes:

    • Diseñar y entrenar redes neuronales convolucionales
    • Utilizar la genómica de imágenes (radiómica) para crear biomarcadores que identifiquen la genómica de una enfermedad sin el uso de una biopsia invasiva
    • Explorar el trabajo de radiogenómica que se lleva a cabo en la Clínica Mayo

    Al finalizar, tendrás un conocimiento único de la innovación y los resultados prometedores de utilizar deep learning para predecir la radiómica.

  • Deep learning para genómica mediante DragoNN con Keras y Theano

    Requisitos previos: experiencia básica en redes neuronales convolucionales y Python

    Entornos de trabajo: Keras y Theano

    Idiomas: inglés

    Precio: 30 $

    Aprende a interpretar modelos de deep learning para detectar patrones predictivos de secuenciación del genoma. Utiliza el kit de herramientas de redes neuronales profundas de genómica reguladora (DragoNN) en datos de genómica reguladora simulados y reales para:

    • Desmitificar arquitecturas populares de DragoNN
    • Explorar las directrices de modelado e interpretación de la secuencia reguladora con modelos de DragoNN
    • Identificar cuando DragoNN es una buena opción para un problema de aprendizaje en genómica y modelos de alto rendimiento.

    Al finalizar, podrás utilizar la detección de patrones predictivos de secuenciación del genoma para obtener nuevos conocimientos biológicos.

  • Segmentación de imágenes médicas con DIGITS

    Requisitos previos: experiencia básica en redes neuronales convolucionales y Python

    Entornos de trabajo: DIGITS y Caffe

    Idiomas: inglés

    Precio: 30 $

    Segmentación de imágenes (o semántica) es la tarea de colocar cada píxel de una imagen en una clase concreta. Segmentarás imágenes en resonancias magnéticas para medir secciones del corazón. Para ello debes:

    • Ampliar Caffe con capas Python personalizadas
    • Implementar el proceso de transferencia del aprendizaje
    • Crear redes neuronales convolucionales completas a partir de redes populares de clasificación de imágenes

    Al finalizar, podrás configurar la mayoría de los flujos de trabajo de visión computarizada con deep learning.

  • Análisis de imágenes médicas con R y MXNet

    Requisitos previos: experiencia básica en redes neuronales convolucionales y Python

    Entornos de trabajo: MXNet

    Idiomas: inglés

    Precio: 30 $

    Las redes neuronales convolucionales se pueden aplicar al análisis de imágenes médicas para inferir el estado del paciente a partir de imágenes no visibles. Aprende a entrenar una red neuronal convolucional para inferir el volumen del ventrículo izquierdo del corazón humano a partir de datos en resonancias magnéticas de series temporales. Explorarás como:

    • Ampliar una red neuronal convolucional 2D canónica a datos más complejos
    • Utilizar MXNet a través de R y la API Python estándar
    • Procesar imágenes de alta dimensionalidad que pueden ser volumétricas y tener un componente temporal

    Al finalizar, sabrás utilizar redes neuronales convolucionales con imágenes no visibles.

  • Modelado de datos de series temporales con redes neuronales recurrentes en Keras

    Requisitos previos: experiencia básica en deep learning

    Entornos de trabajo: Keras

    Idiomas: inglés

    Precio: gratis

    Las redes neuronales recurrentes permiten a los modelos clasificar o predecir datos de serie temporal, como el lenguaje natural, los mercados e incluso la salud de un paciente a lo largo del tiempo. Aprenderás a:

    • Crear conjuntos de datos de entrenamiento y pruebas con historias clínicas electrónicas en HDF5 (formato jerárquico de datos versión cinco)
    • Preparar conjuntos de datos para su uso con redes neuronales recurrentes, lo que permite modelar secuencias de datos muy complejas
    • Construir un modelo de gran memoria a corto plazo, una arquitectura concreta de redes neuronales recurrentes, con la biblioteca Keras en ejecución encima de Theano para evaluar el rendimiento del modelo con datos de referencia

    Al finalizar, podrás modelar datos de serie temporal con redes neuronales recurrentes.

  • Clasificación de imágenes médicas utilizando el conjunto de datos MedNIST

    Requisitos previos: ninguno

    Entornos de trabajo: DIGITS

    Idiomas: inglés

    Echa un vistazo a una introducción práctica al deep learning para radiología e imágenes médicas. Aprenderás a:

    • Recopilar, dar formato y estandarizar imágenes de datos médicos
    • Diseñar y entrenar una red neuronal convolucional (CNN) en un conjunto de datos
    • Utilizar el modelo entrenado para clasificar imágenes médicas nuevas

    Al finalizar, sabrás aplicar redes neuronales convolucionales para clasificar las imágenes de un conjunto de datos de imágenes médicas.

  • Aumento y segmentación de datos con redes generativas para el diagnóstico por imagen

    Requisitos previos: experiencia con redes neuronales convolucionales

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Precio:30 $

    Una red generativa antagónica (RGA) está formada por un par de redes neuronales profundas: un generador, que crea nuevos ejemplos basados en los datos de entrenamiento proporcionados, y un discriminador, que intenta distinguir los datos auténticos de los simulados. Como ambas redes se mejoran entre sí, los ejemplos creados son cada vez más realistas. Esta tecnología es prometedora para el sector de la salud, ya que aumenta los conjuntos de datos más pequeños para el entrenamiento de redes tradicionales. Aprenderás a:

    • Generar resonancias magnéticas cerebrales sintéticas
    • Aplicar redes generativas antagónicas para la segmentación
    • Usar redes generativas antagónicas para el aumento de datos con el fin de mejorar la precisión

    Al finalizar, sabrás aplicar redes generativas antagónicas en el ámbito de diagnósticos por imagen.

  • Memoria contextual gruesa-fina para el diagnóstico por imagen

    Requisitos previos: experiencia con redes neuronales convolucionales

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Precio: 30 $

    La memoria contextual gruesa-fina es una técnica desarrollada para la segmentación de imágenes mediante el uso de arquitecturas muy profundas y la incorporación de características de diversas escalas con una gran memoria de corto plazo convolucional. Podrás:

    • La memoria contextual gruesa-fina es una técnica desarrollada para la segmentación de imágenes mediante el uso de arquitecturas muy profundas y la incorporación de características de diversas escalas con una gran memoria de corto plazo convolucional. Podrás:
    • Conocer bloques de creación comunes (convoluciones, capas de agrupación, redes residuales, etc.)
    • Investigar diferentes estrategias para omitir conexiones

    Al finalizar, sabrás aplicar técnicas de memoria contextual gruesa-fina en el ámbito de la segmentación de imágenes médicas y tareas similares de generación de imágenes.

ANÁLISIS INTELIGENTE DE VÍDEO

MATERIAS OPTATIVAS
  • Despliegue de análisis inteligente de vídeo con TensorRT

    Requisitos previos: experiencia básica en redes neuronales convolucionales y C++

    Entornos de trabajo: TensorRT

    Idiomas: inglés

    Precio: 30 $

    Cuando a una red neuronal entrenada se le asigna la tarea de encontrar la respuesta en las nuevas entradas de datos, se le llama despliegue. TensorRT es la principal herramienta de despliegue, con diversas opciones que mejoran el rendimiento de inferencia de las redes neuronales. En este minicurso, vas a:

    • Aprender a utilizar giexec para ejecutar la inferencia.
    • Utilizar INT8 de precisión mixta para optimizar la inferencia.
    • Aprovechar la API de capas personalizada para plugins.

    Al finalizar, sabrás utilizar TensorRT para acelerar el rendimiento de la inferencia en las redes neuronales.

Talleres impartidos por instructor

Consulta los próximos talleres para saber si alguno se va a impartir en tu región o solicita un taller en tus instalaciones.

Asiste a los próximos talleres.

TALLERES GRATUITOS PARA EL MUNDO ACADÉMICO

Estos talleres son gratuitos y exclusivos para alumnos, miembros del personal e investigadores académicos.

LLEVA DLI A TU ORGANIZACIÓN.

Los gerentes pueden solicitar talleres de DLI en las instalaciones de su empresa u organización. Elige cualquiera de los cursos básicos o específicos del sector que se incluyen en la lista disponible a continuación.

Si buscas una formación empresarial más completa, trabajaremos contigo para crear un paquete de formación y lecciones que se adapte a las necesidades únicas de tu organización. Desde cursos prácticos online y presenciales hasta reuniones con expertos o informes de nivel empresarial: DLI te ofrece todo lo necesario para ayudarte a transformar tu empresa en una organización de IA. Ponte en contacto con nosotros para obtener más información.

INTRODUCCIÓN AL DEEP LEARNING

  • Conceptos básicos de deep learning para visión computarizada 

    Requisitos previos: ninguno

    Entornos de trabajo: Caffe

    Idiomas: inglés

    Certificación disponible

    Explora los conceptos básicos entrenando redes neuronales y utilizando los resultados para mejorar el rendimiento y la funcionalidad.

    En este curso, aprenderás los principios básicos de deep learning entrenando y desplegando redes neuronales. Aprenderás a:

    • Implementar flujos de trabajo de deep learning comunes tales como la clasificación de imágenes y la detección de objetos
    • Experimentar con datos, parámetros de entrenamiento, la estructura de la red y otras estrategias que aumenten el rendimiento y la capacidad
    • Desplegar tus redes neuronales para empezar a solucionar problemas del mundo real

    Al finalizar, podrás empezar a resolver problemas con deep learning sin ayuda.

  • Conceptos básicos de deep learning para diversos tipos de datos

    Requisitos previos: “Conceptos básicos de deep learning para visión computarizada” o experiencia similar

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Este curso profundiza en la combinación de redes neuronales convolucionales y recurrentes para generar descripciones eficaces de contenido en imágenes y videoclips.

    Aprende a utilizar una red con TensorFlow y el conjunto de datos Microsoft Common Objects in Context (COCO) para generar subtítulos de imágenes y vídeos. Para ello debes:

    • Implementar flujos de trabajo de deep learning como la segmentación de imágenes y la generación de texto
    • Comparar y contrastar los tipos de datos, los flujos de trabajo y los entornos de trabajo
    • Combinar la visión computarizada y el procesamiento de lenguaje natural

    Al finalizar, podrás solucionar problemas de deep learning que requieren entradas de datos de varios tipos.

  • Fundamentals of Deep Learning for Natural Language Processing 

    Prerequisites: Basic experience with neural networks

    Frameworks: TensorFlow, Keras

    Languages: English

    Certification Available

    Learn the latest deep learning techniques to understand textual input using natural language processing (NLP). You’ll learn how to:

    • Convert text to machine-understandable representations and classical approaches
    • Implement distributed representations (embeddings) and understand their properties
    • Train machine translators from one language to another

    Upon completion, you’ll be proficient in NLP using embeddings in similar applications.

  • Fundamentals of Deep Learning for Multi-GPUs 

    Prerequisites: Experience with stochastic gradient descent mechanics

    Frameworks: TensorFlow

    Languages: English

    Certification Available

    The computational requirements of deep neural networks used to enable AI applications like self-driving cars are enormous. A single training cycle can take weeks on a single GPU or even years for larger datasets like those used in self-driving car research. Using multiple GPUs for deep learning can significantly shorten the time required to train lots of data, making solving complex problems with deep learning feasible.

    This workshop will teach you how to use multiple GPUs to train neural networks. You'll learn:

    • Approaches to multi-GPUs training
    • Algorithmic and engineering challenges to large-scale training
    • Key techniques used to overcome the challenges mentioned above

    Upon completion, you'll be able to effectively parallelize training of deep neural networks using TensorFlow.

INTRODUCCIÓN A LA COMPUTACIÓN ACELERADA

  • Conceptos básicos de computación acelerada con CUDA C/C++

    Requisitos previos: experiencia básica en C/C++

    Idiomas: inglés

    Certificación disponible

    La plataforma de computación CUDA permite que la aceleración de aplicaciones de solo CPU se ejecute en las GPU de paralelismo masivo más rápidas del mundo. Experimenta la aceleración de aplicaciones de C/C++. Para ello debes:

    • Acelerar las aplicaciones de solo CPU para ejecutar su paralelismo latente en las GPU
    • Utilizar técnicas esenciales de gestión de memorias de CUDA para optimizar las aplicaciones aceleradas
    • Exponer el potencial de concurrencia de las aplicaciones aceleradas y aprovecharlo con flujos de CUDA
    • Aprovechar la generación de perfiles de elementos visuales y de línea de comandos como guía y comprobación de tu trabajo

    Al finalizar, podrás acelerar y optimizar las aplicaciones existentes de solo CPU con C/C++ con las herramientas y técnicas más esenciales de CUDA. Comprenderás un estilo iterativo de desarrollo CUDA que te permite enviar rápidamente aplicaciones aceleradas.

TALLER DE DEEP LEARNING POR SECTOR

  • Deep learning para vehículos autónomos: percepción

    Requisitos previos: experiencia en redes neuronales convolucionales

    Entornos de trabajo: TensorFlow, DIGITS y TensorRT

    Idiomas: inglés

    En este curso aprenderás a diseñar, entrenar y desplegar redes neuronales profundas para vehículos autónomos con la plataforma de desarrollo NVIDIA DRIVE PX.

    Aprenderás a:

    • Integrar la entrada del sensor mediante la pila de software DriveWorks
    • Entrenar una red neuronal de segmentación semántica
    • Optimizar, validar y desplegar una red neuronal entrenada con TensorRT

    Al finalizar, los alumnos podrán crear y optimizar los componentes de percepción de los vehículos autónomos con NVIDIA DRIVE PX.

  • Deep learning para estrategia de compraventa de acciones

    Requisitos previos: experiencia en redes neuronales y conocimiento del sector financiero

    Entornos de trabajo: TensorFlow

    Idiomas: inglés

    Las técnicas lineales como el análisis de componentes principales (PCA) son los caballos de batalla de la creación de “carteras propias” para su uso en estrategias de arbitraje estadístico. También son frecuentes otras técnicas que utilizan datos financieros de series temporales. Pero ahora, las estrategias comerciales pueden adelantarse gracias a las redes neuronales profundas.

    En este curso, aprenderás a:

    • Preparar datos de series temporales y probar el rendimiento de la red con conjuntos de datos de entrenamiento y prueba
    • Estructurar y entrenar una red de gran memoria de corto plazo para que acepte entradas vectoriales y realice predicciones
    • Utilizar el codificador automático como detector de anomalías para crear una estrategia de arbitraje

    Al finalizar, podrás utilizar datos financieros de series temporales para realizar predicciones y aprovechar el arbitraje con redes neuronales.

  • Deep learning para la creación de contenido digital con redes generativas antagónicas y codificadores automáticos

    Requisitos previos: experiencia en redes neuronales convolucionales

    Entornos de trabajo: Torch y TensorFlow

    Idiomas: inglés

    Explora las últimas técnicas para diseñar, entrenar e implementar redes neuronales para la creación de contenido digital. Aprenderás a:

    • Entrenar una red generativa antagónica para generar imágenes
    • Explorar las innovaciones arquitectónicas y las técnicas de entrenamiento que se usan para realizar una transferencia arbitraria de estilos de vídeo
    • Entrenar tu propia herramienta de eliminación de ruido para imágenes renderizadas

    Al finalizar, podrás empezar a crear activos digitales con métodos de deep learning.

  • Deep learning para análisis de imágenes médicas

    Requisitos previos: experiencia básica en redes neuronales convolucionales y Python

    Entornos de trabajo: Caffe, DIGITS, MXNet y TensorFlow

    Idiomas: inglés

    Este curso profundiza en la aplicación de redes neuronales convolucionales en resonancias magnéticas para realizar una amplia variedad de cálculos y tareas médicas. Aprenderás a:

    • Realizar la segmentación de imágenes en resonancias magnéticas para determinar la ubicación del ventrículo izquierdo
    • Calcular fracciones de eyección mediante la medición de las diferencias entre la diástole y la sístole con redes neuronales convolucionales aplicadas en resonancias magnéticas para detectar enfermedades cardíacas
    • Aplicar redes neuronales convolucionales en resonancias magnéticas de gliomas de grado bajo para determinar el estado de eliminación conjunta del cromosoma 1p/19q

    Al finalizar, sabrás aplicar redes neuronales convolucionales en resonancias magnéticas para realizar una amplia variedad de tareas médicas.

  • Deep Learning para medicina genómica

    Requisitos previos: experiencia básica en redes neuronales convolucionales y Python

    Entornos de trabajo: Caffe, TensorFlow y Theano

    Idiomas: inglés

    En este curso se enseña a aplicar deep learning para detectar la eliminación conjunta de cromosomas y la búsqueda de diseños en secuencias genómicas. Aprenderás a:

    • Comprender los principios básicos de las redes neuronales convolucionales y su funcionamiento
    • Aplicar redes neuronales convolucionales en resonancias magnéticas de gliomas de grado bajo para determinar el estado de eliminación conjunta del cromosoma 1p/19q
    • Utilizar el kit de herramientas de DragoNN para simular datos de genómica y buscar diseños

    Al finalizar, podrás: comprender cómo funcionan las redes neuronales convolucionales, evaluar las imágenes en resonancias magnéticas con redes neuronales convolucionales y utilizar los datos reales de genómica reguladora para investigar nuevos diseños.

Programa de embajadores universitarios

Los educadores cualificados pueden impartir talleres de DLI en su campus universitario a profesores, alumnos e investigadores sin coste alguno.

Únete al programa de embajadores universitarios de DLI de prestigiosas universidades de todo el mundo. Además, descarga los kits didácticos de NVIDIA para obtener material de lectura, cursos prácticos, recursos en la nube de GPU y mucho más.

Universidades participantes

Universidad Estatal de Arizona
Columbia
Universidad de Ciencia y Tecnología de Hong Kong