NVIDIA
Deep Learning Institute

Apprenez comment résoudre des projets complexes grâce au Deep Learning

NVIDIA DLI PROPOSE UNE CERTIFICATION POUR L'IA ET LE CALCUL ACCÉLÉRÉ.

Le NVIDIA Deep Learning Institute (DLI) vous propose un programme exhaustif de formations pratiques pour vous apprendre à résoudre des problèmes concrets grâce à l’intelligence artificielle (IA) et au calcul accéléré. Conçu pour les développeurs, les data scientists et les chercheurs, le NVIDIA DLI vous propose des formations sous trois formats :

Cours
en ligne

Les cours en ligne du NVIDIA DLI vous apprennent en 8 heures à implémenter et à déployer un projet de bout en bout. Ces cours en lignes, accessibles n’importe où et à tout moment, vous donnent accès à une station de travail dans le Cloud entièrement configurée et accélérée par GPU.

Mini-cours
en ligne

Les mini-cours en ligne du NVIDIA DLI vous expliquent en 2 heures comment appliquer une technique de développement ou une technologie spécifique. Tout comme les cours en ligne traditionnels, les mini-cours en ligne tirent parti de l’accélération GPU dans le Cloud et sont accessibles n’importe où et à tout moment

Ateliers avec formateurs agréés

Les ateliers de formation pratique du NVIDIA DLI vous apprennent en 8 heures à implémenter et à déployer un projet de bout en bout. Disponibles sur site, en milieu universitaire ou lors d’événements professionnels comme des conférences, ces ateliers à la journée incluent des formations et des présentations délivrées par des instructeurs certifiés du NVIDIA DLI.

Certification

Certification

Les participants peuvent recevoir une certification qui atteste de leur compétence et favorise leur développement professionnel. Cette certification est fournie dans le cadre de certains cours en ligne ou ateliers de formation.

FORMATION EN LIGNE

Commencez un cours à la carte ou un cours optionnel n’importe où et à tout moment, pour accéder à une station de travail dans le Cloud entièrement configurée et accélérée par GPU.

Introduction au Deep Learning

Si vous débutez en matière de Deep Learning, vous devez commencer par apprendre à entraîner et à déployer un réseau de neurones pour résoudre des problèmes concrets.

COURS
  • Fondamentaux du Deep Learning pour la vision par ordinateur 

    Prérequis : Aucun

    Framework : Caffe

    Langue : Anglais

    Prix : 90 $

    Certification disponible

    Découvrez les principes fondateurs du Deep Learning et apprenez à entraîner des réseaux de neurones pour améliorer les performances et les capacités de votre workflow.

    Ce cours vous présente les bases du Deep Learning et vous explique comment entraîner et déployer des réseaux de neurones profonds. Programme :

    • Implémentez des workflows communs de Deep Learning pour la classification d’images ou la détection d’objets.
    • Testez divers jeux de données, paramètres d’entraînement, structures neuronales et stratégies pour améliorer les performances et les capacités de calcul.
    • Déployez des réseaux de neurones pour résoudre des problèmes concrets.

    À la fin de ce cours, vous serez en mesure d'accomplir vos propres projets basés sur le Deep Learning.

MINI-COURS
  • Classification d’images avec NVIDIA DIGITS

    Prérequis : Aucun

    Framework : Caffe (avec interface DIGITS)

    Langues : Anglais, chinois, japonais

    Prix : Gratuit

    Le Deep Learning permet la mise en œuvre de solutions inédites, en remplaçant les instructions codées à la main par des modèles appris à partir d'exemples. Entraînez un réseau neuronal profond à reconnaître les chiffres écrits à la main :

    • en chargeant les données d'image sur un environnement d'entraînement
    • en sélectionnant et en entraînant un réseau
    • en testant avec de nouvelles données et en répétant le processus pour améliorer les performances

    À la fin de ce cours, vous pourrez évaluer les données à utiliser pour l'entraînement.

  • Détection d’objets avec NVIDIA DIGITS

    Prérequis : Expérience basique des réseaux neuronaux

    Framework : Caffe (avec interface DIGITS)

    Langues : Anglais, chinois

    Prix : Gratuit

    Découvrez comment appliquer le Deep Learning pour la détection d'objets avec l'exemple de la détection de spécimens de baleines à partir d'images aériennes :

    • en associant la vision informatique traditionnelle avec le Deep Learning
    • en effectuant des opérations mineures de « neurochirurgie » sur un réseau neuronal existant à l'aide de l'infrastructure d'apprentissage profond Caffe
    • en exploitant les connaissances de la communauté du Deep Learning, par l'identification et l'utilisation d'un réseau sur mesure et de données étiquetées de bout en bout

    À la fin de ce cours, vous serez en mesure de résoudre des problèmes spécifiques grâce au Deep Learning.

  • Déploiement de réseaux de neurones avec DIGITS et TensorRT

    Prérequis : Expérience basique des réseaux neuronaux

    Frameworks : DIGITS, TensorRT

    Langues : Anglais, chinois

    Prix : 30 $

    Le Deep Learning permet de cartographier les intrants vers des sortants nécessitant des programmations très complexes. Apprenez à déployer le Deep Learning sur des applications qui reconnaissent et détectent les piétons sur des images en temps réel.

    • Accéder aux fichiers qui constituent un modèle d'entraînement, et les comprendre
    • Exploiter les intrants et sortants spécifiques à une fonction
    • Optimiser les parties les plus exigeantes en programmation de votre application pour améliorer certaines mesures de performance comme le rendement ou la latence

    À la fin de ce cours, vous saurez mettre en œuvre le Deep Learning pour résoudre des problèmes dans le monde réel.

  • Workflows Deep Learning avec TensorFlow, MXNet et NVIDIA Docker

    Prérequis : Expérience basique avec un terminal Bash

    Frameworks : TensorFlow, MXNet

    Langues : Anglais, japonais

    Prix : 30 $

    Le plug-in Docker de NVIDIA permet de mettre en conteneurs des processus de Deep Learning de niveau production à l'aide d'unités GPU. Découvrez comment simplifier la configuration et l'administration des hôtes :

    • en apprenant à exploiter les images Docker et à gérer les méthodes basées sur les conteneurs
    • en accédant aux images sur le registre d'images public Docker - « DockerHub » - pour en réutiliser un maximum en créant des conteneurs légers composables
    • en entraînant des réseaux neuronaux à l'aide des infrastructures TensorFlow et MXNet

    À la fin de ce cours, vous serez en mesure de placer en conteneurs et de distribuer des images préconfigurées pour le Deep Learning.

  • Segmentation d’images avec TensorFlow

    Prérequis : Expérience basique des réseaux neuronaux

    Framework : TensorFlow

    Langue : Anglais

    Prix : 30 $

    La segmentation d'images ou sémantique consiste à placer chaque pixel d'une image dans une classe spécifique. Découvrez comment segmenter des images d'IRM pour mesurer certaines parties du cœur :

    • en comparant la segmentation d'images avec d'autres problèmes de vision numérique
    • en réalisant des expériences avec des outils TensorFlow comme TensorBoard et l'API TensorFlow Python
    • en apprenant à mettre en œuvre des mesures efficaces pour évaluer les performances du modèle

    À la fin de ce cours, vous serez en mesure de configurer la plupart des processus de vision numérique à l'aide du Deep Learning.

  • Classification d’images avec Microsoft Cognitive Toolkit

    Prérequis : Aucun

    Framework : Microsoft Cognitive Toolkit

    Langue : Anglais

    Prix : 30 $

    Découvrez comment entraîner un réseau neuronal à l'aide de l'infrastructure Microsoft Cognitive Toolkit. Vous pourrez construire et entraîner des réseaux de plus en plus complexes :

    • pour comparer l'expression d'un réseau neuronal conçu avec « Simple Network Builder » ” à celle d'un réseau conçu avec l'outil plus général « Network Builder » de BrainScript
    • pour visualiser des graphiques de réseaux de neurones
    • pour entraîner et tester un réseau neuronal lors du classement de chiffres écrits à la main

    À la fin de ce cours, vous aurez des connaissances de base en réseaux de neurones convolutifs (CNN, Convolutional Neural Networks) et serez prêts à exploiter les fonctions plus complexes de Microsoft Cognitive Toolkit.

  • Classification linéaire avec TensorFlow

    Prérequis : Aucun

    Framework : TensorFlow

    Langue : Anglais

    Prix : 30 $

    Découvrez comment faire des prédictions à partir de données structurées à l'aide de l'API TFLearn de TensorFlow. En cherchant à déterminer les revenus personnels sur la base des données d'un recensement, vous pourrez :

    • charger, afficher et organiser les données à partir d'un fichier CSV pour l'apprentissage machine
    • diviser un jeu de données existant en fonctionnalités et étiquettes (entrée, sortie) d'un réseau de neurones
    • générer des modèles linéaires et profonds, et mesurer la différence en termes de performances

    À la fin de ce cours, vous serez en mesure d'effectuer des prédictions à partir de vos propres données structurées.

  • Traitement des signaux avec DIGITS

    Prérequis : Expérience basique avec l’entraînement de réseaux neuronaux

    Frameworks : Caffe, DIGITS

    Langues : Anglais, chinois

    Prix : 30 $

    Les réseaux neuronaux profonds parviennent mieux à classer les images que l'être humain. Ils offrent ainsi des avantages supérieurs à la simple vision numérique. Découvrez comment convertir les signaux de radiofréquence (RF) en images afin de détecter un signal faible parasité par du bruit. Vous apprendrez à :

    • traiter des données non image comme des données image
    • mettre en œuvre un processus de Deep Learning (charger, entraîner, tester, ajuster) en CHIFFRES
    • tester les performances de façon programmée et orienter les améliorations de performance

    À la fin de ce cours, vous serez en mesure de classer les données image et non image à l'aide du Deep Learning.

Introduction au calcul accéléré

Si vous débutez en matière de calcul accéléré, vous devez commencer par apprendre à accélérer vos applications avec CUDA et OpenACC.

COURS
  • Fondamentaux du calcul accéléré avec CUDA C/C++ 

    Prérequis : Expérience basique avec C/C++

    Langue : Anglais

    Prix : 90 $

    Certification disponible

    La plateforme de calcul parallèle CUDA permet d’accélérer des applications CPU grâce à la puissance de traitement massivement parallèle des GPU. Apprenez à exploiter l’accélération GPU dans vos applications C/C++ :

    • Accélérez des applications CPU et tirez profit de leur parallélisme latent sur les GPU.
    • Utilisez des techniques essentielles de gestion de la mémoire avec NVIDIA CUDA afin d’optimiser des applications accélérées.
    • Exposez le potentiel de concurrence des applications accélérées par GPU et exploitez-le avec des flux CUDA.
    • Utilisez les lignes de commande et le profilage visuel pour guider et vérifier vos travaux.

    À la fin de ce cours, vous serez en mesure d'accélérer et d’optimiser vos applications CPU (C/C++) existantes avec des techniques et des outils CUDA essentiels.

  • Fondamentaux du calcul accéléré avec CUDA Python

    Prérequis : Expérience de base avec Python et NumPy

    Langues : Anglais

    Prix : 90 $

    Ce cours explore le mode d’utilisation de Numba - le compilateur opportun de fonctions Python spécialisé dans le type - pour accélérer les programmes de Python et les faire tourner sur des GPU NVIDIA massivement parallèles. Programme :

    • Utiliser Numba pour compiler les noyaux CUDA à partir des fonctions universelles NumPy (ufuncs)
    • Utiliser Numba pour créer et lancer des noyaux CUDA personnalisés
    • Appliquer les principales techniques de gestion de la mémoire du GPU

    Une fois terminé, vous pourrez utiliser Numba pour compiler et lancer les noyaux CUDA pour accélérer vos applications Python sur les GPU NVIDIA.

  • Fondamentaux du calcul accéléré avec OpenACC

    Prérequis : Expérience de base avec C/C++

    Langues : Anglais

    Prix : 90 $

    Formez-vous aux bases d’OpenACC, un langage de programmation de haut niveau tirant profit de l'accélération GPU. Ce cours s’adresse à tous les utilisateurs qui possèdent de l’expérience avec C/C++ et qui souhaitent aller plus loin que le traitement CPU afin de paralléliser leur code et d’accélérer les performances de leurs applications. Programme :

    • Expérimentez quatre étapes très simples pour accélérer votre code d’application existant via OpenACC
    • Découvrez comment profiler et améliorer votre code OpenACC
    • Comment programmer sur des systèmes multi-GPU en combinant OpenACC avec l’interface de transmission de messages (MPI)

    À la fin de ce cours, vous serez en mesure d’assembler et d’optimiser des applications à code hétérogène sur des clusters multi-GPU en utilisant la puissance combinée d’OpenACC, de la norme MPI à base CUDA et des outils de profilage NVIDIA.

MINI-COURS
  • Accélération d’applications avec CUDA C/C++

    Prérequis : Expérience basique avec C/C++

    Langues : Anglais, Japonais

    Prix : Gratuit

    Découvrez comment accélérer votre application C/C++ à l'aide de CUDA pour profiter de la puissance parallèle massive des unités GPU NVIDIA. Vous apprendrez à programmer CUDA dans le but :

    • d'accélérer les algorithmes SAXPY
    • d'accélérer les algorithmes Matrix Multiply
    • d'accélérer les algorithmes de conduction de chaleur

    À la fin de ce cours, vous saurez utiliser la plate-forme CUDA afin d'accélérer vos applications C/C++.

  • OpenACC – 2X en 4 étapes

    Prérequis : Expérience basique avec C/C++

    Langues : Anglais

    Prix : Gratuit

    Découvrez comment accélérer votre application C/C++ ou Fortran à l'aide d'OpenACC pour profiter de la puissance parallèle massive des unités GPU NVIDIA. OpenACC est une approche de programmation basée sur les directives, où vous pouvez indiquer au compilateur où accélérer votre code, au lieu de rédiger vous-même le code d'accélérateur. Découvrez le processus en quatre étapes qui permet d'accélérer les applications à l'aide d'OpenACC :

    • Caractérisez et créez le profil de votre application
    • Ajoutez des directives de programmation
    • Ajoutez des directives pour optimiser les mouvements de données
    • Optimisez votre application à l'aide de la planification de noyau

    À la fin de ce cours, vous saurez utiliser une approche basée sur les profils pour accélérer rapidement vos applications C/C++ à l'aide de directives OpenACC.

  • Introduction au calcul accéléré

    Prérequis : Expérience basique avec C/C++

    Langue : Anglais

    Prix : 30 $

    Découvrez les trois techniques d'accélération de code sur une GPU :

    • en utilisant des bibliothèques accélérées par GPU
    • en utilisant des directives de compilateur comme OpenACC
    • en rédigeant directement le code en langages compatibles CUDA

    À la fin du cours, vous saurez comment expliquer les accélérations potentielles et la simplicité d'utilisation du portage à votre GPU.

  • Optimisation de la mémoire GPU avec CUDA C/C++

    Prérequis : "Accélération d’applications avec CUDA C/C++" ou expérience similaire

    Langue : Anglais

    Prix : 30 $

    Découvrez les techniques d'optimisation de mémoire pour programmer avec CUDA C/C++ sur une GPU NVIDIA, et apprenez à utiliser NVIDIA Visual Profiler (NVVP) pour prendre en charge ces optimisations. Vous apprendrez à :

    • mettre en œuvre un algorithme Naive Matrix Transpose
    • effectuer plusieurs cycles de profilage d'algorithme avec NVVP et optimiser ses performances

    À la fin de ce cours, vous serez en mesure d'analyser et d'améliorer des schémas d'accès mémoire partagés et globaux, et saurez optimiser vos applications accélérées C/C++.

  • Accélération d’applications avec bibliothèques accélérées par GPU via CUDA C/C++

    Prérequis : "Accélération D’applications Avec Cuda C/C++" Ou Expérience Similaire

    Langue : Anglais

    Prix : 30 $

    Découvrez comment accélérer votre application C/C++ à l'aide de bibliothèques en accès libre pour profiter de la puissance parallèle massive des GPU NVIDIA. Vous allez effectuer trois exercices, pour apprendre :

    • à utiliser cuBLAS pour accélérer une multiplication de matrice de base
    • à combiner des bibliothèques en ajoutant certains appels d'API cuRAND aux appels cuBLAS précédents
    • à utiliser nvprof pour profiler le code et optimiser certains appels d'API CUDA Runtime

    À la fin de ce cours, vous serez en mesure d'utiliser plusieurs bibliothèques compatibles CUDA pour accélérer rapidement vos applications dans vos programmes C/C++ d'unité centrale.

  • Accélération d’applications avec bibliothèques accélérées par GPU dans Python

    Prérequis : Expérience basique avec Python

    Langue : Anglais

    Prix : 30 $

    Apprenez à utiliser les bibliothèques GPU pour accélérer le code Python sur les GPU NVIDIA :

    • en utilisant la bibliothèque cuRAND pour accélérer le simulateur Monte Carlo
    • en optimisant les mouvements de données entre l'unité centrale et la GPU

    À la fin de ce cours, vous serez en mesure d'utiliser des bibliothèques Python accélérées par la GPU afin d'accélérer le code Python de votre unité centrale.

  • Utilisation de Thrust pour l’accélération C++

    Prérequis : "Accélération D’applications Avec Cuda C/C++" Ou Expérience Similaire

    Langue : Anglais

    Prix : 30 $

    Thrust est une bibliothèque d'algorithmes parallèle basée sur la bibliothèque de modèles C++ standard. Elle permet aux développeurs d'exploiter rapidement le potentiel de programmation parallèle et prend en charge plusieurs interfaces système comme OpenMP et Intel Threading Building Blocks. Utilisez Thrust pour accélérer C++ dans des exercices qui portent sur :

    • les itérateurs, les conteneurs et les fonctions de base
    • les foncteurs intégrés et personnalisés
    • la portabilité vers le traitement par l'unité centrale

    À la fin de ce cours, vous saurez exploiter la puissance de la bibliothèque Thrust pour accélérer vos applications C/C++.

  • Profilage et parallélisation avec OpenACC

    Prérequis : "OpenACC – 2X en 4 étapes" ou expérience similaire

    Langues : Anglais

    Prix : 10 $

    Commencez par les deux premières étapes du cycle de programmation OpenACC : l'identification et l'expression du parallélisme. Vous apprendrez à :

    • profiler une application C ou Fortran fournie, à l'aide de NVIDIA NVPROF
    • utiliser le compilateur OpenACC pour accélérer le code

    À la fin de ce cours, vous serez en mesure de profiler des applications Fortran ou C spécifiques à l'unité centrale pour déterminer où appliquer des directives OpenACC afin d'accélérer les applications.

  • Expression des mouvements de données et optimisation des boucles avec OpenACC

    Prérequis : "Profilage et parallélisation avec OpenACC" ou expérience similaire

    Langues : Anglais

    Prix : 15 $

    Découvrez les techniques de programmation intermédiaires OpenAcc :

    • en ajoutant des directives de gestion de données OpenACC
    • en optimisant les applications à l'aide de la directive en boucle OpenACC

    À la fin de ce cours, vous serez en mesure d'optimiser les transferts de données et d'ajuster le parallélisme d'application avec OpenACC.

  • Initiation à la programmation multi-GPU avec MPI et OpenACC

    Prérequis : "OpenACC – 2X en 4 étapes" ou expérience similaire

    Langues : Anglais

    Prix : 30 $

    Découvrez comment programmer des systèmes à GPU multiples ou en clusters, à l'aide de l'interface MPI (Message Passing Interface) et d'OpenACC. Vous apprendrez à :

    • échanger des données entre les différentes GPU à l'aide d'une MPI compatible CUDA et d'OpenACC
    • gérer les affinités GPU dans les systèmes multi-GPU
    • superposer les communications et la programmation pour éliminer les délais de communication

    À la fin de ce cours, vous serez en mesure d'accélérer les applications avec une combinaison OpenACC et MPI dans les environnements multi-GPU.

  • Programmation multi-GPU avancée avec MPI et OpenACC

    Prérequis : « Introduction à la programmation multi-GPU avec MPI et OpenACC » ou expérience similaire

    Langues : Anglais

    Prix : 30 $

    Découvrez comment améliorer les applications accélérées multi-GPU MPI + OpenACC :

    • en superposant les communications et la programmation pour éliminer les délais de communication
    • en gérant les mises à jour de mémoire non contigüe avec une décomposition de domaine en tuiles 2D

    À la fin du cours, vous serez en mesure d'utiliser des techniques intermédiaires dans les applications accélérées avec OpenACC et MPI.

  • Rationalisation des tâches sur GPU avec OpenACC

    Prérequis : "Expression des mouvements de données et optimisation des boucles avec OpenACC" ou expérience similaire

    Langues : Anglais

    Prix : 30 $

    Développez vos compétences sur OpenACC en optimisant les copies de données à superposer avec la programmation GPU, à l'aide d'une technique simple appelée « pipelining ». Vous apprendrez à :

    • utiliser la directive de routine OpenACC pour permettre des appels de fonction sur périphérique
    • diviser les projets importants en plusieurs parties
    • travailler sur ces parties de projet de façon asynchrone à partir de l'unité centrale

    À la fin du cours, vous serez en mesure d'utiliser le pipelining dans OpenACC pour effectuer des copies de données de façon efficace et presque sans aucun coût.

  • Approche par profil pour l’accélération des applications sismiques avec OpenACC

    Prérequis : Aucun

    Langue : Anglais

    Prix : 30 $

    Découvrez comment utiliser le profileur pour améliorer votre expérience d'accélération et d'optimisation du code pour une GPU :

    • en utilisant le profileur GPI
    • en utilisant le profileur NVIDIA
    • en utilisant OpenACC pour accélérer la méthode Kirchhoff 2D Depth Migration incluse avec Seismic Unix

    À la fin du cours, vous serez en mesure d'effectuer une accélération et une optimisation de données pour plusieurs architectures à l'aide d'une approche basée sur les profils dans OpenACC.

  • Accélération d’applications avec CUDA Fortran

    Prérequis : Expérience basique avec Fortran

    Langue : Anglais

    Prix : 30 $

    Découvrez comment accélérer votre application Fortran à l'aide de CUDA pour profiter de la puissance parallèle massive des GPU NVIDIA. Vous allez programmer avec CUDA pour :

    • accélérer les algorithmes SAXPY
    • accélérer les algorithmes Matrix Multiply
    • accélérer les algorithmes de conduction de chaleur

    À la fin de ce cours, vous saurez utiliser la plate-forme CUDA afin d'accélérer vos applications Fortran.

  • Optimisation de la mémoire GPU avec CUDA Fortran

    Prérequis : "Accélération d’applications avec CUDA Fortran" ou expérience similaire

    Langue : Anglais

    Prix : 30 $

    Découvrez les techniques d'optimisation de mémoire pour programmer Fortran avec CUDA sur une GPU NVIDIA, et apprenez à utiliser NVIDIA Visual Profiler (NVVP) pour prendre en charge ces optimisations. Vous allez :

    • mettre en œuvre un algorithme Naive Matrix Transpose
    • effectuer plusieurs cycles de profilage d'algorithme avec NVVP et optimiser ses performances

    À la fin de ce cours, vous serez en mesure d'analyser et d'améliorer des schémas d'accès mémoire partagés et globaux, et saurez optimiser vos applications accélérées Fortran.

  • Accélération d’applications avec bibliothèques accélérées par GPU dans Fortran

    Prérequis : Expérience basique avec Fortran

    Langue : Anglais

    Prix : 30 $

    Apprenez à utiliser les bibliothèques GPU pour accélérer le code Fortran sur les GPU NVIDIA :

    • en utilisant la bibliothèque cuRAND pour accélérer le simulateur Monte Carlo
    • en optimisant les mouvements de données entre l'unité centrale et la GPU

    À la fin de ce cours, vous serez en mesure d'utiliser des bibliothèques Fortran accélérées par la GPU afin d'accélérer le code Fortran spécifique à votre unité centrale.

Cours de Deep Learning par industrie

Après avoir suivi une formation initiale aux bases du Deep Learning et du calcul accéléré, vous allez pouvoir appliquer vos connaissances dans une grande variété d’industries et de champs d’application.

DÉVELOPPEMENT DE JEUX ET CRÉATION DE CONTENU NUMÉRIQUE
 

MINI-COURS
  • Création d’images via GAN avec TensorFlow et DIGITS

    Prérequis : Expérience des réseaux neuronaux convolutifs

    Framework : TensorFlow

    Langue : Anglais

    Prix : 30 $

    Apprendre à former un Réseau conflictuel génératif (GAN) pour générer des contenus d’images en DIGITES. Programme :

    • utiliser les GAN pour créer des numéros manuscrits
    • visualiser l’espace des fonctionnalités et utiliser le vecteur d’attributs pour générer des analogies d’images
    • former un GAN pour générer des images avec des attributs définis

    Une fois terminé, vous pourrez utiliser les GAN pour générer des images en manipulant l’espace des fonctionnalités.

  • Transfert de styles d’images avec Torch

    Prérequis : Expérience des réseaux neuronaux convolutifs

    Framework : Torch

    Langue : Anglais

    Prix : 30 $

    Découvrez la manière de transférer l’apparence et la sensation d’une image à une autre image en extrayant des caractéristiques visuelles distinctes ; Voyez comment les réseaux neuronaux classiques (CNN) sont utilisés pour l’extraction de caractéristiques, et comment ces caractéristiques alimentent un générateur pour créer une nouvelle image. Programme :

    • Transférer l’apparence et la sensation d’une image à une autre image en extrayant des caractéristiques visuelles distinctes
    • Déterminer qualitativement si un style est transféré correctement en utilisant différentes techniques
    • Utiliser les innovations architecturales et les techniques de formation pour le transfert arbitraire de style

    Une fois terminé, vous pourrez utiliser les réseaux neuronaux pour le transfert de style arbitraire à une vitesse qui est efficace pour la vidéo.

  • Réduction du bruit sur images numériques avec encodeurs automatiques

    Prérequis : Expérience des réseaux neuronaux convolutifs

    Framework : TensorFlow

    Langue : Anglais

    Prix : 30 $

    Découvrez comment les réseaux de neurones avec codeurs automatiques peuvent être utilisés pour accélérer considérablement la suppression du bruit dans les images tracées aux rayons. Programme :

    • Déterminer s’il y a du bruit dans les images rendues
    • Utiliser un réseau préformé pour dénuder des échantillons d’images ou vos propres images
    • Former votre propre débruitage à l’aide de l’ensemble de données fournies

    Une fois terminé, vous pourrez utiliser des encodeurs automatiques à l’intérieur des réseaux de neurones pour former votre propre dispositif de débruitage d’image rendu.

  • Super Résolution sur images numériques avec encodeurs automatiques

    Prérequis : Expérience des réseaux neuronaux convolutifs

    Framework : Keras

    Langue : Anglais

    Prix : 30 $

    Exploitez la puissance des réseaux neuronaux avec des encodeurs automatiques pour créer des images de haute qualité à partir d’un ensemble de sources de basse qualité. Programme du mini-cours :

    • Apprenez à analyser et à concevoir un encodeur automatique
    • Découvrez des méthodes variées pour mesurer avec précision la qualité des images finales

    À la fin de ce cours, vous serez en mesure d’utiliser des encodeurs automatiques avec des réseaux neuronaux pour améliorer la qualité des images de manière significative.

MÉDECINE ET SANTÉ
 

MINI-COURS
  • Classification des images avec TensorFlow : Radiomique – 1p19q Classification de l’état des chromosomes

    Prérequis : Expérience de base avec les CNN et avec Python

    Cadres : TensorFlow

    Langues : Anglais

    Prix : 30 $

    Grâce au travail effectué à la Clinique Mayo, l’utilisation de techniques du deep learning pour détecter Radiomics à partir de l’imagerie par IRM a permis d’obtenir des traitements plus efficaces et de meilleurs résultats pour la santé des patients atteints de tumeurs cérébrales. Apprenez à détecter le biomarqueur de suppression simultanée 1p19q par la :

    • conception et formation de réseaux neuronaux classiques (CNN)
    • l’utilisation de l’imagerie génomique (radiomique) pour créer des biomarqueurs qui identifient la génomique d’une maladie sans recourir à une biopsie invasive
    • la découverte du travail de radiogénomique effectué à la clinique Mayo

    Une fois terminé, vous aurez un aperçu unique de la nouveauté et des résultats prometteurs de l’utilisation du deep learning pour prédire les radiomiques.

  • Deep Learning pour la génomique via l’utilisation de DragoNN avec Keras et Theano

    Prérequis : Expérience de base avec les réseaux neuronaux convolutifs (CNN) et expérience de base avec Python

    Cadres : Keras, Theano

    Langues : Anglais

    Prix : 30 $

    Apprenez à interpréter des modèles Deep Learning pour identifier des schémas prédictifs dans des séquences génomiques. Utilisez la boîte à outils du réseau neuronal de régulation profonde de la génomique (DragoNN) sur les données génomiques réglementaires simulées et réelles pour :

    • démystifier les architectures DragoNNN populaires
    • explorer les lignes directrices pour la modélisation et l’interprétation de la séquence réglementaire à l’aide des modèles DragoNNN
    • identifier quand DragoNNN est un bon choix pour un problème d’apprentissage dans les modèles de génomique et de haute performance

    Une fois terminé, vous serez en mesure d’utiliser la découverte de modèles prédictifs de séquence du génome pour acquérir de nouvelles connaissances biologiques.

  • Segmentation d’images médicales avec DIGITS

    Prérequis : Expérience de base avec les CNN et avec Python

    Cadres : DIGITS, Caffe

    Langues : Anglais

    Prix : 30 $

    La segmentation d’images (ou sémantique) est la tâche qui consiste à placer chaque pixel d’une image dans une classe spécifique. Vous segmenterez les images IRM pour mesurer des parties du cœur par :

    • l’extension de Caffe avec des couches Python personnalisées
    • la mise en œuvre du processus d’apprentissage par le transfert
    • la création de réseaux de neurones entièrement convolutifs à partir de réseaux de classification d’images populaires

    Une fois terminé, vous serez en mesure de mettre en place la plupart des flux de travail de vision par ordinateur à l’aide du deep learning.

  • Analyse d’images médicales avec R et MXnet

    Prérequis : Expérience de base avec les CNN et avec Python

    Cadres : MXNet

    Langues : Anglais

    Prix : 30 $

    Les réseaux neuronaux classiques (CNN) peuvent être appliqués à l’analyse d’images médicales pour déduire l’état du patient à partir d’images non visibles. Apprenez à former un CNN pour déduire le volume du ventricule gauche du cœur humain à partir de données IRM chronologiques. Vous apprendrez à :

    • étendre un CNN 2D canonique à des données plus complexes
    • utiliser MXNet par le biais de l’API standard Python et R
    • traiter des images de grande dimension qui peuvent être volumétriques et avoir une composante temporelle

    Une fois terminé, vous saurez comment utiliser les CNN pour les images non visibles.

  • Modélisation de données chronologiques avec des réseaux de neurones récurrents dans Keras

    Prérequis : Expérience de base avec deep learning

    Cadres : Keras

    Langues : Anglais

    Prix : Libre

    Les réseaux de neurones récurrents (RNN) permettent aux modèles de classer ou de prévoir les données de séries temporelles, comme le langage naturel, les marchés et même la santé d’un patient au fil du temps. Vous apprendrez à :

    • créer des ensembles de données de formation et de test en utilisant les dossiers de santé électroniques dans HDF5 (format de données hiérarchique de version 5)
    • préparer des ensembles de données à utiliser avec des réseaux de neurones récurrents, ce qui permet de modéliser des séquences de données très complexes
    • construire un modèle de mémoire à long terme et à court terme (LSTM), une architecture RNN spécifique, en utilisant la bibliothèque Keras s’exécutant sur Theano pour évaluer la performance du modèle par rapport aux données de base

    Une fois terminé, vous serez en mesure de modéliser les données chronologiques à l’aide des RNN.

ANALYSE VIDÉO INTELLIGENTE

 
MINI-COURS
  • Déploiement IVA (analyse vidéo intelligente) avec TensorRT

    Prérequis : Expérience basique des réseaux neuronaux convolutifs et de C++

    Framework : TensorRT

    Langue : anglais

    Prix : 30 $

    Les procédures d’entraînement des réseaux neuronaux à des fins d’analyse de jeux de données sont désignées sous le terme de "déploiement". TensorRT est un outil de déploiement incontournable qui offre de nombreuses options pour améliorer les performances d’inférence des réseaux neuronaux. Programme du mini-cours :

    • Apprenez à exploiter giexec pour l’inférence
    • Exécutez des opérations INT8 à précision mixte pour optimiser l’inférence
    • Mettez en œuvre des couches d’API personnalisées pour vos plug-ins

    À la fin de ce cours, vous serez en mesure d’utiliser TensorRT pour accélérer les performances d’inférence des réseaux de neurones profonds.

Ateliers avec formateurs agréés

Trouvez un événement près de chez vous ou sollicitez un atelier dans votre entreprise.

Assistez à un atelier.

Sollicitez un atelier dans votre entreprise.

Les responsables peuvent solliciter un atelier NVIDIA DLI dans leur entreprise. Choisissez parmi les fondamentaux ou les champs d’application spécifiques que vous trouverez ci-dessous.

Les formateurs du NVIDIA DLI peuvent par ailleurs vous aider si vous souhaitez mettre en place un programme de formation complet dans votre entreprise. Nous pouvons vous proposer un ensemble exhaustif de cours et d’ateliers pour répondre aux besoins uniques de votre groupe. Des formations pratiques sur site et en ligne aux présentations exécutives en passant par des rapports dans l’entreprise, le NVIDIA DLI peut accélérer l’initiative IA de votre société. Contactez-nous pour en savoir plus.

INTRODUCTION AU DEEP LEARNING

  • Fondamentaux du Deep Learning pour la vision par ordinateur 

    Prérequis : Aucun

    Framework : Caffe

    Langue : Anglais

    Certification disponible

    Découvrez les principes fondateurs du Deep Learning et apprenez à entraîner des réseaux de neurones pour améliorer les performances et les capacités de votre workflow.

    Ce cours vous présente les bases du Deep Learning et vous explique comment entraîner et déployer des réseaux de neurones profonds. Programme :

    • Implémentez des workflows communs de Deep Learning pour la classification d’images ou la détection d’objets
    • Testez divers jeux de données, paramètres d’entraînement, structures neuronales et stratégies pour améliorer les performances et les capacités de calcul
    • Déployez des réseaux de neurones pour résoudre des problèmes concrets

    À la fin de ce cours, vous serez en mesure d'accomplir vos propres projets basés sur le Deep Learning.

  • Fondamentaux du Deep Learning pour les types de données multiples

    Prérequis : Atelier "Fondamentaux du Deep Learning pour la vision par ordinateur" ou expérience similaire

    Framework : TensorFlow

    Langue : Anglais

    Ce cours détaille comment les réseaux neuronaux convolutifs et récurrents peuvent être combinés pour générer des descriptions de contenu efficaces au sein d’images et de clips vidéo.

    Apprenez comment entraîner un réseau de neurones en utilisant TensorFlow et le jeu de données MSCOCO afin de générer des images et des vidéos.

    • Implémentez des workflows avancés de Deep Learning pour la segmentation d’images ou la génération de texte
    • Comparez et opposez divers types de données, workflows et frameworks
    • Combinez des algorithmes de vision par ordinateur et de traitement automatique du langage naturel

    À la fin de ce cours, vous serez en mesure d’accomplir des projets nécessitant différents types de données d’entrée.

INTRODUCTION AU CALCUL ACCÉLÉRÉ

  • Fondamentaux du calcul accéléré avec CUDA/C++ 

    Prerequisites: Expérience basique avec C/C++

    Languages: Anglais

    Certification disponible

    La plateforme de calcul parallèle CUDA permet d’accélérer des applications CPU grâce à la puissance de traitement massivement parallèle des GPU. Apprenez à exploiter l’accélération GPU dans vos applications C/C++ :

    • Accélérez des applications CPU et tirez profit de leur parallélisme latent sur les GPU
    • Utilisez des techniques essentielles de gestion de la mémoire avec NVIDIA CUDA afin d’optimiser des applications accélérées
    • Exposez le potentiel de concurrence des applications accélérées par GPU et exploitez-le avec des flux CUDA
    • Utilisez les lignes de commande et le profilage visuel pour guider et vérifier vos travaux

    À la fin de ce cours, vous serez en mesure d'accélérer et d’optimiser vos applications CPU (C/C++) existantes avec des techniques et des outils CUDA essentiels. Découvrez comment appliquer une méthode de développement itérative avec CUDA pour accélérer le déploiement de vos applications.

  • Fondamentaux du calcul accéléré avec OpenACC

    Prérequis : Expérience de base avec C/C++

    Langues : Anglais

    Formez-vous aux bases d’OpenACC, un langage de programmation de haut niveau tirant profit de l'accélération GPU. Ce cours s’adresse à tous les utilisateurs qui possèdent de l’expérience avec C/C++ et qui souhaitent aller plus loin que le traitement CPU afin de paralléliser leur code et d’accélérer les performances de leurs applications. Programme :

    • Expérimentez quatre étapes très simples pour accélérer votre code d’application existant via OpenACC
    • Découvrez comment profiler et améliorer votre code OpenACC
    • Comment programmer sur des systèmes multi-GPU en combinant OpenACC avec l’interface de transmission de messages (MPI)

    À la fin de ce cours, vous serez en mesure d’assembler et d’optimiser des applications à code hétérogène sur des clusters multi-GPU en utilisant la puissance combinée d’OpenACC, de la norme MPI à base CUDA et des outils de profilage NVIDIA.

ATELIERS DE DEEP LEARNING PAR INDUSTRIE

  • Deep Learning pour véhicules autonomes – Perception

    Prérequis : Expérience des réseaux neuronaux convolutifs

    Frameworks : TensorFlow, DIGITS, TensorRT

    Langue : Anglais

    Ce cours vous explique comment utiliser la plateforme de développement NVIDIA DRIVE PX pour la conception, l’entraînement et le déploiement de réseaux de neurones profonds pour véhicules autonomes.

    Programme :

    • Intégrez des données de capteur avec la pile logicielle DriveWorks
    • Entraînez un réseau de segmentation sémantique
    • Mettez à profit TensorRT pour optimiser, valider et déployer des réseaux de neurones préalablement entraînés

    À la fin de ce cours, vous serez en mesure de développer votre code avec NVIDIA DRIVE PX pour créer et optimiser des composants de perception pour véhicules autonomes.

  • Deep Learning pour la stratégie de transactions financières

    Prérequis : Expérience avec les réseaux neuronaux et connaissance de l’industrie financière

    Framework : TensorFlow

    Langue : Anglais

    Des techniques linéaires telles que l'analyse en composantes principales (PCA) permettent de créer les portfolios utilisés dans les stratégies d’arbitrage statistique. D’autres techniques basées sur des données financières à série chronologique permettent par ailleurs de réaliser des prévisions et d’exploiter des opportunités d’arbitrage. Grâce à la puissance des réseaux de neurones profonds, il est désormais possible de mettre en place des stratégies de trading avancées.

    Programme :

    • Préparez des données chronologiques et testez les performances d’un réseau en utilisant des jeux de données dédiés
    • Structurez et entraînez un réseau LSTM pour accepter des vecteurs d’entrée et réaliser des prévisions avec davantage d’efficacité
    • Exploitez l’encodage automatique pour la détection d’anomalies afin de déployer une stratégie arbitraire

    À la fin de ce cours, vous serez en mesure d’utiliser des données financières à série chronologique pour réaliser des prévisions et exploiter des opportunités d’arbitrage avec des réseaux de neurones.

  • Deep Learning pour la création de contenu numérique via GAN et encodeurs automatiques

    Prérequis : Expérience des réseaux neuronaux convolutifs

    Frameworks : Torch, TensorFlow

    Langue : Anglais

    Formez-vous aux dernières techniques pour la conception, l’entraînement et le déploiement de réseaux de neurones en matière de création de contenu numérique. Programme :

    • Apprenez à entraîner des réseaux antagonistes génératifs (GAN) pour la génération d’images numériques
    • Découvrez les dernières innovations architecturales et les nouvelles techniques d’entraînement pour le transfert de styles arbitraires
    • Entraînez votre propre outil de réduction de bruit pour le rendu d’images numériques

    À la fin de cette formation, vous serez en mesure de créer des ressources numériques basées sur le Deep Learning.

  • Deep Learning pour l’analyse d’images médicales

    Prérequis : Expérience basique des réseaux neuronaux convolutifs et de Python

    Frameworks : Caffe, DIGITS, MXNet, TensorFlow

    Langue : Anglais

    Ce cours vous explique comment utiliser des réseaux de neurones convolutifs (CNN) avec vos ressources d’imagerie par résonance magnétique afin d’exécuter une grande variété de tâches et de calculs médicaux. Programme :

    • Exécutez des segmentations sur vos images IRM afin de déterminer l’emplacement du ventricule gauche
    • Calculez des fractions d’éjection pour la cardiopathie après avoir mesuré les différences entre une diastole et une systole en utilisant des réseaux CNN avec vos scans IRM
    • Déployez des réseaux CNN avec vos scans IRM pour déterminer le statut de codélétion du chromosome 1p/19q

    À la fin de cette formation, vous serez en mesure d’appliquer des CNN à vos ressources IRM pour exécuter différents types de tâches médicales.

  • Deep Learning pour la génomique médicale

    Prérequis : Expérience basique des réseaux neuronaux convolutifs et de Python

    Frameworks : Caffe, TensorFlow, Theano

    Langue : Anglais

    Ce cours vous initie aux bases du Deep Learning et vous apprend comment détecter des phénomènes de codélétion chromosomique et comment rechercher des motifs dans les séquences génomiques. Programme :

    • Apprenez les bases et le fonctionnement des réseaux de neurones convolutifs (CNN)
    • Déployez des réseaux CNN avec vos scans IRM pour déterminer le statut de codélétion du chromosome 1p/19q
    • Utilisez le kit d’outils DragoNN pour simuler des données génomiques et rechercher des motifs séquentiels

    À la fin de cette formation, vous serez en mesure de comprendre le fonctionnement des réseaux CNN, d’analyser des ressources IRM et d’utiliser des données génomiques normatives pour rechercher de nouveaux motifs.

PROGRAMME D’AMBASSADEURS UNIVERSITAIRES

Le programme d’ambassadeurs universitaires du NVIDIA DLI permet aux membres qualifiés de prodiguer des cours et des ateliers sur le campus à un vaste public d’étudiants, de professeurs et de chercheurs.

Rejoignez le programme d’ambassadeurs universitaires du NVIDIA DLI dans des universités prestigieuses du monde entier. Téléchargez les kits pédagogiques du NVIDIA DLI, qui centralisent des ressources de formation, des cours, des ressources GPU Cloud et bien plus encore.

Universités participantes

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

Formations complémentaires

Des établissements d’enseignement majeurs se sont associés au NVIDIA DLI pour proposer des sessions de formation complémentaires aux développeurs et aux chercheurs du monde entier.

Partenaires

Nos partenaires issus de nombreuses industries fournissent du contenu et organisent des ateliers de formation dans le monde entier.

Ressources additionnelles

Accédez à une grande variété de ressources sur l’intelligence artificielle et le Deep Learning.

Vous avez des questions sur NVIDIA DLI ?