NVIDIA
Deep Learning Institute

La formazione che ti aiuta a risolvere le sfide più complesse del mondo

DLI ORA OFFRE UN DI CERTIFICAZIONE PER SVILUPPATORI IN IA E COMPUTING ACCELERATO.

L'NVIDIA Deep Learning Institute (DLI) offre formazione pratica su intelligenza artificiale (IA) e computing accelerato per risolvere i problemi del mondo reale. Pensato per sviluppatori, analisti e ricercatori, il contenuto del DLI è disponibili in tre formati:

Corsi online

I corsi online del DLI ti aiutano a implementare e distribuire un progetto end-to-end in otto ore. I corsi online possono essere seguiti ovunque, in qualsiasi momento, e offrono l’accesso a una workstation accelerata da GPU completamente configurata nel cloud.

Mini corsi online

I mini corsi online del DLI illustrano come applicare una specifica tecnologia o tecnica di sviluppo in un paio d’ore. Come i corsi di otto ore, online possono essere seguiti ovunque, in qualsiasi momento, con l’accesso alle GPU nel cloud.

Workshop con docenti

I workshop con docenti di persona insegnano come implementare e distribuire un progetto end-to-end tramite formazione pratica in otto ore. Presso la sede del cliente, in occasione di conferenze e presso le università, questi workshop di una giornata offrono formazione pratica e lezioni svolte da istruttori con certificazione DLI.

Certification

Certificazione

I partecipanti ottengono una certificazione che attesta la competenza nell’argomento della lezione, utile per lo sviluppo della loro carriera. La certificazione viene offerta per corsi online selezionati e per i workshop con docenti.

Corsi online

Inizia un corso personalizzato o un corso Elective online ovunque, in qualsiasi momento, con accesso a una workstation accelerata da GPU completamente configurata nel cloud.

Introduzione al deep learning

Se stai per affacciarti al mondo del deep learning, il primo passo è capire come addestrare e distribuire una rete neurale per risolvere le sfide del mondo reale.

CORSI
  • Fondamenti di deep learning per Computer Vision 

    Prerequisiti: nessuno

    Framework: Caffe

    Lingue: inglese

    Prezzo: $90

    Certificazione disponibile

    Scopri i fondamenti del deep learning addestrando reti neurali e utilizzando i risultati per migliorare prestazioni e funzionalità.

    In questo corso, scoprirai le basi del deep learning attraverso la formazione e la distribuzione di reti neurali. Obiettivi del corso:

    • Implementazione di flussi di lavoro comuni di deep learning, come classificazione di immagini e rilevamento di oggetti
    • Esperimenti con dati, parametri di training, strutturazione della rete e altre strategie per migliorare le prestazioni e le capacità
    • Distribuzione di reti neurali per iniziare a risolvere problemi reali

    Al termine del corso, sarai in grado di iniziare a risolvere problemi in autonomia con il deep learning.

MINI CORSI
  • Classificazione di immagini con DIGITS

    Prerequisiti: nessuno

    Framework: Caffe (con interfaccia DIGITS)

    Lingue: inglese, cinese, giapponese

    Prezzo: gratuito

    Il deep learning apre le porte a soluzioni totalmente innovative, sostituendo le istruzioni in codice con modelli appresi da esempi. Addestra una rete neurale profonda in modo che sappia riconoscere i numeri scritti a mano, in questo modo:

    • Carica dati immagine nell'ambiente di training
    • Scegli e addestra una rete
    • Testa nuovi dati con iterazioni per migliorare le prestazioni

    Al termine, sarai in grado di valutare quali dati utilizzare per il training.

  • Rilevamento di oggetti con DIGITS

    Prerequisiti: esperienza di base con le reti neurali

    Framework: Caffe (con interfaccia DIGITS)

    Lingue: inglese, cinese

    Prezzo: gratuito

    Scopri come applicare il deep learning al rilevamento oggetti con l'esercitazione per rilevare volti di balena da immagini aeree, in questo modo:

    • Combina immagini di computer tradizionali con deep learning
    • Esegui una piccola "operazione cerebrale" su una rete neurale esistente utilizzando il framework di deep learning Caffe
    • Sfrutta le conoscenze della community di deep learning identificando e utilizzando una rete specifica e dati completamente etichettati

    Al termine, sarai in grado di risolvere problemi comuni di deep learning.

  • Distribuzione di reti neurali con DIGITS e TensorRT

    Prerequisiti: esperienza di base con le reti neurali

    Framework: DIGITS, TensorRT

    Lingue: inglese, cinese

    Prezzo: $30

    Il deep learning permette di mappare dati in ingresso e in uscita a elevata intensità di elaborazione. Scopri come distribuire il deep learning su applicazioni che riconoscono le immagini e rilevano i pedoni in tempo reale, in questo modo:

    • Accedi e analizza i file che compongono il modello addestrato
    • Definisci input e output specifici per ciascuna funzione
    • Ottimizza le parti più intensive dell'applicazione con diverse metriche di prestazioni, come produttività e latenza

    Al termine, sarai in grado di implementare il deep learning per risolvere problemi reali.

  • Applicazioni del deep learning con Caffe, Theano e Torch

    Prerequisiti: esperienza di base con terminale bash

    Framework: TensorFlow, MXNet

    Lingue: inglese, giapponese

    Prezzo: $30

    Il plug-in NVIDIA Docker permette di integrare flussi di lavoro di livello produzione in container utilizzando le GPU. Scopri come ridurre l'amministrazione e la configurazione degli host, in questo modo:

    • Impara a lavorare con immagini Docker e a gestire il ciclo del container
    • Accedi alle immagini dal registro pubblico di Docker, DockerHub, per il massimo riutilizzo nella creazione di container leggeri e componibili
    • Addestra reti neurali utilizzando i framework TensorFlow e MXNet

    Al termine, sarai in grado di suddividere in container e distribuire immagini preconfigurate per il deep learning.

  • Segmentazione delle immagini con TensorFlow

    Prerequisiti: esperienza di base con le reti neurali

    Framework: TensorFlow

    Lingue: inglese

    Prezzo: $30

    La segmentazione di immagini (o semantica) è l'attività che consiste nel catalogare ciascun pixel di un'immagine in una classe specifica. Scopri come segmentare immagini MRI per misurare parti del cuore:

    • Confrontare la segmentazione delle immagini con latri problemi di grafica
    • Sperimentare gli strumenti TensorFlow come TensorBoard e l'API TensorFlow Python
    • Implementare metriche efficaci per valutare le prestazioni del modello

    Al termine, sarai in grado di impostare la maggior parte dei flussi di lavoro di grafica e utilizzare il deep learning.

  • Classificazione di immagini con Microsoft Cognitive Toolkit

    Prerequisiti: nessuno

    Framework: Microsoft Cognitive Toolkit

    Lingue: inglese

    Prezzo: $30

    Scopri come addestrare una rete neurale utilizzando il framework Microsoft Cognitive Toolkit. Costruisci e addestra reti sempre più complesse per:

    • Confrontare l'espressione di una rete neurale utilizzando BrainScript "Simple Network Builder" e il più generalizzato "Network Builder"
    • Visualizzare grafici di reti neurali
    • Addestrare e testare una rete neurale per classificare numeri scritti a mano

    Al termine, avrai le conoscenze di base sulle reti neurali convoluzionali (CNN) e sarai pronto per un utilizzo più avanzato di Microsoft Cognitive Toolkit.

  • Classificazione lineare con TensorFlow

    Prerequisiti: nessuno

    Framework: TensorFlow

    Lingue: inglese

    Prezzo: $30

    Scopri come fare previsioni in base a dati strutturati utilizzando API TensorFlow TFLearn. Con l'esercitazione di previsione del reddito personale, dovrai:

    • Caricare, visualizzare e organizzare dati da un file CSV per il machine learning
    • Suddividere un dataset esistente in funzioni ed etichette (input, output) di una rete neurale
    • Creare modelli da lineari a profondi e valutare le differenze in prestazioni

    Al termine, sarai in grado di fare previsioni partendo dai tuoi dati strutturati.

  • Elaborazione del segnale con DIGITS

    Prerequisiti: esperienza di base nell’addestramento delle reti neurali

    Framework: Caffe, DIGITS

    Lingue: inglese, cinese

    Prezzo: $30

    Le reti neurali profonde sono più efficaci degli umani nel classificare le immagini, e questo ha implicazioni che vanno oltre quello che ci aspettiamo dalla computer vision. Scopri come convertire i segnali in radiofrequenza (RF) in immagini per rilevare un segnale debole danneggiato dal rumore. Imparerai come:

    • Trattare dati non immagine come dati immagine
    • Implementare un flusso di lavoro di deep learning (carico, addestramento, test, rettifica) in DIGITS
    • Testare le prestazioni in modo programmatico e agevolare i miglioramenti

    Al termine, sarai in grado id classificare dati immagini e dati simili utilizzando il deep learning.

Introduzione al computing accelerato

Se stai per affacciarti al mondo del computing accelerato, inizia imparando ad accelerare le tue applicazioni con CUDA e OpenACC.

CORSI
  • Fondamenti di computing accelerato con CUDA C/C++ 

    Prerequisiti: esperienza di base con C/C++

    Lingue: inglese

    Prezzo: $90

    Certificazione disponibile

    La piattaforma di computing CUDA consente l’accelerazione delle applicazioni solo CPU per l’esecuzione sulle GPU massivamente parallele più veloci del mondo. Scopri l’accelerazione delle applicazioni C/C++ tramite:

    • Accelerazione delle applicazioni solo CPU per l’esecuzione del loro parallelismo latente sulle GPU
    • Utilizzo di tecniche di gestione della memoria CUDA per ottimizzare le applicazioni accelerate
    • Esposizione del potenziale delle applicazioni accelerate per la simultaneità e suo utilizzo con i flussi CUDA
    • Utilizzo della riga di comando e della profilazione visiva per facilitare e verificare il tuo lavoro

    Alla fine sarai in grado di accelerare e ottimizzare le applicazioni solo CPU C/C++ esistenti con le tecniche e gli strumenti CUDA essenziali.

  • Fondamenti di computing accelerato con CUDA Python

    Prerequisiti: esperienza di base con Python e NumPy

    Lingue: inglese

    Prezzo: $90

    Questo corso illustra come utilizzare Numba, il compilatore di funzioni Python “just-in-time”, specializzato sul tipo, per accelerare i programmi Python per l’esecuzione sulle GPU NVIDIA massivamente parallele. Obiettivi del corso:

    • Utilizzare Numba per compilare kernel CUDA da funzioni universali NumPy (ufuncs)
    • Utilizzare Numba per creare e avviare kernel CUDA personalizzati
    • Applicare le tecniche chiave per la gestione della memoria delle GPU

    Al termine del corso, sarai in grado di utilizzare Numba per compilare e avviare kernel CUDA per accelerare le applicazioni Python sulle GPU NVIDIA.

  • Fondamenti di computing accelerato con OpenACC

    Prerequisiti: esperienza di base con C/C++

    Lingue: inglese

    Prezzo: $90

    Impara i fondamenti di OpenACC, un linguaggio di programmazione di alto livello per programmare su GPU. Questo corso è destinato a tutti coloro che hanno già esperienza con il linguaggio C/C++ e sono interessati ad accelerare le prestazioni delle applicazioni oltre i limiti della programmazione basata su sola CPU. Obiettivi del corso:

    • Accelerare le applicazioni esistenti con OpenACC in quattro semplici passaggi
    • Come profilare e ottimizzare il codice OpenACC
    • Programmare su sistemi multi-GPU combinando OpenACC e MPI (Message Passing Interface)

    Al termine del corso, sarai in grado di creare e ottimizzare applicazioni eterogenee e accelerate su cluster a più GPU utilizzando una combinazione di OpenACC, MPI basata su CUDA e strumenti di profilazione NVIDIA.

MINI CORSI
  • Accelerazione di applicazioni con CUDA C/C++

    Prerequisiti: esperienza di base con C/C++

    Lingue: inglese, giapponese

    Prezzo: gratuito

    Scopri come accelerare la tua applicazione C/C++ utilizzando CUDA per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. Scoprirai come programmare con CUDA per:

    • Accelerare gli algoritmi SAXPY
    • Accelerare gli algoritmi Matrix Multiply
    • Accelerare gli algoritmi di conduzione di calore

    Al termine, sarai in grado di utilizzare la piattaforma CUDA per accelerare le applicazioni C/C++.

  • OpenACC – 2X in 4 passaggi

    Prerequisiti: esperienza di base con C/C+++

    Lingue: inglese

    Prezzo: gratuito

    Scopri come accelerare l'applicazione C/C++ o Fortran utilizzando OpenACC per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. OpenACC è un approccio di computing basato su direttiva dove si forniscono corrispondenze di compilazione per accelerare il codice invece di scrivere il codice di accelerazione. Inizia con la procedura in quattro passaggi per accelerare le applicazioni con OpenACC:

    • Caratterizzare e creare il profilo dell'applicazione
    • Aggiungere direttive di elaborazione
    • Aggiungere direttive per ottimizzare il movimento dati
    • Ottimizzare l'applicazione con pianificazione del kernel

    Al termine, sarai in grado di utilizzare un approccio basato su profili per accelerare rapidamente le applicazioni C/C++ con direttive OpenACC.

  • Introduzione al computing accelerato

    Prerequisiti: esperienza di base con C/C++

    Lingue: inglese

    Prezzo: $30

    Esplora le tre tecniche per accelerare il codice su GPU:

    • Usa librerie accelerate da GPU
    • Usa direttive del compilatore come OpenACC
    • Scrivi il codice direttamente in un linguaggio che supporta CUDA

    Al termine, sarai in grado di dimostrare la potenziale accelerazione e la facilità d'uso delle GPU.

  • Ottimizzazioni della memoria della GPU con CUDA C/C++

    Prerequisiti: “Accelerazione di applicazioni con CUDA C/C++” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Esplora le tecniche di ottimizzazione della memoria per la programmazione con CUDA C/C++ su una GPU NVIDIA e impara a utilizzare NVIDIA Visual Profiler (NVVP) per supportare queste ottimizzazioni. Obiettivi del corso:

    • Implementare un algoritmo di trasposizione di matrici semplici
    • Eseguire diversi cicli di profilazione dell'algoritmo con NVVP e ottimizzare le prestazioni

    Al termine, sarai in grado di analizzare e migliorare gli schemi di accesso alla memoria globale e condivisa e ottimizzare le applicazioni C/C++ accelerate.

  • Accelerazione di applicazioni con librerie accelerate dalle GPU in CUDA C/C++

    Prerequisiti: “Accelerazione di applicazioni con CUDA C/C++” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Scopri come accelerare la tua applicazione C/C++ utilizzando le librerie drop-in per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. Lavorerai a tre esercitazioni che ti permetteranno di:

    • Utilizzare cuBLAS per accelerare una moltiplicazione di base di matrici
    • Combinare librerie aggiungendo alcune chiamate API cuRAND alle chiamate cuBLAS precedenti
    • Utilizzare nvprof per profilare il codice e ottimizzarlo con alcune chiamate API di runtime CUDA

    Al termine, sarai in grado di utilizzare varie librerie compatibili con CUDA per accelerare rapidamente le applicazioni nei tuoi programmi solo CPU C/C++ esistenti.

  • Accelerazione di applicazioni con librerie accelerate dalle GPU in Python+

    Prerequisiti: esperienza di base con Python

    Lingue: inglese

    Prezzo: $30

    Scopri come utilizzare le librerie GPU per accelerare il codice Python su GPU NVIDIA, in questo modo:

    • Utilizza la libreria cuRAND per accelerare un prizer Monte Carlo
    • Ottimizzare lo spostamento di dati tra CPU e GPU

    Al termine, sarai in grado di iniziare a utilizzare le librerie Python accelerate da GPU per accelerare il codice Python solo CPU.

  • Utilizzo di Thrust per accelerare C++

    Prerequisiti: “Accelerazione di applicazioni con CUDA C/C++” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Thrust è una libreria di algoritmi paralleli basata su C++ Standard Template Library. Permette agli sviluppatori di sfruttare rapidamente la potenza del computing parallelo e supporta più sistemi di back-end come OpenMP e Intel Threading Building Blocks. Usa Thrust per accelerare C++ con esercitazioni che includono:

    • Iteratori, container e funzioni di base
    • Generatori di funzioni integrati e personalizzati
    • Portabilità per elaborazione CPU

    Al termine, sarai pronto per sfruttare la potenza della libreria Thrust per accelerare le tue applicazioni C/C++.

  • Profilazione e parallelizzazione con OpenACC

    Prerequisiti: “OpenACC - 2X in 4 passaggi” o esperienza simile

    Lingue: inglese

    Prezzo: $10

    Inizia subito con i primi due passaggi del ciclo di programmazione OpenACC: identificare ed esprimere il parallelismo. Obiettivi del corso:

    • Creare profili di un'applicazione C o Fortran specifica con NVIDIA NVPROF
    • Utilizzare il compilatore PGI OpenACC per accelerare il codice

    Al termine, sarai in grado di creare profili per applicazioni C o Fortran basate su CPU per comprendere dove applicare le direttive OpenACC per accelerare le applicazioni.

  • Espressione del movimento dei dati e ottimizzazione dei loop con OpenACC

    Prerequisiti: “Profilazione e parallelizzazione con OpenACC” o esperienza simile

    Lingue: inglese

    Prezzo: $15

    Apprendi le tecniche di programmazione intermedie OpenACC, in questo modo:

    • Aggiungi direttive di gestione dati OpenACC
    • Ottimizza applicazioni con direttive loop OpenACC

    Al termine, sarai in grado di ottimizzare il trasferimento di dati e calibrare il parallelismo delle applicazioni con OpenACC.

  • Introduzione alla programmazione multi-GPU con MPI e OpenACC

    Prerequisiti: “OpenACC - 2X in 4 passaggi” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Scopri come programmare sistemi multi-GPU o cluster di GPU utilizzando MPI (Message Passing Interface) e OpenACC. Obiettivi del corso:

    • Scambiare dati tra diverse GPU utilizzando MPI e OpenACC basati su CUDA
    • Gestire affinità tra GPU in sistemi a più GPU
    • Sovrapporre la comunicazione con l'elaborazione per nascondere i temi di comunicazione

    Al termine, sarai in grado di accelerare le applicazioni con una combinazione di OpenACC e MPI in ambienti a più GPU.

  • Programmazione multi-GPU avanzata con MPI e OpenACC

    Prerequisites: “Introduzione alla programmazione multi-GPU con MPI e OpenACC” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Scopri come migliorare le applicazioni accelerate in ambienti MPI con più GPU + OpenACC, in questo modo:

    • Sovrapponi la comunicazione con l'elaborazione per nascondere i temi di comunicazione
    • Gestisci aggiornamenti halo non contigui con una decomposizione di domini in riquadri 2D

    Al termine, sarai in grado di utilizzare tecniche intermedie in applicazioni accelerate con OpenACC e MPI.

  • Lavoro di pipelining sulla GPU con OpenACC

    Prerequisiti: “Espressione del movimento dei dati e ottimizzazione dei loop con OpenACC” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Potenzia le tue competenze in OpenACC ottimizzando copie di dati da sovrapporre con elaborazione GPU utilizzando una semplice tecnica nota come pipelining. Obiettivi del corso:

    • Utilizzare la direttiva di routine OpenACC per abilitare chiamate funzioni su dispositivo
    • Suddividere lavori di grandi dimensioni in frammenti in bite
    • Lavorare sui frammenti in modo asincrono dalla CPU

    Al termine, sarai in grado di utilizzare il pipelining in OpenACC per creare copie di dati in modo efficiente e a costi bassissimi.

  • Approccio basato sul profilo all’applicazione sismica accelerata con OpenACC

    Prerequisiti: nessuno

    Lingue: inglese

    Prezzo: $30

    Scopri come utilizzare il profiler per migliorare l'esperienza di accelerazione e ottimizzazione del codice per una GPU, in questo modo:

    • Usa il profiler PGI
    • Usa il profiler NVIDIA
    • Usa OpenACC per accelerare Kirchhoff 2D Depth Migration incluso con Seismic Unix

    Al termine, sarai in grado di eseguire accelerazioni e ottimizzazioni di dati per varie architetture utilizzando un approccio basato su profili con OpenACC.

  • Accelerazione di applicazioni con CUDA Fortran

    Prerequisiti: esperienza di base con Fortran

    Lingue: inglese

    Prezzo: $30

    Scopri come accelerare la tua applicazione Fortran utilizzando CUDA per imbrigliare la potenza massivamente parallela delle GPU NVIDIA. Programmerai con CUDA per:

    • Accelerare gli algoritmi SAXPY
    • Accelerare gli algoritmi Matrix Multiply
    • Accelerare gli algoritmi di conduzione di calore

    Al termine, sarai in grado di utilizzare la piattaforma CUDA per accelerare le applicazioni Fortran.

  • Ottimizzazioni della memoria della GPU con Fortran

    Prerequisiti: “Accelerazione di applicazioni con CUDA Fortran” o esperienza simile

    Lingue: inglese

    Prezzo: $30

    Apprendi le tecniche di ottimizzazione della memoria per la programmazione con CUDA Fortran su una GPU NVIDIA e impara a utilizzare NVIDIA Visual Profiler (NVVP) per supportare queste ottimizzazioni. Attività:

    • Implementare un algoritmo di trasposizione di matrici semplici
    • Eseguire diversi cicli di profilazione dell'algoritmo con NVVP e ottimizzare

    Al termine, sarai in grado di analizzare e migliorare gli schemi di accesso alla memoria globale e condivisa e ottimizzare le applicazioni Fortran accelerate.

  • Accelerazione di applicazioni con librerie accelerate dalle GPU in Fortran

    Prerequisiti: esperienza di base con Fortran

    Lingue: inglese

    Prezzo: $30

    Scopri come utilizzare le librerie GPU per accelerare il codice Fortran su GPU NVIDIA, in questo modo:

    • Utilizza la libreria cuRAND per accelerare un prizer Monte Carlo
    • Ottimizza lo spostamento di dati tra CPU e GPU

    Al termine, sarai in grado di utilizzare le librerie Fortran accelerate da GPU per accelerare il codice Fortran solo CPU.

Corsi sul deep learning per settore

Una volta acquisite le basi del deep learning, potrai mettere in pratica le tue conoscenze con i corsi di formazione del DLI più avanzati per settore specifico per risolvere i problemi del mondo reale.

SVILUPPO DI GIOCHI E CONTENUTO DIGITALE
 

MINI CORSI
  • Creazione di immagini utilizzando le GAN con TensorFlow e DIGITS

    Prerequisiti: esperienza con le CNN

    Frameworks: TensorFlow

    Lingue: inglese

    Prezzo: $30

    Scopri come addestrare una rete GAN (Generative Adversarial Network) per generare contenuti di immagini in DIGITS. Obiettivi del corso:

    • Utilizzare reti GAN per creare numeri scritti a mano
    • Visualizzare lo spazio di una caratteristica e utilizzare il vettore attributo per generare analogie di immagini
    • Addestrare una rete GAN per generare immagini con attributi definiti

    Al termine, sarai in grado di utilizzare reti GAN per generare immagini manipolando lo spazio di una caratteristica.

  • Trasferimento stile delle immagini con Torch

    Prerequisiti: esperienza con le CNN

    Frameworks: Torch

    Lingue: inglese

    Prezzo: $30

    Scopri come trasferire l’aspetto e il comportamento di un’immagine su un’altra immagine estraendo caratteristiche visive. Scopri come vengono utilizzate le reti neurali convoluzionali (CNN) per l'estrazione di caratteristiche e l'inclusione in un generatore per creare una nuova immagine. Obiettivi del corso:

    • Trasferire l'aspetto e il comportamento di un'immagine su un'altra immagine estraendo caratteristiche visive
    • Determinare in modo qualitativo se uno stile è stato trasferito correttamente utilizzando tecniche diverse
    • Utilizzare innovazioni architetturali e tecniche di training per il trasferimento arbitrario degli stili

    Al termine, sarai in grado di utilizzare reti neurali per il trasferimento arbitrario di stili alla velocità efficace per i video.

  • Denoising dell’immagine renderizzata con codificatori automatici

    Prerequisiti: esperienza con le CNN

    Frameworks: TensorFlow

    Lingue: inglese

    Prezzo: $30

    Scopri come le reti neurali con codificatori automatici possono essere utilizzare per accelerare significativamente la rimozione del rumore in immagini ray-tracing. Obiettivi del corso:

    • Stabilire se esiste rumore in immagini di rendering
    • Utilizzare una rete preaddestrata per eliminare il rumore da immagini di esempio o immagini proprie
    • Addestrare il denoiser utilizzando il dataset fornito

    Al termine, sarai in grado di utilizzare codificatori automatici in reti neurali per addestrare un denoiser personalizzato per le immagini di rendering.

  • Super risoluzione per immagini con AutoEncoders

    Prerequisiti: esperienza con le CNN

    Framework: Keras

    Lingue: inglese

    Prezzo: $30

    Sfrutta la potenza di una rete neurale con autoencoder per creare immagini di alta qualità da immagini originali di bassa qualità. Obbietti del mini corso:

    • Comprendere e progettare un autoencoder
    • Apprendere i vari metodi per misurare rigorosamente la qualità delle immagini

    Al termine, sarai in grado di utilizzare autoencoder in reti neurali per migliorare significativamente la qualità immagine.

SANITÀ
 

CORSI
  • Modellazione di dati di serie temporali con reti neurali ricorrenti in Keras

    Prerequisiti: esperienza di base con il deep learning

    Framework: Keras

    Lingue: inglese

    Prezzo: gratuito

    Le reti neurali ricorrenti (RNN) consentono ai modelli di classificare o prevedere dati in serie temporali, come il linguaggio neurale, i mercati e anche la salute dei pazienti nel tempo. Obiettivi del corso:

    • Creare dataset di training e test utilizzando dati medici elettronici in HDF5 (Hierarchical Data Format versione cinque)
    • Preparare dataset per l'uso con reti neurali ricorrenti, per consentire la modellazione di sequenze di dati molto complesse
    • Costruire un modello di memoria a breve e lungo termine (LSTM), un'architettura RNN specifica, utilizzando la libreria Keras eseguita su Theano per valutare le prestazioni del modello rispetto ai dati di riferimento

    Al termine, sarai in grado di modellare dati in serie temporali utilizzando reti RNN.

  • Classificazioni di immagini diagnostiche con data set MedNIST

    Prerequisiti: nessuno

    Framework: DIGITS

    Lingue: inglese

    Ricevi un'introduzione pratica al deep learning per la radiologia e le immagini diagnostiche. Obiettivi del corso:

    • Raccogliere, formattare e standardizzare i dati di immagini diagnostiche
    • Organizzare e addestrare una rete neurale convoluzionali (CNN) su un data set
    • Usare il modello addestrato per classificare nuove immagini diagnostiche

    Al termine del corso, sarai in grado di eseguire reti CNN per classificare immagini in un data set di immagini diagnostiche.

  • Segmentazione di immagini mediche con DIGITS

    Prerequisiti: esperienza di base con CNN ed esperienza di base con Python

    Framework: DIGITS, Caffe

    Lingue: inglese

    Prezzo: $30

    La segmentazione di immagini (o semantica) è l'attività che consiste nel catalogare ciascun pixel di un'immagine in una classe specifica. Dovrai segmentare immagini di risonanze magnetiche per misurare parti del cuore, con le seguenti attività:

    • Estensione di Caffe con layer Python personalizzati
    • Implementazione del processo di transfer learning
    • Creazione di reti neurali completamente convoluzionali da popolari reti di classificazione di immagini

    Al termine, sarai in grado di impostare la maggior parte dei flussi di lavoro di grafica e utilizzare il deep learning.

  • Classificazione delle immagini con TensorFlow: Radiomics – Classificazione dello stato dei cromosomi 1p19q

    Prerequisiti: esperienza di base con CNN ed esperienza di base con Python

    Framework: TensorFlow

    Lingue: inglese

    Prezzo: $30

    Grazie al lavoro svolto alla Mayo Clinic, l'uso delle tecniche di deep learning per il rilevamento e la radiomica di immagini di risonanze magnetiche ha condotto a cure più efficaci e risultati migliori per i pazienti affetti da tumore al cervello. Impara a rilevare il biomarker di codelezione 1p19q:

    • Design e formazione di reti neurali convoluzionali (CNN)
    • Uso della genomica per immagini (radiomica) per creare biomarker che identificano la genomica di una patologia senza utilizzare la biopsia invasiva
    • Esplorazione di lavori di radiogenomica eseguiti alla Mayo Clinic

    Al termine, disporrai delle conoscenze specifiche dei risultati nuovi e promettenti dell'uso del deep learning per previsioni radiomiche.

  • Analisi di immagini mediche con R e MXNet

    Prerequisiti: esperienza di base con CNN ed esperienza di base con Python

    Framework: MXNet

    Lingue: inglese

    Prezzo: $30

    Le reti neurali convoluzionali (CNN) possono essere applicate all'analisi di immagini mediche per dedurre lo stato dei pazienti a partire da immagini non visibili. Scopri come addestrare una rete CNN per dedurre il volume del ventricolo sinistro del cuore umano da dati MRI in serie temporale. Il corso include:

    • Estensione di una rete 2D CNN canonica con dati più complessi
    • Uso di MXNet tramite API Python standard e R
    • Elaborazione di immagini ad elevata dimensionalità che possono essere volumetriche e disporre di componenti temporali

    Al termine, sarai in grado di utilizzare le reti CNN per immagini non visibili.

  • Data augmentation e segmentazione dei dati con reti generative per immagini diagnostiche

    Prerequisiti: esperienza con reti CNN

    Framework: TensorFlow

    Lingue: inglese

    Prezzo: $30

    Una rete GAN (Generative Adversarial Network) è costituita da una coppia di reti neurali profonde: un generatore che crea nuovi esempi basati sui dati di training forniti e una discriminante che tenta di distinguere tra dati simulati e autentici. Mentre entrambe le reti imparano e migliorano, gli esempi creati diventano sempre più realistici. Questa tecnologia è molto promettente per la sanità, perché è in grado di accrescere piccoli set di dati per addestrare reti tradizionali. Obiettivi del corso:

    • Generare immagini sintetiche per risonanze magnetiche del cervello
    • Applicare le reti GAN per la segmentazione
    • Usare le reti GAN per il data augmentation migliorando la precisione

    Al termine del corso, sarai in grado di applicare reti GAN a casi d'uso con immagini diagnostiche.

  • Dalla memoria grezza alla memoria contestuale ottimizzata per immagini diagnostiche

    Prerequisiti: esperienza con reti CNN

    Framework: TensorFlow

    Lingue: inglese

    Prezzo: $30

    La tecnica CFCM (Coarse-to-fine contextual memory, dalla memoria grezza alla memoria contestuale ottimizzata) è stata sviluppata per la segmentazione delle immagini attraverso architetture molto profonde e l'integrazione di funzionalità da varie scale diverse con memoria convoluzionale a lungo e breve termine (memoria LSTM). Obiettivi del corso:

    • Approfondire le architetture codificatore-decodificatore per la segmentazione di immagini diagnostiche
    • Apprendere i concetti fondamentali (convoluzione, pooling layer, reti residuali, ecc.)
    • Analizzare diverse strategie per le skip connection

    Al termine del corso, sarai in grado di applicare le tecniche CFCM alla segmentazione di immagini diagnostiche ed eseguire attività di imaging analoghe.

  • Deep learning per la genomica con DragoNN, Keras e Theano

    Prerequisiti: esperienza di base con reti neurali CNN e con Pythonn

    Framework: Keras, Theano

    Lingue: inglese

    Prezzo: $30

    Impara a interpretare i modelli di deep learning per individuare schemi nelle sequenze di genomi. Usa il tookit DragoNN (deep regulatory genomics neural network) su dati di genomica simulati e reali per:

    • Sfatare i miti sulle famose architetture DragoNN
    • Esplorare le linee guida di modellazione e interpretazione di sequenze normative utilizzando modelli DragoNN
    • Identificare quando DragoNN è appropriato per un problema di learning in modelli di genomica e ad alte prestazioni

    Al termine, sarai in grado di utilizzare la documentazione relativa agli schemi di sequenze predittive di genomi per ricavare nuovi dati biologici.

ANALISI VIDEO INTELLIGENTE

MINI CORSI
  • Implementazione per analisi video intelligente con TensorRT

    Prerequisiti: esperienza di base con CNN e C++

    Framework: TensorRT

    Lingue: inglese

    Prezzo: $30

    Quando una rete neurale addestrata viene impiegata per trovare la risposta utilizzando nuovi dati, si parla di implementazione. TensorRT è lo strumento di implementazione principale, con varie opzioni per migliorare le prestazioni di inferenza delle reti neurali. Obbietti del mini corso:

    • Apprendere l'uso di giexec per eseguire inferenze
    • Utilizzare INT8 con precisione mista per ottimizzare le inferenze
    • Sfruttare API con layer personalizzati per plug-in

    Al termine, sarai in grado di utilizzare TensorRT per accelerare le prestazioni di inferenza nelle reti neurali.

Workshop con docenti

Trova il prossimo workshop vicino a te o richiedi un workshop in sede.

Partecipa ai prossimi workshop.

WORKSHOP PUBBLICI

WORKSHOP GRATUITI PER ACCADEMICI

Questi workshop sono gratuiti ed esclusivi per studenti universitari, personale e ricercatori verificabili.

Invita il DLI nella tua organizzazione.

I dirigenti possono richiedere lo svolgimento di workshop de DLI presso la loro azienda o organizzazione. Scegli tra gli argomenti fondamentali o specifici del settore elencati di seguito.

Se sei interessato a corsi aziendali più completi, lavoreremo insieme a te per definire un pacchetto di corsi di formazione che soddisfa le esigenze specifiche della tua organizzazione. Con corsi di formazione pratica online e in sede, briefing dirigenziali e resoconti aziendali, il DLI può aiutare la tua azienda a trasformarsi in un’organizzazione IA. Contattaci per saperne di più.

INTRODUZIONE AL DEEP LEARNING

  • Fondamenti di deep learning per Computer Vision 

    Prerequisiti: nessuno

    Frameworks: Caffe

    Lingue: inglese

    Certificazione disponibile

    Scopri i fondamenti del deep learning addestrando reti neurali e utilizzando i risultati per migliorare prestazioni e funzionalità.

    In questo workshop, scoprirai le basi del deep learning attraverso la formazione e la distribuzione di reti neurali. Obiettivi del corso:

    • Implementazione di flussi di lavoro comuni di deep learning, come classificazione di immagini e rilevamento di oggetti
    • Esperimenti con dati, parametri di training, strutturazione della rete e altre strategie per migliorare le prestazioni e le capacità
    • Distribuzione di reti neurali per iniziare a risolvere problemi reali

    Al termine del corso, sarai in grado di iniziare a risolvere problemi in autonomia con il deep learning.

  • Fondamenti di deep learning per più tipi di dati

    Prerequisiti: “Fondamenti di deep learning per Computer Vision” o esperienza simile

    Frameworks: TensorFlow

    Lingue: inglese

    Questo workshop esplora i modi in cui le reti neurali ricorrenti e convoluzinonali possono essere combinate per generare descrizioni efficaci di contenuti all'interno di immagini e video clip.

    Impara ad addestrare una rete utilizzando TensorFlow e il set di dati MSCOCO (Microsoft Common Object in Context) per generare didascalie per immagini e video tramite:

    • Implementazione di flussi di lavoro di deep learning come la segmentazione di immagini e la generazione di testo
    • Confronto tra tipi di dati, flussi di lavoro e framework
    • Combinazione di computer vision ed elaborazione del linguaggio naturale

    Al termine del corso, sarai in grado di risolvere problemi di deep learning che richiedono più tipi di dati di input.

  • Fondamenti di deep learning per l'elaborazione del linguaggio naturale 

    Prerequisiti: esperienza di base con le reti neurali

    Frameworks: TensorFlow, Keras

    Lingue: inglese

    Certificazione disponibile

    Scopri le ultime tecniche di deep learning per comprendere l'input testuale utilizzando l'elaborazione del linguaggio naturale (NLP). Obiettivi del corso:

    • Convertire testo in rappresentazioni comprensibili da unamacchina e approcci classici
    • Implementare rappresentazioni distribuite (incorporate) e comprenderne le proprietà
    • Addestrare traduttori automatici da una lingua all'altra

    Al termine del corso, avrai acquisito competenze in NLP con uso di rappresentazioni incorporate in applicazioni simili.

  • Fondamenti di deep learning per multi-GPUs 

    Prerequisiti: esperienza con il metodo della discesa stocastica del gradiente

    Frameworks: TensorFlow

    Lingue: inglese

    Certificazione disponibile

    I requisiti di elaborazione delle reti neurali profonde utilizzate per le applicazioni IA come le auto a guida autonoma sono immensi. Un solo ciclo di training può richiedere settimane su una singola GPU o addirittura anni per set di dati più ampi come quelli utilizzati nella ricerca per le auto autonome. L'uso di più GPU per il deep learning può ridurre significativamente i tempi necessari per addestrare elevati volumi di dati, rendendo possibile la soluzione di problemi complessi con il deep learning.

    Questo workshop ti insegnerà a usare più GPU per addestrare reti neurali. Obiettivi del corso:

    • Approcci al training con più GPU
    • Sfide algoritmiche e ingegneristiche con il training su larga scala
    • Tecniche essenziali utilizzate per superare le sfide suddette

    Al termine del corso, sarai in grado di parallelizzare efficacemente il training di reti neurali profonde con TensorFlow.

INTRODUZIONE AL COMPUTING ACCELERATO

  • Fondamenti di computing accelerato con CUDA C/C++ 

    Prerequisiti: esperienza di base con C/C++

    Lingue: inglese

    Certificazione disponibile

    La piattaforma di computing CUDA consente l’accelerazione delle applicazioni solo CPU per l’esecuzione sulle GPU massivamente parallele più veloci del mondo. Scopri l'accelerazione delle applicazioni C/C+ tramite:

    • Accelerazione delle applicazioni solo CPU per l’esecuzione del loro parallelismo latente sulle GPU
    • Utilizzo delle tecniche di gestione della memoria CUDA essenziali per ottimizzare le applicazioni accelerate
    • Esposizione del potenziale delle applicazioni accelerate per la simultaneità e suo utilizzo nei flussi CUDA
    • Utilizzo della riga di comando e della profilazione visiva per facilitare e verificare il tuo lavoro

    Alla fine sarai in grado di accelerare e ottimizzare le applicazioni solo CPU C/C++ esistenti con le tecniche e gli strumenti CUDA essenziali. Conoscerai uno stile iterativo di sviluppo CUDA che ti permetterà di fornire velocemente applicazioni accelerate.

WORKSHOP SUL DEEP LEARNING PER SETTORE

  • Deep learning per veicoli autonomi - Percezione

    Prerequisiti: esperienza con le CNN

    Frameworks: TensorFlow, DIGITS, TensorRT

    Lingue: inglese

    In questo workshop imparerai a progettare, addestrare e distribuire reti neurali per veicoli autonomi utilizzando la piattaforma di sviluppo NVIDIA DRIVE PX.

    Obiettivi del corso:

    • Integrazione di input da sensori utilizzando lo stack software DriveWorks
    • Addestramento di una rete neurale per la segmentazione semantica
    • Ottimizzazione, convalida e distribuzione di una rete neurale addestrata con TensorRT

    Al termine del corso, gli studenti saranno in grado di creare e ottimizzare componenti percettivi per veicoli autonomi utilizzando NVIDIA DRIVE PX.

  • Deep learning per strategie di trading finanziario

    Prerequisiti: esperienza con le reti neurali e conoscenza del settore finanziario

    Frameworks: TensorFlow

    Lingue: inglese

    Le tecniche lineari come l'analisi dei componenti principali (PCA) sono imprescindibili per la creazione di “eigenportfolio” da utilizzare nelle strategie di arbitraggio. Sono inoltre diffuse ulteriori tecniche che si servono di dati finanziari basati su serie temporali. Ma oggi, le strategie di trading possono essere accelerate con la potenza delle reti neurali profonde.

    Obiettivi del corso:

    • Preparazione di dati di serie temporali e test delle prestazioni della rete attraverso addestramento e set di dati di test
    • Strutturazione e addestramento di una rete LSTM (Long Short-Term Memory) per accettare input vettoriali e fare previsioni
    • Utilizzo del codificatore automatico come rilevatore di anomalie per creare una strategia di arbitraggio

    Al termine del corso, sarai in grado di utilizzare dati finanziari in serie temporali per prevedere e sfruttare l'arbitraggio attraverso l'uso delle reti neurali.

  • Deep learning per la creazione di contenuti digitali con codificatori automatici

    Prerequisiti: esperienza con reti CNN

    Frameworks: Torch, TensorFlow

    Lingue: inglese

    Certificazione disponibile

    Scopri le tecniche più recenti per la progettazione, il training e l'esecuzione di reti neurali per la creazione di contenuti digitali. Obiettivi del corso:

    • Applicare le innovazioni architetturali e le tecniche di addestramento utilizzate per il trasferimento arbitrario degli stili video
    • Addestrare il tuo denoiser per il rendering delle immagini
    • Eseguire l'upscale di immagini con IA a massima risoluzione

    Al termine del corso, sarai in grado di iniziare a creare risorse digitali utilizzando approcci basati sul deep learning.

  • Deep learning per l'analisi di immagini nel settore sanitario

    Prerequisiti: esperienza di base con CNN e Python

    Frameworks: Caffe, DIGITS, MXNet, TensorFlow

    Lingue: inglese

    Certificazione disponibile

    Questo workshop illustra come applicare le reti neurali convoluzionali (CNN) alle scansioni da risonanza magnetica per eseguire una vasta gamma di attività e calcoli medici. Obiettivi del corso:

    • Segmentazione di immagini da risonanza magnetica per stabilire il sito del ventricolo sinistro
    • Calcolo delle frazioni di eiezione tramite la misurazione delle differenze tra diastole e sistole attraverso l'applicazione di reti CNN alle scansioni RM per rilevare cardiopatie
    • Applicazione di reti CNN a scansioni RM di LGG per stabilire lo stato di codelezione del cromosoma 1p/19q

    Al termine del corso, sarai in grado di applicare reti CNN a scansioni RM per eseguire una serie di attività mediche.

  • Deep learning per la genomica nel settore sanitario

    Prerequisiti: esperienza di base con CNN e Python

    Frameworks: Caffe, TensorFlow, Theano

    Lingue: inglese

    Certificazione disponibile

    Questo workshop illustra come applicare il deep learning per rilevare lo stato di co-eliminazione di cromosomi e per individuare gli schemi nelle sequenze genomiche. Obiettivi del corso:

    • Comprensione delle basi delle reti neurali convoluzionali (CNN) e il loro funzionamento
    • Applicazione di reti CNN a scansioni di gliomi di basso grado (LGG) per stabilire lo stato di eliminazione del cromosoma 1p/19q
    • Uso del kit di strumenti DragoNN per simulare dati genomici e individuarne gli schemi

    Al termine del corso, sarai in grado di comprendere il funzionamento delle reti CNN, valutare immagini RM tramite le reti CNN e utilizzare dati genomici reali per individuare nuovi schemi.

PROGRAMMA UNIVERSITY AMBASSADOR

Docenti qualificati possono tenere workshop del DLI presso le proprie facoltà per studenti, personale docente e ricercatori, a costo zero.

Entra a far parte anche tu dei DLI University Ambassadors, provenienti da università in tutto il mondo. Puoi anche scaricare gli NVIDIA Teaching Kits per ottenere risorse di studio, corsi pratici, risorse cloud GPU e molto altro.

Università partecipanti

Arizona State University
Columbia University
The Hong Kong University Of Science And Technology