NVIDIA
Deep Learning Institute

世界で最も困難な問題を解決するためのトレーニング

DLI は、AI およびアクセラレーテッド コンピューティングの開発者認定プログラムを提供しています。

NVIDIA Deep Learning Institute (DLI) では、AI とアクセラレーテッド コンピューティングに関するハンズオン トレーニングを提供することで、実世界の問題の解決に貢献しています。開発者、データ サイエンティスト、研究者向けに設計された DLI のコンテンツは以下の 3 つの形式でご利用いただけます。

オンライン コース

DLI のオンライン コースでは、エンドツーエンド プロジェクトの実装とデプロイの仕方を 8 時間で講習します。オンライン コースはいつどこででも受講でき、十分に設定されたクラウドの GPU 対応ワークステーションをご利用いただけます。

オンライン選択科目

DLI 選択科目では、特定のテクノロジまたは開発手法の適用方法を 2 時間で学習します。フルタイムのコースと同じく、選択科目もクラウドの GPU にアクセスすることでいつでも受講できます。

インストラクターによるワークショップ

対面型のワークショップでは、8 時間の実践トレーニングでエンドツーエンド プロジェクトの実装とデプロイの仕方を講習します。お客様の職場、カンファレンス、大学で提供する終日のワークショップには、DLI 認定インストラクタによる実践トレーニングと講義が含まれます。

認定

認定

受講者は、受講内容の能力を証明し、プロフェッショナル キャリアの成長を支える認定を受けることができます。 認定は、厳選されたオンライン コースとインストラクターによるワークショップで行います。

オンライン コース

クラウドの GPU ワークステーションにアクセスすることでいつでも自習型のコースや選択科目に自分のペースで取り組めます。

ディープラーニング入門

ディープラーニングが初めての方は、まず、ニューラル ネットワークをトレーニングし、配置して、実世界の課題を解決する方法を学習されることをお勧めいたします。

コース
  • コンピューター ビジョンのためのディープラーニングの基礎

    参加条件: なし

    フレームワーク: Caffe

    言語:英語

    受講料: $90

    修了認定あり

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

    このコースでは、ニューラル ネットワークをトレーニングし、配置し、ディープラーニングの基礎を学びます。学習内容:

    • 画像分類や物体検出など、一般的なディープラーニング ワークフローを導入する
    • データ、トレーニング パラメーター、ネットワーク構造、その他の戦略を試し、パフォーマンスや機能を改善する
    • ニューラル ネットワークを導入し、実世界の問題を解決する

    修了すると、ディープラーニングを利用して自分で問題を解決できるようになります。

選択科目
  • DIGITS による画像分類

    参加条件: なし

    フレームワーク: Caffe (および DIGITS インターフェイス)

    言語:英語、中国語、日本語

    受講料: 無料

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

    • 画像データをトレーニング環境に読み込む
    • ネットワークを選択し、トレーニングする
    • 新しいデータでテストし、繰り返し、パフォーマンスを改善する

    修了後、トレーニングに使用すべきデータを判断できるようになります。

  • DIGITS による物体検知

    参加条件: ニューラル ネットワークの基本的な経験

    フレームワーク: Caffe (および DIGITS インターフェイス)

    言語: 英語、中国語

    受講料: 無料

    航空写真から鯨の顔を検出するという難題をとおして、物体検出にディープラーニングを適用する方法を学習します。

    • 従来のコンピュータービジョンとディープラーニングを組み合わせる
    • ディープラーニング フレームワーク Caffe を利用し、既存のニューラル ネットワークにちょっとした「脳外科手術」を行う
    • 特定目的のネットワークとエンドツーエンドでラベルが付けられたデータを特定し、利用することにより、ディープラーニング コミュニティの知識を活用する。

    修了後、ご自身が抱えている問題をディープラーニングで解決できるようになります。

  • DIGITS と TensorRT によるニューラル ネットワーク デプロイメント

    参加条件: ニューラル ネットワークの基本的な経験

    フレームワーク: DIGITS、TensorRT

    言語: 英語、中国語

    受講料: 30 ドル

    ディープラーニングを利用すれば、計算処理を極度に要求する入力と出力のマッピングが可能になります。画像を認識し、歩行者をリアルタイムで検出するアプリケーションにディープラーニングを導入する方法を学習します。

    • トレーニングされたモデルを構成するファイルにアクセスし、理解する
    • 各機能の一意の入力と出力から構築する
    • スループットやレイテンシなど、さまざまな性能指標に対して、アプリケーションで計算処理を最も必要とする部分を最適化する

    修了後、ディープラーニングを実装し、現実の問題を解決できるようになります。

  • TensorFlow、MXNet、NVIDIA Docker によるディープラーニングのワークフロー

    参加条件: bash ターミナルの基本的な経験

    フレームワーク: TensorFlow

    言語: 英語、日本語

    受講料: 30 ドル

    NVIDIA Docker プラグインがあれば、GPU を利用した実用レベルのディープラーニング ワークフローをコンテナー化できます。ホストの構成と管理を減らす方法を学習します。

    • Docker 画像を操作し、コンテナー ライフスタイルを管理する方法を学習する
    • 公共の Docker 画像レジストリである DockerHub の画像にアクセスし、組み立てに適した軽量コンテナーの作成で最大限に再利用する
    • TensorFlow フレームワークと MXNet フレームワークの両方を利用し、ニューラル ネットワークをトレーニングする

    修了後、ディープラーニングのために、構成済みの画像をコンテナー化し、配布できるようになります。

  • TensorFlow による画像分割

    参加条件: ニューラル ネットワークの基本的な経験

    フレームワーク: TensorFlow

    言語: 英語

    受講料: 30 ドル

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

    • 画像分割と他のコンピュータービジョンの問題を比較する
    • TensorBoard や TensorFlow Python API など、TensorFlow ツールで実験する
    • モデル パフォーマンスを評価するための効果的な指標を実行する方法を学習する

    修了後、ディープラーニングを利用して、ほとんどのコンピュータービジョンのワークフローを設定できるようになります。

  • Microsoft Cognitive Toolkit による画像分類

    参加条件: なし

    フレームワーク: Microsoft Cognitive Toolkit

    言語: 英語

    受講料: 30 ドル

    Microsoft Cognitive Toolkit フレームワークを使用してニューラル ネットワークのトレーニングを学習します。以下の目的で、ますます複雑になるネットワークを構築し、トレーニングします。

    • BrainScript の「Simple Network Builder」と一般化の可能性がそれより高い「Network Builder」を利用し、ニューラル ネットワークの表現を比較する
    • ニューラル ネットワークのグラフを視覚化する
    • 手書きの数字を分類するようにニューラル ネットワークをトレーニングし、テストする

    修了後、畳み込みニューラルネットワーク (CNN) の基本知識が身に付き、Microsoft Cognitive Toolkit のさらに高度な利用に移ることができます。

  • TensorFlow による線形分類

    参加条件: なし

    フレームワーク: TensorFlow

    言語: 英語

    受講料: 30 ドル

    TensorFlow の TFLearn API を使用し、構造化データから予測する方法を学習します。与えられた国勢調査データから個人所得を予測するという難題をとおして、下記を実施します。

    • 機械学習のために、CSV からデータを読み込み、表示し、整理する
    • 既存のデータセットを、ニューラル ネットワークの特徴とラベル (入力、出力) に分割する
    • 線形モデルからディープ モデルまで構築し、性能の違いを評価する

    修了後、自分の構造化データから予測できるようになります。

  • DIGITS による信号処理

    参加条件: ニューラル ネットワークのトレーニングの基本的な経験

    フレームワーク: Caffe、DIGITS

    言語: 英語、中国語

    受講料: 30 ドル

    ディープ ニューラル ネットワークは、画像の分類で人間より優れています。そのことは、コンピュータービジョンが私たちの予想を超えることを暗に意味します。無線周波数 (RF) 信号を画像に変換し、雑音で埋もれた弱い信号を検出する方法について学習します。トレーニング内容:

    • 画像以外のデータを画像データとして扱う
    • ディープラーニング ワークフロー (読み込み、トレーニング、テスト、調整) を DIGITS で実装する
    • プログラミングでパフォーマンスをテストし、パフォーマンス改善を導く

    修了後、ディープラーニングを利用して、画像と画像のようなデータの両方を分類できるようになります。

アクセラレーテッド コンピューティング入門

アクセラレーテッド コンピューティングが初めての方は、まず、CUDA と OpenACC でアプリケーションを高速化する方法を学習されることをお勧めいたします。

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

    参加条件: C/C++ の基本的な経験

    言語: 英語

    受講料: 90 ドル

    修了認定あり

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

    • GPU で潜在的な並列処理を実行する CPU 専用アプリケーションを高速化する
    • 高速化アプリケーションを最適化するための基本的な CUDA メモリ管理手法を 活用する
    • 同時実行処理の高速化アプリケーションの可能性を見い出し、CUDA ストリームで活用する
    • 作業の方向付けと確認にコマンドラインおよび視覚的プロファイリングを活用する

    修了すると、最も基本的な CUDA ツールおよび手法を使用して、既存の CPU 専用 C/C++ アプリケーションの 高速化と最適化ができるようになります。高速化アプリケーションを迅速に出荷できる、 CUDA 開発の反復的な方式を 理解できるようになります。

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

    参加条件: Python と NumPy の基本的な経験

    言語: 英語

    受講料:90 ドル

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

    • Numba を使用して NumPy ユニバーサル関数 (ufunc) から CUDA カーネルをコンパイルする
    • Numba を使用してカスタム CUDA カーネルの生成と起動を行う
    • 主要な GPU メモリ管理手法を適用する

    修了すると、Numba を使用して CUDA カーネルのコンパイルと起動ができ、Python アプリケーションを NVIDIA GPU で実行することで高速化できるようになります。

  • OpenACC によるアクセラレーテッドコンピューティングの基礎

    参加条件: C/C++ の基本的な経験

    言語: 英語

    受講料: 90 ドル

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

    • OpenACC を使用した 4 つの簡単な手順で、既存のアプリケーションを加速する
    • OpenACC コードベースをプロファイリングし、最適化する
    • OpenACC と MPI (message passing interface)を組み合わせ、マルチ GPU システムでプログラミングする

    修了すると、OpenACC、CUDA 対応 MPI、NVIDIA プロファイリング ツールを組み合わせ、マルチ GPU クラスターで加速する異種アプリケーションをビルドし、最適化できるようになります。

選択科目
  • CUDA C/C++ によるアプリケーションの高速化

    参加条件: Basic experience with C/C++

    言語:言語: 英語、日本語

    受講料: 無料

    NVIDIA GPU の大規模並列処理の性能を活用する CUDA を使用して、C/C++ アプリケーションを高速化する方法を学習します。以下の目的で、CUDA でプログラミングする方法を学習します。

    • SAXPY アルゴリズムを高速化する
    • 行列乗算アルゴリズムを高速化する
    • 熱伝導アルゴリズムを高速化する

    修了後、CUDA プラットフォームを利用し、C/C++ アプリケーションを高速化できるようになります。

  • OpenACC – 4 ステップで 2 倍

    参加条件: C/C++ の基本的な経験

    言語: 英語

    受講料: 無料

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

    • アプリケーションの特徴をとらえ、プロファイリングする
    • 計算ディレクティブを追加する
    • データの動きを最適化するディレクティブを追加する
    • カーネル スケジューリングを利用し、アプリケーションを最適化する

    修了後、プロファイルに基づく手法を使用して、OpenACC ディレクティブで C/C++ アプリケーションを短時間で高速化できるようになります。

  • アクセラレーテッド コンピューティング入門

    参加条件: C/C++ の基本的な経験

    言語: English

    受講料: $30

    GPU でコードを高速化する 3 つの手法を試します。

    • GPU 活用ライブラリを利用する
    • OpenACC のようなコンパイラ ディレクティブを利用する
    • CUDA 対応言語でコードを直接記述する

    修了後、GPU に移行することで可能なスピードアップや操作性向上を実演する方法が理解できます。

  • CUDA C/C++ による GPU メモリの最適化

    参加条件: : CUDA C/C++ によるアプリケーションの高速化または同様の経験

    言語: 英語

    受講料: 30 ドル

    CUDA C/C++ での NVIDIA GPU のプログラミングに役立つメモリ最適化のテクニックと、この最適化をサポートする NVIDIA Visual Profiler (NVVP) の使用方法を試します。学習内容:

    • 単純な行列転置アルゴリズムを実装する
    • NVVP を使用してアルゴリズムをプロファイリングし、そのパフォーマンスを最適化するサイクルを数回行う。

    修了後、グローバル メモリおよび共有メモリのアクセス パターンを解析して改善する方法と、高速化した C/C++ アプリケーションを最適化する方法が理解できます。

  • C/C++ の GPU 対応ライブラリによるアプリケーションの高速化

    参加条件: 「CUDA C/C++ によるアプリケーションの高速化」または同様の経験

    言語: 英語

    受講料: 30 ドル

    NVIDIA GPU の大規模並列処理の性能を活用するドロップイン ライブラリを使用して、C/C++ アプリケーションを高速化する方法を学習します。次の 3 つの演習を行います。

    • cuBLAS を利用し、基本的な行列乗算を高速化する
    • cuRAND API 呼び出しをいくつか、前の cuBLAS 呼び出しに追加するという方法でライブラリを結合する
    • nvprof を使用してコードをプロファイリングし、いくつかの CUDA Runtime API 呼び出しで最適化する

    修了後、CUDA 対応ライブラリをいくつか活用し、既存の CPU 専用 C/C++ プログラムのアプリケーションを短時間で高速化できます。

  • Python の GPU 対応ライブラリによるアプリケーションの高速化

    参加条件: Python の基本的な経験

    言語: 英語

    受講料: 30 ドル

    GPU ライブラリを利用し、NVIDIA GPU で Python コードを高速化する方法を学習します。

    • cuRAND ライブラリを利用し、モンテカルロ法による価格設定を高速化する
    • CPU と GPU の間のデータの動きを最適化する

    修了後、GPU 対応 Python ライブラリを利用し、CPU 専用 Python コードを高速化できるようになります。

  • Thrust による C++ の高速化

    参加条件: 「CUDA C/C++ によるアプリケーションの高速化」または同様の経験

    言語: 英語

    受講料: 30 ドル

    Thrust は C++ 標準テンプレート ライブラリをおおよその基盤とする並列アルゴリズム ライブラリです。OpenMP や Intel のスレッディング ビルディング ブロックなど、複数のシステム バックエンドをサポートし、開発者は並列計算処理のパワーをすぐに利用できます。Thrust を利用し、次の演習をとおして C++ を高速化します。

    • 基本反復子、コンテナ、関数
    • 組み込みファンクタとカスタム ファンクタ
    • CPU 処理への移植性

    修了後、Thrust ライブラリのパワーを利用し、C/C++ アプリケーションを高速化できるようになります。

  • OpenACC によるプロファイリングと並列化

    参加条件: 「OpenACC - 4 ステップで 2 倍」または同様の経験

    言語: 英語

    受講料: 30 ドル

    OpenACC プログラミング サイクルの最初の 2 つの手順を学習します。並列処理の特定と並列処理の表現です。学習内容:

    • NVIDIA NVPROF を利用し、与えられた C または Fortran アプリケーションをプロファイリングする
    • PGI OpenACC コンパイラを利用し、コードを高速化する

    修了後、CPU 専用の C または Fortran アプリケーションをプロファイリングし、アプリケーションの高速化のために OpenACC ディレクティブをどこに適用すべきかが理解できるようになります。

  • OpenACC によるデータ移動の高速化とループの最適化

    参加条件:「OpenACC によるプロファイリングと並列化」または同様の経験

    言語: 英語

    受講料: 30 ドル

    中間 OpenACC プログラミング手法を学習します。

    • OpenACC データ管理ディレクティブを追加する
    • OpenACC ループ ディレクティブを利用してアプリケーションを最適化する

    修了後、OpenACC を利用し、データ転送を最適化し、アプリケーションの並列処理を微調整できるようになります。

  • MPI と OpenACC によるマルチ GPU プログラミング入門

    参加条件: 「OpenACC - 4 ステップで 2 倍」または同様の経験

    言語: 英語

    受講料: 30 ドル

    MPI (Message Passing Interface) と OpenACC を使用してマルチ GPU システムまたは GPU クラスターをプログラムする方法を学習します。学習内容:

    • CUDA 対応 MPI と OpenACC を利用し、異なる GPU 間でデータを交換する
    • マルチ GPU システムの GPU 親和性を処理する
    • 通信と計算をオーバーラップさせ、通信時間を事実上なくす

    修了後、マルチ GPU 環境で OpenACC と MPI を組み合わせ、アプリケーションを高速化できるようになります。

  • MPI と OpenACC によるマルチ GPU プログラミング上級編

    参加条件: 「MPI と OpenACC によるマルチ GPU プログラミング入門」または同様の経験

    言語: 英語

    受講料: 30 ドル

    マルチ GPU MPI + OpenACC で高速化するアプリケーションの改善方法を学習します。

    • 通信と計算をオーバーラップさせ、通信時間を事実上なくす
    • 2D タイルの領域分割で非連続ハロー アップデートを処理する

    修了後、OpenACC と MPI で高速化したアプリケーションで中間手法を活用できるようになります。

  • OpenACC による GPU 処理のパイプライン化

    参加条件: 「OpenACC によるデータ移動の高速化とループの最適化」または同様の経験

    言語: 英語

    受講料: 30 ドル

    パイプラインと呼ばれている単純な手法を利用し、データ コピーと GPU 計算がオーバーラップするよう最適化することで、自分の OpenACC スキルを 1 つ上のレベルに上げます。学習内容:

    • OpenACC ルーチン ディレクティブを利用し、デバイス上の関数呼び出しを可能にする
    • 大きな作業を簡単に処理できる大きさに分割する
    • 簡単に処理できる大きさに分割した作業を CPU から非同期で処理する

    修了後、OpenACC でパイプラインを利用し、効果的かつほとんどコストなしにデータをコピーできるようになります。

  • プロファイラーを活用した OpenACC による地震アプリケーション高速化

    参加条件: なし

    言語: 英語

    受講料: 30 ドル

    プロファイラーを利用し、GPU のコードの高速化と最適化を改善する方法を学習します。

    • PGI profiler を利用する
    • NVIDIA profiler を利用する
    • OpenACC を利用し、Seismic Unix に付属する Kirchhoff 2D Depth Migration を高速化する

    修了後、OpenACC のプロファイルに基づく手法を利用し、いくつかのアーキテクチャで高速化とデータ最適化ができるようになります。

  • CUDA Fortran によるアプリケーションの高速化

    参加条件: Fortran の基本的な経験

    言語: 英語

    受講料: 30 ドル

    NVIDIA GPU の大規模並列処理の性能を活用する CUDA を使用して、Fortran アプリケーションを高速化する方法を学習します。次の目的のために CUDA でプログラミングします。

    • SAXPY アルゴリズムを高速化する
    • 行列乗算アルゴリズムを高速化する
    • 熱伝導アルゴリズムを高速化する

    修了後、CUDA プラットフォームを利用し、Fortran アプリケーションを高速化できるようになります。

  • CUDA Fortran による GPU メモリの最適化

    参加条件: 「CUDA Fortran によるアプリケーションの高速化」または同様の経験

    言語: 英語

    受講料: 30 ドル

    CUDA Fortran での NVIDIA GPU のプログラミングに役立つメモリ最適化のテクニックと、この最適化をサポートする NVIDIA Visual Profiler (NVVP) の使用方法を学習します。作業内容:

    • 単純な行列転置アルゴリズムを実装する
    • NVVP を利用し、アルゴリズムをプロファイリングしてそのパフォーマンスを最適化するサイクルを数回実行する

    修了後、グローバル メモリおよび共有メモリのアクセス パターンを解析して改善する方法と、高速化した C/C++ アプリケーションを最適化する方法が理解できます。

  • Fortran の GPU 対応ライブラリによるアプリケーションの高速化

    参加条件: Fortran の基本的な経験

    言語: 英語

    受講料: 30 ドル

    GPU ライブラリを利用し、NVIDIA GPU で Fortran コードを高速化する方法を学習します。

    • cuRAND ライブラリを利用し、モンテカルロ法による価格設定を高速化する
    • CPU と GPU の間のデータの動きを最適化する

    修了後、GPU 対応 Fortran ライブラリを利用し、CPU 専用 Fortran コードを高速化できるようになります。

業界別ディープラーニング コース

ディープラーニングの基礎を理解されたら、その知識を活かしてさらに高度な業界別 DLI トレーニングを受講し、実世界の問題解決に役立てることができます。

ゲーム開発とデジタル コンテンツ
 

選択科目
  • TensorFlow と DIGITS による GAN を使用した画像生成

    参加条件: CNN の経験

    フレームワーク: TensorFlow

    言語: 英語

    受講料: 30 ドル

    敵対的生成ネットワーク (GAN) をトレーニングし、DIGITS で画像コンテンツを生成する方法を学習します。学習内容:

    • GAN を使用し、手書きの数字を作成する
    • 特徴空間を視覚化し、属性ベクトルを利用して画像を類推する
    • GAN をトレーニングし、所定の属性で画像を生成する

    修了後、GAN を利用し、特徴空間を操作することで画像を生成できるようになります。

  • Torch による画像スタイル転送

    参加条件: CNN の経験

    フレームワーク: Torch

    言語: 英語

    受講料: 30 ドル

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

    • 際立った視覚的特徴を抽出することにより、画像のルック アンド フィールを他の画像に移す
    • さまざまな手法を利用し、スタイルが正しく移されているかどうかを定性的に判断する
    • 革新的なアーキテクチャとトレーニング手法を利用し、任意のスタイルを移す

    修了後、ニューラル ネットワークを利用し、ビデオで効果的となる速さで、任意のスタイルを移せるようになります。

  • 自動エンコーダーを使用したレンダリング画像のノイズ除去

    参加条件: CNN の経験

    フレームワーク: TensorFlow

    言語: 英語

    受講料: 30 ドル

    自動エンコーダーを使用したニューラル ネットワークによりレイ トレーシング画像のノイズ除去を劇的に高速化する方法を学習します。学習内容:

    • レンダリングした画像にノイズがあるかどうかを判断する
    • 事前トレーニング済みのネットワークを利用し、サンプル画像や自分で用意した画像からノイズを除去する
    • 与えられたデータセットを利用し、自分のデノイザーをトレーニングする

    修了後、ニューラル ネットワーク内で自動エンコーダーを利用し、自分のレンダリング画像デノイザーをトレーニングできるようになります。

  • オートエンコーダーを利用した画像の超解像技術

    前提条件:CNN の経験

    フレームワーク: Keras

    言語: 英語

    受講料: 30 ドル

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

    • オートエンコーダーについて理解し、これを設計する
    • 画質を厳密に測定するためのさまざまな手法を学習する

    修了すると、ニューラルネットワーク内でオートエンコーダーを使用し、画質を大幅に上げることができるようになります.

ヘルスケア
 

選択科目
  • Keras のモデリング タイム シリーズ データとリカレント ニューラル ネットワーク

    参加条件: ディープラーニングの基本的な経験

    フレームワーク: Keras

    言語: 英語

    受講料: 無料

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

    • HDF5 (階層データ形式バージョン 5) の電子健康レコードを利用し、トレーニングとテストのデータセットを作成する
    • 再帰型ニューラル ネットワークで使用するデータセットを用意し、非常に複雑なデータ シーケンスのモデル化を可能にする
    • 特殊な RNN アーキテクチャである LSTM (長期・短期記憶) モデルを構築し、Theano を基盤として動作する Keras ライブラリを使用して基準データに対するモデル パフォーマンスを評価する

    修了後、RNN を利用して時系列データをモデル化できるようになります。

  • MedNIST データセットを利用した医用画像分類

    参加条件: なし

    フレームワーク: DIGITS

    言語: 英語

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

    • 医用画像を収集し、書式設定し、標準化する
    • データセットを対象に畳み込みニューラル ネットワーク (CNN) を構築し、トレーニングする
    • トレーニングしたモデルを利用し、新しい医用画像を分類する

    修了すると、CNN を応用し、医用画像データセットで画像を分類できるようになります。

  • DIGITS による医用画像セグメンテーション

    参加条件: CNN と Python の基本的な経験

    フレームワーク: DIGITS、Caffe

    言語: 英語

    受講料: 30 ドル

    画像 (またはセマンティック) 分割は、画像の各ピクセルを特定のクラスに分類するという作業です。心臓の各部位を測定するために次の方法で MRI 画像を分割します。

    • カスタム Python 層で Caffe を拡張する
    • 転移学習のプロセスを導入する
    • 一般的な画像分類ネットワークから完全な CNN (畳み込みニューラル ネットワーク) を作成する

    修了後、ディープラーニングを利用して、ほとんどのコンピューター ビジョンのワークフローを設定できるようになります。

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

    参加条件: CNN と Python の基本的な経験

    フレームワーク: Caffe、TensorFlow、Theano

    言語: 英語

    受講料: 30 ドル

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

    • CNN (畳み込みニューラル ネットワーク) の設計とトレーニング
    • イメージング ゲノミクス (Radiomics) を使用して、切開手術なしで、病気のゲノミクスを特定するバイオマーカーを作成する
    • Mayo Clinic で行われている Radiogenomics 研究について知る

    修了すると、Radiomics を見通せるディープラーニングを使用することの異色ながらも有望な成果への独自の見識が得られます。

  • R と MXNet による医用画像分析

    参加条件: CNN と Python の基本的な経験

    フレームワーク: MXNet

    言語: 英語

    受講料: 30 ドル

    CNN (畳み込みニューラル ネットワーク) を医療画像分析に適用し、不明瞭な画像から患者の状態を推測します。時系列 MRI データから人間の心臓の左心室の容積を推測するように CNN をトレーニングする方法について学習します。学習内容:

    • 標準の 2D CNN を拡張し、さらに複雑なデータを得る
    • 標準の Python API と R を介して MXNet を利用する
    • ときに容量が測定され、一時的な構成要素が含まれる場合の高次元画像を処理する

    修了すると、不明瞭な画像に CNN を利用する方法がわかります。

  • 医用画像のための生成ネットワークによるデータの増強と分割

    参加条件: CNN の経験

    フレームワーク: TensorFlow

    言語: 英語

    受講料: 30 ドル

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

    • 合成脳 MRI を生成する
    • 分割に GAN を応用する
    • データ増強に GAN を使用して精度を上げる

    修了すると、医用画像のユース ケースに GAN を応用できるようになります。

  • 医用画像のための粗密文脈依存記憶

    参加条件: CNN の経験

    フレームワーク: TensorFlow

    言語: 英語

    受講料: 30 ドル

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

    • 医用画像分割のためのエンコーダー/デコーダー アーキテクチャを知る
    • 一般的なビルディング ブロック (畳み込み、プーリング層、残差ネットワークなど) を知る
    • スキップ接続のさまざまな手段を研究する

    修了すると、医用画像分割や同様の画像処理作業に CFCM 手法を応用できるようになります。

  • DragoNN、Keras、Theano によるゲノミクスのためのディープラーニング

    参加条件: CNN (畳み込みニューラル ネットワーク) と Python の基本的な経験

    フレームワーク: Keras、Theano

    言語: 英語

    受講料: 30 ドル

    ディープラーニング モデルを実行し、予測的なゲノム シーケンス パターンを検出する方法を学びます。次の目的で、シミュレーションと実際の調節ゲノム データで DragoNN (Deep RegulAtory GenOmics Neural Network) ツールキットを使用します

    • 一般的な DragoNN アーキテクチャを解明する
    • DragoNN モデルを利用して調節配列をモデル化して解釈するためのガイドラインについて知る
    • ゲノミクスとハイパフォーマンス モデルで DragoNN が学習問題に最適であるかを特定する

    修了すると、新しい生物学的洞察を得るために予測的ゲノム シーケンス パターンの発見を利用することができるようになります

インテリジェント ビデオ分析
 

選択科目
  • TensorRT によるインテリジェント ビデオ分析のデプロイ

    参加条件: CNN と C++ の基本的な経験

    フレームワーク: TensorRT

    言語: 英語

    受講料: 30 ドル

    学習済みのニューラル ネットワークを、新たな入力データに対する答えを見つけるために配置することをデプロイと呼びます。TensorRT はデプロイの主要ツールです。ニューラル ネットワークの推論性能を向上させるさまざまなオプションを備えています。この選択科目の内容:

    • giexec を使用して推論する方法を学習します。
    • 混合精度 INT8 を利用し、推論を最適化します。
    • プラグインのためのカスタム層 API を活用します。

    修了すると、ニューラル ネットワークの推論性能を加速するために TensorRT を使用する方法を会得します。

HEALTHCARE
 

選択科目

インストラクタによるワークショップ

お住まいの地域で開催されるワークショップをお探しください。または、お勤めの組織でのワークショップをお申し込みください。

開催されるワークショップにご参加ください。

お勤め先に DLI を呼んでください。

管理職の方は、会社や組織でのオンサイト DLI ワークショップを依頼していただくことができます。以下の一覧の、基礎または業界別のテーマから選択してください。

お客様の企業向けにさらに包括的なトレーニングをお求めの場合も、DLI がご相談を承ります。共同作業でお客様の組織独自のニーズに合ったコースやワークショップをセットで構成します。オンラインおよびオンサイトの実践的なトレーニングから、エグゼクティブ ブリーフィング、企業レベルのレポートまで、お客様の企業の AI 組織への転換をお手伝いします。詳細については お問い合わせ ください。

ディープラーニング入門

  • コンピューター ビジョンのためのディープラーニングの基礎 

    参加条件: なし

    フレームワーク: Caffe

    言語: 英語

    修了認定あり

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

    このコースでは、ニューラル ネットワークをトレーニングし、配置し、ディープラーニングの基礎を学びます。学習内容:

    • 画像分類や物体検出など、一般的なディープラーニング ワークフローを導入する
    • データ、トレーニング パラメーター、ネットワーク構造、その他の戦略を試し、パフォーマンスや機能を改善する
    • ニューラル ネットワークを導入し、実世界の問題を解決する

    修了すると、ディープラーニングを利用して自分で問題を解決できるようになります。

  • さまざまな種類のデータのためのディープラーニングの基礎

    参加条件: 「コンピューター ビジョンのためのディープラーニングの基礎」または同様の経験

    フレームワーク: TensorFlow

    言語: 英語

    このコースでは、畳み込みニューラル ネットワークと回帰ニューラル ネットワークを組み合わせ、画像やビデオ クリップに含まれるコンテンツの効果的な記述を生成する方法について学習します。

    TensorFlow と COCO (Microsoft Common Objects in Context) データセットを利用してネットワークをトレーニングし、画像や動画からキャプションを生成する方法について学習します。キャプションは以下の方法で生成します。

    • 画像分割やテキスト生成など、ディープラーニング ワークフローを実装します
    • データの種類、ワークフロー、フレームワークを比較します
    • コンピューター ビジョンと自然言語処理を組み合わせます

    修了すると、さまざまな種類のデータ入力を必要とするディープラーニングの問題を解決できるようになります。

アクセラレーテッド コンピューティング入門

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

    参加条件: C/C++ の基本的な経験

    言語: 英語

    修了認定あり

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

    • GPU で潜在的な並列処理を実行する CPU 専用アプリケーションを高速化する
    • 高速化アプリケーションを最適化するための基本的な CUDA メモリ管理手法を 活用する
    • 同時実行処理の高速化アプリケーションの可能性を見い出し、CUDA ストリームで活用する
    • 作業の方向付けと確認にコマンドラインおよび視覚的プロファイリングを活用する

    修了すると、最も基本的な CUDA ツールおよび手法を使用して、既存の CPU 専用 C/C++ アプリケーションの 高速化と最適化ができるようになります。高速化アプリケーションを迅速に出荷できる、 CUDA 開発の反復的な方式を 理解できるようになります。

  • OpenACC によるアクセラレーテッド コンピューティングの基礎

    参加条件: C/C++ の基本的な経験

    言語: 英語

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

    • OpenACC を使用した 4 つの簡単な手順で、既存のアプリケーションを加速する
    • OpenACC コードベースをプロファイリングし、最適化する
    • OpenACC と MPI (message passing interface)を組み合わせ、マルチ GPU システムでプログラミングする

    修了すると、OpenACC、CUDA 対応 MPI、NVIDIA プロファイリング ツールを組み合わせ、マルチ GPU クラスターで加速する異種アプリケーションをビルドし、最適化できるようになります。

業界別ディープラーニングのワークショップ

  • 自動運転車両のためのディープラーニング - 認識機能

    参加条件: CNN の経験

    フレームワーク: TensorFlow、DIGITS、TensorRT

    言語: 英語

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

    以下の方法を学習します。

    • DriveWorks ソフトウェア スタックを利用して、センサー入力を統合する
    • 意味論的分割のニューラル ネットワークをトレーニングする
    • TensorRT を利用して、トレーニング済みのニューラル ネットワークを最適化し、検証し、配置する

    修了すると、DRIVE PX2 を利用し、自動運転車両の認識コンポーネントを作成し、最適化できるようになります。

  • 金融取引戦略のためのディープラーニング

    参加条件: ニューラル ネットワークの経験と金融産業の知識

    フレームワーク: TensorFlow

    言語: 英語

    PCA (principal component analysis/主成分分析) などの線形手法が、 統計的裁定戦略で使う「eigenportfolio」の生成によく使われます。時系列金融データを 利用するその他の手法も普及しています。しかし現在では、ディープ ニューラル ネットワークを活用して取引戦略を高度化することができます。

    本コースの学習目標:

    • 時系列データを用意し、トレーニングとテスト データセットでネットワーク パフォーマンスをテスト
    • LSTM (Long Short-Term Memory) ネットワークを構築、トレーニングし、ベクトル入力を受け取って予測する
    • アノマリ検出機能として自動エンコーダーを利用し、サヤ取り戦略を立てる

    修了すると、時系列の金融データに基づき、ニューラル ネットワークで予測してサヤ取りで儲けることができるようになります。

  • 医療画像分析のためのディープラーニング

    参加条件: CNN と Python の基本的な経験

    フレームワーク: Caffe、DIGITS、MXNet、TensorFlow

    言語: 英語

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

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

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

  • 医療ゲノミクスのためのディープラーニング

    参加条件: CNN と Python の基本的な経験

    フレームワーク: Caffe、TensorFlow、Theano

    言語: 英語

    修了認定あり

    このコースでは、ディープラーニングを応用し、染色体の共欠損を検出し、ゲノム配列のモチーフを見つける方法について学習します。学習内容:

    • CNN (convolutional neural network/畳み込みニューラル ネットワーク) の基礎とその仕組みを理解する
    • LGG (low-grade glioma/低悪性度のグリオーマ) の MRI スキャンに CNN を適用し、1p/19q 染色体の共欠損状態を判断する
    • DragoNN ツールキットを利用して、ゲノム データをシミュレーションし、モチーフを検索する

    修了すると、CNN の仕組みへの理解が深まります。CNN で MRI 画像を判定したり、実際のゲノム データを使って新しいモチーフを調査できるようになります。

ユニバーシティ アンバサダー プログラム

資格を有する講師が大学キャンパスで、学部、学生、研究者を対象に DLI ワークショップを無料で開催します。

世界中の有名大学が集う DLI University Ambassadors に参加してください。また、講習資料、ハンズオン コース、GPU クラウド リソースなどの NVIDIA Teaching Kits をダウンロードしてください。

参加大学

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

その他のディープラーニング トレーニング

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