GTC カンファレンスの参加費

前提条件: 関数、ループ、ディクショナリ、配列など、Python 3 の基礎プログラミング概念を理解していること。Pandas データ構造に精通していること。回帰線の計算方法を理解してること。

テクノロジ: Tensorflow 2 と Keras、Pandas

説明: ディープラーニングとは、多層化された人工のニューラル ネットワークを使用する AI を使用し、物体検出、音声認識、言語翻訳などの作業を最高の精度でこなすパワフルな AI 手法です。ディープラーニングを利用することで、コンピューターは、専門家が作ったソフトウェアでも複雑すぎると考えられるデータからパターンを学習し、認識できます。

このワークショップでは、コンピューター ビジョンと自然言語処理に関するハンズオン トレーニングをディープラーニングに行わせる方法について学習します。ディープラーニング モデルをゼロからトレーニングし、精度の高い結果を実現するためのツールとコツを学びます。また、無料で利用できる最先端のトレーニング済みモデルを活用すれば、時間を節約し、ディープラーニング アプリケーションを短期間で本稼働に移行できます。

本ワークショップの内容:
- ディープラーニング モデルのトレーニングに必要な基礎的な手法とツールについて学習します
- ディープラーニングの一般的なデータ型とモデル アーキテクチャに関する経験を積みます
- データ増加でデータセットの質を強化し、モデルの精度を上げます
- モデル間の転移学習を活用してデータと計算を少なくし、効率的な結果を得ます
- 最新のディープラーニング フレームワークで自分のプロジェクトに取り込む自信をつけます

参加条件: 変数の型、ループ、条件付き命令、関数、配列操作など、C/C++ の基本知識。

テクノロジ: C/C++、CUDA

説明: CUDA コンピューティング プラットフォームでは、世界最速の大規模並列 GPU で実行される CPU 専用アプリケーションを高速化できます。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 で潜在的並列を実行する CPU 専用アプリケーションを高速化する
- 極めて重要な CUDA メモリ管理手法を活用し、アクセラレーテッド アプリケーションを最適化する
- アクセラレーテッド アプリケーションで同時実行の可能性を引き出し、CUDA streamsLeveraging Nsight Systems でそれを利用して作業を誘導し、確認する
- 修了後、最も不可欠な CUDA 手法と Nsight Systems を利用し、既存の C/C++ CPU 専用アプリケーションを加速し、最適化できるようになります。CUDA 開発の反復的な方式を理解し、アクセラレーテッド アプリケーションを短期間で出荷できるようになります。

参加条件: Python の経験。pandas と NumPy を扱った経験があることが望ましい。

テクノロジ: RAPIDS、cuDF、XGBoost、cuML、cuGraph、Dask、cuPy、pandas、NumPy、Bokeh

説明: 短期間で研究し、反復し、運用に移すことを可能にするエンドツーエンドの GPU アクセラレーテッド データ サイエンス ワークフローを開発し、実行する方法について学習します。RAPIDS™ 対応データ サイエンス ライブラリを使用し、XGBoost、cuGRAPH のシングルソース最短パス、cuML の KNN、DBSCAN、データ分析を大規模実行するロジスティクス回帰など、さまざまな GPU アクセラレーテッド機械学習を応用します。

このワークショップで学習すること:
- cuDF と Apache Arrow のデータ フレームを利用し、GPU でデータ準備と特徴抽出を高速化する
- XGBoost やさまざまな cuML アルゴリズムを利用し、幅広い GPU アクセラレーテッド機械学習タスクを応用する
- cuGraph を利用してグラフ分析を GPU で高速化し、短時間で大規模分析を実行する
- cuGraph ルーチンを利用し、大規模なグラフ分析を短時間で達成する

前提条件:
- Python コードのプログラミング経験とライブラリの関数とパラメーターの使用経験
- TensorFlow、PyTorch、Keras など、ディープラーニング フレームワークの基本を理解していること
- ニューラル ネットワークの基本を理解していること

テクノロジ: PyTorch、pandas、NVIDIA NeMo™、NVIDIA Triton™ Inference Server

説明: 自然言語処理 (NLP) Transformer ベースのモデルを "テキスト分類" タスクに利用する方法について学習します。たとえば、大量の記事や抜粋から特定の種類の記事を識別します。また、"固有表現抽出 (NER)" タスクに Transformer ベースのモデルを活用する方法と、さまざまなモデルの特徴、制約、特性を分析し、メトリクス、ドメイン特異性、利用できるリソースに基づいて特定の用途に最適なものを決定する方法について学習します。

このコースで学べる内容:
- PyTorch で Transformer ニューラル ネットワークを構築し、言語を翻訳する
- トレーニング済み BERT バリアント モデルを利用してテキスト分類プロジェクトを構築し、抽出を分類する
- トレーニング済みのドメイン固有モデルを使用して固有表現抽出 (NER) プロジェクトを構築し、テキスト内で病気の名前を特定する
- NLP 推論プロジェクトを NVIDIA Triton に展開する

前提条件: Python の中級レベルの知識。たとえば、リスト内包表記を理解していること。Python を利用したデータ サイエンスの経験があること。NumPy と行列数学に精通していること。

テクノロジ: CuDF、CuPy、TensorFlow 2、NVIDIA Merlin、NVTabular、NVIDIA Triton™ 推論サーバー

説明: ディープラーニングベースのリコメンダー システムは個人化されたオンライン体験を陰で支え、小売、エンターテインメント、医療、金融、その他の産業においてパワフルな意志決定サポート ツールになります。

レコメンダー システムは、多くの人々の好みや過去の決断といったさまざまな特性を理解することによって機能します。この膨大なデータを汎用化して類似の個人や状況に具体的なお勧めを迅速に提供できるようニューラル ネットワークをトレーニングするには大量の計算処理が必要になりますが、これは GPU によって劇的に高速化できます。

このワークショップでは、効果の高いレコメンダー システムを構築するための基礎的なツールとテクニックのほか、GPU によって高速化されたソリューションをデプロイしてリアルタイム レコメンデーションを実現する方法についても説明します。

本ワークショップに参加することで次の方法がわかります。
- オープンソースの cuDF ライブラリと Apache Arrow を使用してコンテンツベースのレコメンダー システムを構築する
- 交互最小 2 乗法 (ALS) と CuPy を使用してコラボレーティブ フィルタリング レコメンダー システムを構築する
- TensorFlow 2 と NVTabular のデータ ローダーを使用して幅と深さを持つニューラル ネットワークを設計し、ハイブリッド レコメンダー システムを作成する
- スパース データセットを大量に使用し、トレーニングと推論の両方でパフォーマンスを最適化する
- 高性能 Web サービスとしてレコメンダー モデルを展開する

前提条件: CNN と Python の経験

テクノロジ:  RAPIDS、Keras、GAN、XGBoost

説明:  大量の情報が世界の遠距離通信インフラストラクチャを移動していることで、システムは人類史上、最も複雑で動的になっています。このワークショップでは、AI ベースのソリューションを複数実装し、通信における重要な問題を解決します。つまり、ネットワーク侵入の特定です。

このワークショップで学習すること:
- アクセラレーテッド XGBoost、ディープラーニングベースの自動エンコーダー、敵対的生成ネットワーク (GAN) という 3 つの異なる異常検出手法を実装する
- 教師あり学習と教師なし学習ベースのソリューションを構築し、比較する
- 最新のコンピューティング手法の恩恵を受ける可能性があるその他の用途について、自分が属する業界を例に話し合う
- 修了後、教師ありと教師なしの機械学習を利用し、大規模なデータセットの中から異常を検知できるようになります。