インストラクターによる
ハンズオントレーニング

NVIDIA Deep Learning Institute (DLI) は、AI、アクセラレーテッドコンピューティング、アクセラレーテッドデータサイエンスのハンズオントレーニングを提供し、開発者、データサイエンティスト、その他の専門家が最も困難な問題を解決するのをサポートするのを支援します。これらの専門的ワークショップは、各分野のエキスパートが担当し、業界をリードする技術知識を提供して、個人や組織のための画期的な成果をもたらします。 1 日ワークショップを修了すると、対象分野の能力を実証し、キャリアの成長を加速する、NVIDIA DLI 認定証を取得できます。

インストラクターによるバーチャルワークショップ

最新のディープラーニングツール、フレームワーク、SDK を使用したニューラルネットワークをトレーニング、最適化、およびデプロイする方法を学習するには、クラウド上の GPU 対応ワークステーションにアクセスします。

GTC の DLI ワークショップは、以下のスポンサーによって提供されました:

ディープラーニングの基礎

開催日時: 10 月 7 日 (水) 9:00 - 17:00 (日本時間)
※こちらのコースは、 GTC 期間中、日本語で実施されます。

コンピュータービジョンと自然言語処理に関する初級ハンズオントレーニングです。Jupyter Notebook 上で Keras、TensorFlow、Numpy、pandas 等のよく知られたツール、ライブラリを活用してディープラーニングモデルをトレーニングし、未知のデータを与えてその精度を評価し、性能を高めていく方法を学びます。

このワークショップでは、次の内容に取り組みます。

手書き文字 (MNIST) およびアメリカ手話 (ASL) データセットを使い、シンプルなニューラルネットワークをトレーニングする
畳み込みニューラルネットワークを導入し、その効果を検証する
データ拡張によってデータセットを強化し、モデルの精度を向上させる
ImageNet データセットによるトレーニング済みモデルをベースに、転移学習を使用して、少ないデータと演算量で目的に合ったモデルを作成する
時系列データを扱う LSTM モデルを新聞の見出しデータセットでトレーニングし、新しい見出しを生成する

ワークショップを完了すると、画像分類やテキスト生成といった基本的なディープラーニングアプリケーションを作成できるようになります。ニューラルネットワークあるいはディープラーニングに関する事前知識は不要ですが、Python の簡単なコードを読み書きできる必要があります。

詳細を見る

受講方法を見る

インテリジェントレコメンダーシステムの構築

ディープラーニングベースのレコメンダーシステムは、小売、エンターテイメント、医療、金融などの業界において、パーソナライズされたオンライン体験を支える陰の立役者であり、パワフルな意思決定を支援するツールです。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他、リアルタイムレコメンデーション向けのGPU によって高速化されたソリューションの展開方法についても説明します。

このワークショップでは、次のことを学びます。

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方法
交互最小 2 乗法 (ALS) と CuPy を使用して協調フィルタリングレコメンダーシステムを構築する方法
広さと深さを持つニューラルネットワークを TensorFlow 2 を使用して設計し、ハイブリッドレコメンダーシステムを作成する方法
大規模なスパースデータセットを使用して、トレーニングと推論の双方のパフォーマンスを最適化する方法
レコメンダーモデルを高パフォーマンスの Web サービスとして展開する方法

詳細を見る

トランスフォーマーベースの自然言語処理アプリケーションの開発

ドキュメントの類別などのテキスト分類タスクにトランスフォーマーベースの自然言語処理モデルを使用する方法を学びます。固有表現抽出 (NER) タスクにトランスフォーマーベースのモデルを使用する方法や、さまざまなモデルの機能、制約、特性を分析し、メトリック、ドメインの特異性、利用可能なリソースに基づいて特定のユースケースに最適なモデルを判断する方法についても学びます。

このワークショップでは、次のことができるようになります。

Word2Vec、リカレントニューラルネットワーク (RNN) ベースの埋め込み、トランスフォーマーなどの NLP タスクにおいて、テキスト埋め込みがいかに急速に進歩してきたかを理解する
トランスフォーマーアーキテクチャ機能 (特にセルフアテンション) を使用して RNN なしで言語モデルを作成する方法を確認する
セルフスーパービジョンを使用して BERT や Megatron などその他バリエーションのトランスフォーマーアーキテクチャを改善し、優れた NLP 結果を得る
事前トレーニング済みの最新 NLP モデルを活用して、テキスト分類、NER、質問応答などの複数のタスクを解決する
推論の課題を管理し、ライブアプリケーション向けの精密なモデルを展開する

詳細を見る

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

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 (ufuncs) から NVIDIA(R) CUDA(R) 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。

詳細を見る

AI を応用した予知保全

時系列データの中から異常と障害を特定する方法、該当パーツの残りの耐用年数を見積もる方法、この情報を利用して異常を障害条件に関連付ける方法について学習します。

学習内容:

予知保全を活用して障害に対処し、費用のかかる予想外のダウンタイムを回避する > 費用のかかる故障を招く可能性がある異常の特定に関する主要な課題を認識する
時系列データを使用して、X-GBoost による機械学習分類モデルを使った場合の結果を予測する
デバイス障害の予測のために長/短期記憶 (LSTM) ベースのモデルを使用することで、予知保全の手順を適用する。
上記のステップの時系列配列を使用して、オートエンコーダーによる異常検知の実験を行う修了後、AI を利用して機器の状態を予測し、保守を実施する時期を判断できるようになります。

詳細を見る