NVIDIA Deep Learning Institute

세계에서 가장 어려운 문제를 해결하도록 교육을 제공합니다.

NVIDIA DLI(Deep Learning Institute)는 AI, 가속 컴퓨팅, 가속 데이터 사이언스 분야의 핸즈온 세션을 제공합니다. 개발자, 데이터 사이언티스트, 연구원, 그리고 학생들은 클라우드를 통해 GPU 기반 딥 러닝 기술을 직접 배울 수 있고 이렇게 얻은 전문적 지식을 입증할 수 있는 인증서도 받을 수 있습니다. DLI는 집에서도 혼자 수강할 수 있는 온라인 교육과 조직이나 팀을 위한 NVIDIA 딥 러닝 전문가 주도의 오프라인 워크샵, 그리고 대학 교육자들에게 다운로드 가능한 강의 자료를 제공합니다.

  • <span style=

    온라인
    과정

  • <span style=

    딥 러닝 전문가 주도
    의 워크샵

  • <span style=

    대학
    교육

자가 학습자에게는 DLI 온라인 교육을 권장하며, 소규모 팀에게는 파트너를 통한 온라인 과정을 권장합니다. DLI를 통해 클라우드에서 완전히 구성된 GPU 가속화 서버에 액세스할 수 있고, 진행하고 있는 연구에 실제 적용할 수 있는 기술을 취득하고, 관련 역량에 대한 인증서를 받을 수 있습니다.

DLI를 통한 온라인 교육

인증서 제공

딥 러닝 과정

딥 러닝 기초 과정

  • 컴퓨터 비전을 위한 딥 러닝의 기초 

    성능 및 기능을 개선하기 위해 신경망을 학습하고 결과를 이용하면서 딥 러닝의 기초적인 내용을 살펴봅니다.

    설치: 함수 및 변수와 같은 기본 프로그래밍 기초에 대한 지식

    기술: Caffe, DIGITS

    진행시간: 8시간

    가격: $90 (부가세 제외)

  • Jetson Nano로 AI 시작하기

    이제 NVIDIA Jetson Nano 개발자 키트로 제작자, 독학 개발자 및 임베디드 기술 애호가들에게 어디에서나 AI의 성능을 제공합니다. 사용이 간편한 강력한 이 컴퓨터를 사용하면 이미지 분류, 개체 감지, 세분화 및 음성 처리 등의 애플리케이션에서 다수의 신경망을 병렬로 실행할 수 있습니다. 이 과정에서는 Jetson Nano에서 Jupyter iPython Notebook을 사용하여 컴퓨터 비전 모델로 딥 러닝 분류 프로젝트를 구축할 수도 있습니다.

    설치: Python에 대한 지식(유용, 필수 아님)

    기술: PyTorch, Jetson Nano

    진행시간: 8시간

    가격: 무료 

  • DIGITS를 통한 이미지 분류

    딥 러닝은 일반 코딩 방법을 사례 기반의 학습으로 제작된 모델로 대체하여 전적으로 새로운 솔루션을 가능하게 합니다. 다음을 통해 심층 신경망을 교육하여 수기 문자를 인식합니다.

    설치: 없음

    기술: Caffe(DIGITS 인터페이스 포함)

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • Horovod에서의 딥 러닝 활용

    처음에 Uber가 제작하고 LF AI Foundation이 호스팅한 오픈 소스 분산 트레이닝 프레임워크인 Horovod를 사용하여 딥 러닝 트레이닝을 멀티 GPU로 확장하는 방법을 알아보십시오. 과정 학습 내용

    설치: Python에 대한 역량 및 딥 러닝 모델 트레이닝의 전문 경험

    기술: Horovod, TensorFlow, Keras, Python

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • TensorFlow를 통한 선형 분류

    이미지(또는 의미론적) 세분화는 이미지의 각 픽셀을 특정 클래스로 배치하는 작업입니다. 다음을 통해 MRI 이미지를 세분화하여 심장의 각 부분을 측정하는 방법을 배웁니다.

    설치: 신경망에 대한 기본적인 경험

    기술: TensorFlow

    진행시간: 2시간

    가격: $30 (부가세 제외)

     

  • Keras에서 회귀 신경망을 사용하여 시계열 데이터 모델링

    회귀 신경망(RNN)을 이용하여 모델을 통해 자연 언어, 시장, 시간 경과에 따른 환자의 건강과 같은 시계열 데이터를 분류 또는 예측할 수 있습니다.

    설치: 딥 러닝에 대한 기본적인 경험

    기술: Keras

    진행시간: 2시간

    가격: $30 (부가세 제외)

디지털 콘텐츠 제작을 위한 딥 러닝

  • Torch를 통한 이미지 스타일 전송

    특이한 시각적 특징을 추출함으로써 한 이미지의 외관과 느낌을 다른 이미지로 전달하는 방법을 탐색합니다. 기능 추출을 위해 나선형 신경망(CNN)이 사용되는 방법과 이러한 기능이 새 이미지를 생성하는 생성자에 제공되는 방법을 확인하십시오.

    설치: CNN에 대한 경험

    기술: TensorFlow

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • 오토인코더를 사용한 이미지 초고해상도

    오토인코더를 통해 신경망의 힘을 활용하여 저품질 원본 이미지로 고품질 이미지를 만드십시오. 단축 과정 학습 내용:

    설치: CNN에 대한 경험

    기술: Keras

    진행시간: 2시간

    가격: $30 (부가세 제외)

     

의료를 위한 딥 러닝

  • MedNIST 데이터 세트를 사용하여 의료 영상 분류

    방사선학 및 의료 영상 딥 러닝에 대한 실용적인 핸즈온 입문 과정을 확인하십시오.

    설치: 없음

    기술: DIGITS

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • TensorFlow를 통한 이미지 분류: 레디오믹—1p19q 염색체 상태 분류

    Mayo Clinic에서 실시 중인 연구 덕분에 딥 러닝 기술을 사용하여 MRI 이미지에서 레디오믹을 감지함으로써 뇌종양 환자를 더 효과적으로 치료하고 더 좋은 결과를 제공할 수 있게 되었습니다. 다음을 통해 1p19q 공동 삭제 바이오마커를 감지하는 방법을 배웁니다.

    설치: CNN 및 Python에 대한 기본적인 경험

    기술: TensorFlow

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • 의료 영상을 위한 Generative Networks를 통한 데이터 증강 및 세분화

    GAN(Generative Adversarial Network)은 제공된 트레이닝 데이터에 기반하여 새로운 예제를 생성하는 생성자와, 원본 데이터와 시뮬레이션된 데이터를 구분하려 시도하는 판별자로 이루어진 한 쌍의 심층 신경망입니다. 두 네트워크가 함께 성장함에 따라 생성되는 예시는 점점 더 현실적으로 변할 것입니다. 이 기술은 기존 네트워크의 트레이닝을 위한 규모가 작은 데이터 세트를 증강할 수 있으므로 의료 분야에서 전도유망합니다.

    설치: CNN에 대한 경험

    기술: TensorFlow

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • 의료 영상을 위한 CFCM(Coarse-to-Fine Contextual Memory)

    CFCM은 매우 심층적인 아키텍처를 사용하고 서로 다른 많은 스케일의 기능을 나선형의 LSTM(Long short-term memory)과 통합하는 이미지 세분화를 위해 개발된 기술입니다.

    설치: CNN에 대한 경험

    기술: TensorFlow

    진행시간: 2시간

    가격: $30 (부가세 제외)

지능적 비디오 분석을 위한 딥 러닝

  • DeepStream을 통한 인텔리전트 비디오 분석을 위한 AI 워크플로우

    DeepStream 3.0 프레임워크에는 인텔리전트 비디오 분석(IVA) 애플리케이션의 하드웨어 가속화된 빌딩 블록이 포함됩니다. 그래서 개발자는 핵심 딥 러닝 네트워크 구축에 집중할 수 있습니다. DeepStream SDK는 다양한 사용 사례를 실증하며 배포 미디어에 유연성을 제공합니다.

    설치: C++ 및 Gstreamer에 대한 경험

    기술: DeepStream3

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • Jetson Nano 기반의 DeepStream 시작하기

    객체 탐지와 분류 네트워크를 사용한 영상 스트림에 주석을 달수 있는 DeepStream 에플리케이션 구축 방법

    전제조건: C에 대한 기본 지식

    기술: DeepStream, TensorRT, Jetson Nano

    기간: 8 시간; 온라인 교육

    가격: 무료

가속 컴퓨팅 과정

  • CUDA C/C++를 사용한 가속 컴퓨팅의 기초 

    기존 C/C++ CPU 전용 애플리케이션을 가속하고 최적화하여 가장 필수적인 CUDA 기술과 Nsight 시스템 프로파일러를 사용하여 GPU의 성능을 활용하는 방법을 알아보세요.

    설치: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 기본 C/C++ 능력 CUDA 프로그래밍 지식은 필요하지 않습니다.

    기술: 코드 기반

    진행시간: 8시간

    가격: $90 (부가세 제외)

     

  • CUDA Python을 사용한 가속 컴퓨팅의 기초

    이 과정에서는 적시 생산형의 유형 특화 Python 함수 컴파일러인 Numba를 사용하여 초병렬 NVIDIA GPU에서 Python 프로그램을 가속화하는 방법을 알아봅니다.

    설치: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 기본 Python 능력 ndarrays 및 ufuncs 사용을 포함하는 NumPy 능력. CUDA 프로그래밍 지식은 필요하지 않습니다.

    기술: 코드 기반

    진행시간: 8시간

    가격: $90 (부가세 제외)

  • OpenACC를 사용한 가속 컴퓨팅의 기초

    GPU에서의 프로그래밍을 위해 높은 수준의 프로그래밍 언어인 OpenACC의 기초를 배웁니다. 이 과정은 C/C++에 대한 경험이 약간 있으며 CPU 전용 프로그래밍의 한계를 넘어선 애플리케이션 성능 가속화에 관심이 있는 모든 사람들 위한 것입니다.

    설치: C/C++에 대한 기본적인 경험

    기술: OpenACC, C/C++

    진행시간: 8시간

    비용: $90 (부가세 제외)

  • 컨테이너를 통한 고성능 컴퓨팅

    고성능 컴퓨팅(HPC) 애플리케이션 개발을 위해 컨테이너화된 환경을 사용하여 코드의 복잡성을 줄이고 이동성 및 효율성을 개선하는 방법을 알아보십시오. 

    설치: C/C++의 능숙한 프로그래밍 및 HPC 애플리케이션에 대한 전문 경험

    기술: Docker, Singularity, HPCCM, C/C++

    진행시간: 2시간

    가격: $30 (부가세 제외)

  • OpenACC – 4단계로 2배 가속화

    OpenACC를 이용해 C/C++ 또는 Fortran 애플리케이션을 가속화함으로써 초병렬 NVIDIA GPU의 성능을 활용하는 방법을 배웁니다. OpenACC는 가속기 코드를 직접 작성하는 대신 코드를 가속화하기 위해 컴파일러 힌트를 제공하는 지침 기반 컴퓨팅 접근 방법입니다. OpenACC를 이용해 애플리케이션을 가속화하기 위한 4단계 프로세스를 지금 시작하십시오.

    설치: C/C++에 대한 기본적인 경험

    기술: 영어

    진행시간: 2시간

    가격: $30 (부가세 제외)

가속화된 데이터 사이언스 코스

  • RAPIDS를 통한 가속화된 데이터 사이언스 기본 과정

    RAPIDS는 데이터 사이언스 워크플로우를 위한 엔드투엔드 GPU 가속을 지원하는 데이터 사이언스 라이브러리입니다. 본 교육 과정에서는 다음과 같은 실습을 진행하게 됩니다. 

    설치: 이상적으로 Python와  NumPy를 포함한 Python 경험

    기술: RAPIDS, NumPy, XGBoost, DBSCAN, K-Means, SSSP, Python

    진행시간: 6 시간

    가격: $90 (부가세 제외)

  • RAPIDS를 통한 데이터 과학 워크플로우 가속화

    오픈소스 RAPIDS 프로젝트를 통해 과학자는 처음부터 끝까지 데이터 과학 및 데이터 분석 애플리케이션을 GPU 가속할 수 있습니다. 그래서 CPU만 활용하는 기존 워크플로우로는 불가능한 크게 향상된 성능 이점과 기술의 가능성을 실현할 수 있습니다.

    설치: Pandas, NumPy 및 scikit-learn에 대한 고급 역량

    기술: RAPIDS, cuDF, cuML, XGBoost

    진행시간: 2시간

    가격: $30 (부가세 제외)

IT를 위한 과정

  • 데이터 센터에서의 AI 소개

    AI, GPU 컴퓨팅, NVIDIA AI 소프트웨어 아키텍처에 대한 소개와 데이터 센터에서 AI 워크로드를 구현하고 확장하는 방법을 살펴보십시오. AI가 사회를 어떻게 변화시키고 있는지, 그리고 이러한 변화를 촉진하기 위해 GPU 컴퓨팅을 어떻게 데이터 센터에 배포하는지에 대해서도 소개합니다. 

    설치: 엔터프라이즈 네트워킹, 스토리지 및 데이터 센터 운영에 대한 기본 지식

    기술: 인공지능, 머신러닝, 딥 러닝, GPU 하드웨어와 소프트웨어

    진행시간: 4 시간

    가격: $30 (부가세 제외)

파트너와 함께하는 온라인 교육

DLI는 최고의 교육 기관과의 협력을 통해 전 세계의 개발자 및 데이터 과학자들로 딥 러닝 교육의 범위를 확장하고 있습니다.

딥 러닝 핸즈온 교육에 관심이 있는 조직 또는 개별 학습자의 경우 DLI 인증 전문가가 진행하는 1일 워크샵 수강을 권장합니다. 조직을 위한 1일 오프라인 워크샵 혹은 온라인 교육을 요청할 수 있습니다. DLI를 통해 클라우드 내 완전히 구성된 GPU 가속 서버에 액세스할 수 있고, 진행하고 있는 연구에 실제 적용할 수 있는 최신 기술을 배우고, 이를 입증할 수 있는 인증서를 받을 수 있습니다.

 

인증서 제공

딥 러닝 워크샵

딥 러닝 기초 코스

  • 컴퓨터 비전을 위한 딥 러닝의 기초 

    성능 및 기능을 개선하기 위해 신경망을 학습하고 결과를 이용하면서 딥 러닝의 기초적인 내용을 살펴봅니다.

    이 과정에서는 신경망을 학습 및 배포하면서 딥 러닝의 기초를 배웁니다. 학습 내용

    • 이미지 분류 및 물체 감지 등의 일반적인 딥 러닝 워크플로우 구현
    • 성능 및 기능 향상을 위해 데이터, 학습 매개변수, 네트워크 구조 및 기타 전략을 이용해 실험
    • 실제 세상의 문제를 해결하기 시작하기 위해 신경망 배포

    이 과정을 완료하면 딥 러닝 관련 문제를 스스로 해결하기 시작할 수 있습니다.

    전제 조건: 함수 및 변수와 같은 기본 프로그래밍 기초에 대한 지식

    기술: Caffe, DIGITS

  • 여러 데이터 유형에 대한 딥 러닝의 기초 

    이 과정에서는 이미지 및 비디오 클립 내의 콘텐츠에 대한 효과적인 설명을 생성하기 위해 나선형 및 회귀 신경망을 결합하는 방법을 살펴봅니다.

    다음을 통해 이미지 및 비디오에서 캡션을 생성하기 위해 TensorFlow 및 MSCOCO(Microsoft Common Objects in Context) 데이터 세트를 이용하여 네트워크를 교육하는 방법을 배웁니다.

    • 이미지 세분화 및 텍스트 생성 등의 딥 러닝 워크플로우 구현
    • 데이터 유형, 워크플로우 및 프레임워크 비교 및 대조
    • 컴퓨터 비전 및 자연어 처리 결합

    이 과정을 완료하면 여러 유형의 데이터 입력이 필요한 딥 러닝 문제를 해결할 수 있게 됩니다.

    전제 조건: 기본 Python(함수 및 변수)에 대한 지식, 신경망 트레이닝 사전 경험.

    기술: TensorFlow

  • 여러 데이터 유형에 대한 딥 러닝의 기초 

    최신 딥 러닝 기법을 배워 자연어 처리(NLP)를 이용한 텍스트 입력을 이해합니다. 학습 내용:

    • 텍스트를 기계가 인식할 수 있는 표현과 전통적인 접근 방식으로 변환
    • 분산된 표현(임베딩)을 구현하고 그 속성을 이해
    • 한 언어에서 다른 언어로 기계 번역기를 트레이닝

    이 과정을 완료하면 유사한 애플리케이션에서 임베딩을 사용한 NLP에 능숙해질 것입니다.

    전제 조건: 신경망 및 Python 프로그래밍에 대한 기본적인 경험, 언어학에 대한 지식

    기술: TensorFlow, Keras

  • 다중 GPU를 위한 딥 러닝의 기본 

    자율 주행 자동차와 같은 AI 애플리케이션을 지원하는 데 사용되는 심층 신경망의 연산 요구 사항은 어마어마합니다. 단일 트레이닝 주기는 단일 GPU에 대해 수 주가 소요되거나 자율 주행 자동차 연구에 사용되는 것과 같은 대규모 데이터 세트에 대해 수년까지 소요될 수 있습니다. 딥 러닝에 다중 GPU를 사용하면 많은 데이터를 트레이닝하는 데 필요한 시간이 크게 단축되므로, 복잡한 문제를 딥 러닝으로 해결할 수 있습니다.

    이 과정은 다중 GPU를 사용하여 신경망을 트레이닝하는 방법을 가르칩니다. 학습 내용:

    • 다중 GPU 트레이닝에 대한 접근 방법
    • 대규모 트레이닝에서 발생하는 알고리즘 및 엔지니어링 문제
    • 위에서 언급한 문제를 극복하는 데 사용되는 주요 기술

    이 과정을 완료하면 TensorFlow를 사용하여 심층 신경망의 트레이닝을 효과적으로 병렬 처리할 수 있습니다.

    전제 조건: 확률적 경사 하강법 메커니즘, 네트워크 아키텍처, 병렬 컴퓨팅에 대한 경험

    기술: TensorFlow

업종 별 딥 러닝

  • 자율 주행 자동차를 위한 딥 러닝—인지

    NVIDIA DRIVE™ 개발 플랫폼을 사용하여 자율 주행 차량의 심층 신경망을 설계, 트레이닝 및 배포하는 방법을 배웁니다.

    다음과 같은 내용을 배웁니다.

    > CUDA® 코드 작업, 메모리 관리, NVIDIA DRIVE AGX™ 시스템에서의 GPU 가속화
    > 의미론적 세분화 신경망 트레이닝
    > NVIDIA® TensorRT™를 사용해 트레이닝된 신경망을 최적화하고 검증하며 배포

    이 과정을 완료하면 NVIDIA DRIVE를 사용하는 자율 주행 차량을 위한 인지 요소를 생성 및 최적화할 수 있습니다.

    전제 조건: CNN 및 C++에 대한 경험

    기술: TensorFlow, TensorRT, Python, CUDA C++, DIGITS

  • 오토인코더를 사용한 디지털 콘텐츠 생성을 위한 딥 러닝

    디지털 콘텐츠 생성을 위한 신경망 설계, 트레이닝 및 배포의 최신 기술에 대해 살펴봅니다. 학습 내용:

    • 임의의 비디오 스타일 전송에 사용되는 아키텍처적 혁신 및 트레이닝 기법 적용
    • 렌더링된 이미지를 위한 자체 노이즈 제거기 트레이닝
    • 초고해상도 AI를 통한 이미지 확대

    이 과정을 완료하면 딥 러닝 접근 방식을 이용해 디지털 자산을 생성할 수 있

    전제 조건: CNN(나선형 신경망)과 같은 딥 러닝 개념에 대한 기본 지식, Python 프로그래밍 언어에 대한 경험

    기술: Torch, TensorFlow

  • 의료 이미지 분석을 위한 딥 러닝

    이 과정은 다양한 의료 작업 및 계산을 수행하기 위해 나선형 신경망(CNN)을 MRI 스캔에 적용하는 방법을 살펴봅니다. 학습 내용

    • 좌심실 위치 파악을 위해 MRI 이미지에서 이미지 세분화를 수행
    • 심장질환 감지를 위해 MRI 스캔에 적용된 CNN을 이용해 확장기 및 수축기 사이의 차이를 측정하여 박출률을 계산
    • 1p/19q 염색체 공동 삭제 상태를 파악하기 위해 LGG(저등급 교종)의 MRI 스캔에 CNN을 적용

    이 과정을 완료하면 다양한 의료 작업 수행을 위해 MRI 스캔에 CNN을 적용할 수 있게 됩니다.

    전제 조건: 심층 신경망에 대한 기본 지식, Python 또는 유사 언어의 기본 코딩 경험

    기술: R, MXNet, TensorFlow, Caffe, DIGITS

  • 공업 검사를 위한 딥 러닝

    딥 러닝 모델을 구축하여 실제 제작 데이터 세트를 통해 NVIDIA의 인쇄 회로 기판(PCB)에서 커패시터의 검증을 자동화하는 방법을 살펴봅니다. 이렇게 하면 검증 비용을 절감하고 다양한 제조 사용 사례 전반에서 전체 생산량을 증가시킬 수 있습니다. 다음과 같은 내용을 배울 수 있습니다.

    • Pandas DataFrame 및 NumPy 라이브러리를 사용하여 제공된 데이터셋에서 유의한 인사이트를 확보합니다.
    • InceptionV3로 알려진 딥 러닝 분류 모델에 Transfer 러닝을 적용합니다.
    • TensorRT 5를 사용하여 V100 GPU에 트레이닝된 InceptionV3 모델을 최적화합니다.
    • V100의 TensorCore를 사용하여 FP16 반정밀도 빠른 추론을 테스트합니다.

    완료하면 하드웨어 가속화 산업 검사 파이프라인의 빌딩 블록을 설계, 교육, 테스트 및 배포할 수 있습니다.

    전제 조건: 기본 Python(함수 및 변수)에 대한 지식, 신경망 트레이닝 사전 경험.

    기술: TensorFlow

  • 지능형 비디오 분석(IVA)을 위한 딥 러닝

    교통 카메라 증가, 자율주행 자동차의 성장 가능성, 유망한 스마트 시티 전망을 고려할 때 보다 빠르고 효율적인 개체 감지 및 추적 모델에 대한 수요가 증가하고 있습니다. 여기에는 비디오 프레임 안에서 다양한 유형의 물체에 대한 식별, 추적, 분할, 예측이 관련됩니다.

    이 워크샵의 학습 내용·

    • 하드웨어 가속화 디코딩 방법을 사용하여 효율적으로 비디오 피드 처리 및 준비
    • 딥 러닝 모델을 트레이닝 및 평가하고 "전이 학습" 기법을 활용하여 이러한 모델의 효율성 및 정확성을 높이고 데이터 희소성 문제 완화
    • 대규모 비디오 데이터 세트에서 움직이는 물체를 추적하는 고급 신경망 모델의 개발 전략과 절충 사항 알아보기
    • DeepStream SDK를 취득하여 비디오 분석 추론 엔진 최적화 및 배포

    이 과정을 이수하면 주차장 카메라 피드를 기반으로 하드웨어 가속화 교통 관리 시스템의 빌딩 블록을 설계, 트레이닝, 테스트 및 배포할 수 있습니다.

    전제 조건: 신경망 및 Python 프로그래밍에 대한 기본적인 경험, 언어학에 대한 지식

    기술: TensorFlow, Keras

  • 로보틱스를 위한 딥 러닝

    AI는 광범위한 산업 전반에 걸쳐 로보틱스의 가속화와 발전에 혁명을 일으키고 있다. 임베디드 애플리케이션을 위한 Jetson에서 로봇 솔루션을 생성하는 방법에 대해 알아 보십시오.
    다음 방법을 배워보세요. 

    • 컴퓨터 비전 모델을 적용하여 탐지 수행
    • 임베디드 애플리케이션을 위한 모델 구축 및 최적화
    • 시각적 입력에 기반한 올바른 출력으로 작동되도록 로봇 트레이닝

    작업이 완료되면 로보틱스를 위한 고성능 딥러닝 애플리케이션을 구축하는 방법을 알게 될 것이다.

    요구되는 배경 지식: 딥 뉴럴 네트워크에 대한 기본 지식과 경험, 파이썬이나 유사 언어로 된 기본 코딩 경험

  • 이상 탐지를 위한 AI 애플리케이션

    전 세계 통신 인프라를 통해 이동하는 정보의 양으로 인해 통신 인프라는 인류가 여태까지 구축했던 것 중 가장 복잡하고 역동적인 시스템 중 하나가 되었습니다. 이 워크샵에서는 다중 AI 기반 솔루션을 구현하여 네트워크 침입을 파악하고 중요한 통신 문제를 해결합니다.

    워크샵 학습 내용

    •  3가지 다른 이상 감지 기법(가속화 XGBoost, 딥 러닝 기반 오토인코더, GAN(Generative Adversarial Network)) 구현
    • 지지도 머신 러닝 기반 솔루션과 비지도 머신 러닝 기반 솔루션의 구축 및 비교
    • 최신 컴퓨팅 접근 방법의 이점을 얻을 수 있는 업계 내 다른 사용 사례 논의

    이 과정을 완료하면 지도 머신 러닝 및 비지도 머신 러닝을 사용하여 대규모 데이터 세트에서 이상 현상을 감지할 수 있습니다.

    전제 조건: CNN 및 Python에 대한 경험

    기술: RAPIDS, Keras, GAN, XGBoost

  • 예방적 유지 관리를 위한 AI 애플리케이션

    시계열 데이터에서 이상 현상 및 고장을 파악하고, 해당 부품의 유효 수명을 예측하며, 이 정보를 사용해 고장으로 이어질 수 있는 이상 현상을 식별할 수 있습니다.

    학습 내용

    • 예방적 유지 보수를 활용하여 고장을 관리하고, 비용을 발생시키는 예상치 못한 가동 중지를 방지
    • 비용을 발생시키는 고장으로 이어질 수 있는 현상을 식별하기 위한 핵심 과제 파악
    • 시계열 데이터와 XGBoost를 통한 머신 러닝 분류 모델을 사용해 결과 예측
    • LSTM(Long Short-Term Memory) 기반 모델을 사용해 예방적 유지 관리 절차를 적용하여 장치 고장 예측
    • 이전 단계의 시계열 시퀀스를 사용하여 이상 현상을 감지하기 위한 오토인코더 실험

    이 과정을 완료하면 AI를 이용하여 장비의 상태를 예측하고 유지 관리를 수행해야 할 때를 예측하는 방법을 이해합니다.

    전제 조건: Python 및 심층 신경망에 대한 경험

    기술: TensorFlow, Keras

가속 컴퓨팅 워크샵

  • CUDA C/C++를 사용한 가속 컴퓨팅의 기초 

    CUDA 컴퓨팅 플랫폼은 세계에서 가장 빠른 초병렬 GPU에서 실행할 수 있도록 CPU 전용 애플리케이션의 가속화를 지원합니다. 다음에 의한 C/C++ 애플리케이션 가속화를 경험

    • GPU에서 잠재 병렬 처리를 실행하기 위해 CPU 전용 애플리케이션 가속화
    • 가속화된 애플리케이션을 최적화하기 위해 필수적인 CUDA 메모리 관리 기법 활용
    • 가속화된 애플리케이션의 동시 실행에 대한 잠재성을 노출하고 CUDA 스트림으로 이를 활용
    • 작업 가이드 및 확인을 위해 Nsight 시스템을 활용하세요

    완료 즉시 가장 필수적인 CUDA 기법과 Nsight 시스템을 사용하여 기존 C/C++ CPU 전용 애플리케이션을 가속 및 최적화할 수 있습니다. 가속화된 애플리케이션을 빠르게 발송할 수 있는 반복적인 CUDA 개발 스타일을 이해하게 될 것입니다.

    전제 조건: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 C/C++ 기초 이해.

    기술: C/C++, CUDA

  • CUDA Python 을 활용한 컴퓨팅 가속화 기초 강의

    이 워크샵에서는 파이썬 프로그램을 CPU 병렬가속화 하기 위해 Numba-Just-In-Time Python 함수 컴파일러-를 어떻게 사용할 수 있는지 배웁니다. 해당 강의를 통하여 아래 내용을 학습할 수 있습니다 :

    • Numba를 사용하여 NumPy 범용 함수 (ufuncs)에서 CUDA 커널 컴파일
    • Numba를 사용하여 CUDA 커널을 만들고 실행
    • 핵심 GPU 메모리 관리 기법 적용

    학습을 완료하면 Numba를 사용하여 CUDA 커널을 컴파일하고 실행하여 NVIDIA GPU에서 Python 응용 프로그램을 가속화 할 수 있습니다.

    전제 조건: 변수 유형, 루프, 조건문, 함수 및 어레이 처리에 대한 지식을 포함하는 Python 기초 이해. ndarrays 및 ufuncs 사용을 포함하는 NumPy에 대한 이해

    기술: CUDA, Python, Numba, NumPy

가속화 데이터 사이언스 워크샵

  • RAPIDS를 사용한 가속화 데이터 사이언스의 기초

    RAPIDS는 데이터 사이언스 라이브러리의 집합체로 데이터 사이언스 워크플로를 위한 엔드 투 엔드 GPU 가속화를 가능하게 합니다. 교육 학습 내용

    • cuDF와 Dask를 사용하여 대규모 데이터 세트를 GPU에서 직접 얻어 내고 조작
    • XGBoost, cuGRAPH, cuML과 같은 다양한 GPU 가속화 머신 러닝 알고리즘을 적용하여 대규모 데이터 분석 수행
    • 영국에 영향을 미치는 가상의 전염병 발생을 피하려는 노력의 일환으로 대규모 데이터 세트에서 다중 분석 작업을 수행

    이 과정을 완료하면 전보다 훨씬 빠르게 데이터를 로드하고 조작하며 분석할 수 있으므로, 반복 주기를 향상하고 생산성을 대폭 개선할 수 있습니다.

    전제 조건: Python에 대한 경험(pandas 및 NumPy를 포함하면 이상적)

    기술: RAPIDS, NumPy, XGBoost, DBSCAN, K-Means, SSSP, Python

네트워킹 워크샵

엔터프라이즈 솔루션

더욱 포괄적인 엔터프라이즈 교육에 관심이 있으시다면 DLI 엔터프라이즈 솔루션이 귀 조직의 고유한 요구 사항을 충족하는 교육 및 강의 패키지를 제공합니다. 온라인 및 핸즈온 교육부터 임원 보고 및 엔터프라이즈 수준의 보고까지, DLI는 고객사가 AI 조직으로 전환하는 과정을 도와드릴 수 있습니다. 자세히 알아보시려면 문의해 주십시오.

워크숍 일정 안내

만약 향후 진행될 DLI 워크숍 일정에 대한 안내를 받고 싶다면 아래에서 알림 받기 신청을 하세요.

CUMULUS BOOTCAMPS

NVIDIA 파트너 주관 트레이닝

NVIDIA DLI는 대학 교육자를 위한 다운로드 가능한 강의 자료를 제공할 뿐만 아니라 DLI 교육용 키트를 통해 학생들에게 스스로 학습할 수 있는 온라인 교육을 제공하고 있습니다. 교육자는 대학교 앰배서더 프로그램(University Ambassador Program)을 통해 해당 대학교 캠퍼스에서 DLI 워크샵을 진행할 수 있는 인증을 취득할 수 있습니다.

Teaching Kits

DLI 교육용 키트는 딥 러닝, 가속화 컴퓨팅, 로보틱스 전반의 과정 솔루션에 관심이 있는 자격 있는 대학 교육자에게 제공됩니다. 교육자는 강의 자료, 핸즈온 세션, GPU 클라우드 리소스 등을 커리큘럼에 통합할 수 있습니다. 

 

NVIDIA 교육용 키트로 교육 과정 개선

University Ambassador Program

인증된 교육자들은 DLI 대학교 앰배서더 프로그램(University Ambassador Program)을 통해 학부, 학생, 연구자를 대상으로 핸즈온 DLI 워크샵을 무료로 진행할 수 있습니다. 교육자는 DLI 교육용 키트를 다운로드해서 앰배서더 프로그램(Ambassador Program) 참여 자격을 얻을 것을 권장합니다.

 

교육의 지평을 확장

DLI는 다음을 비롯한 수백 개의 대학에서 인증된 대학교 앰배서더를 갖추고 있습니다.

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

파트너

DLI는 산업 파트너와 협력하여 DLI 콘텐츠를 구축하고 전 세계에 Instructor 주도형 DLI 워크숍을 제공하고 있습니다. 당사의 주요 파트너는 다음과 같습니다.