GTC 컨퍼런스 등록비

전제 조건: 함수, 루프, 딕셔너리, 배열 등 Python 3의 기본 프로그래밍 개념에 대한 이해, Pandas 데이터 구조에 대한 지식, 회귀 라인 계산 방법에 대한 이해.

기술: Tensorflow 2 with Keras, Pandas

설명: 딥 러닝은 개체 감지, 음성 인식, 언어 번역 등의 작업에 첨단 수준의 정확도를 제공할 수 있도록 다중 계층 인공 뉴럴 네트워크를 사용하는 강력한 AI 접근 방식입니다. 컴퓨터는 딥 러닝을 사용하여 전문가가 작성한 소프트웨어에는 너무 복잡하거나 미묘하다고 간주되는 데이터에서 패턴을 학습하고 인식할 수 있습니다.

이 워크숍에서는 딥 러닝이 컴퓨터 비전 및 자연어 처리 분야의 실습 예제를 어떻게 해결하는지 알아봅니다. 고도로 정확한 결과를 얻기 위해 처음부터 도구와 요령을 익히며 딥러닝 모델을 훈련해 보세요. 또한 무료로 이용 가능한, 사전 준비 트레이닝 첨단 모델을 활용하여 시간을 절약하고 딥 러닝 애플리케이션을 빠르게 시작해 실행하는 방법을 알아봅니다.

이 워크숍 참여 시 학습 내용:
- 딥 러닝 모델 트레이닝에 필요한 기본 기술과 도구 학습
– 일반적인 딥 러닝 데이터 유형 및 모델 아키텍처에 대한 경험 축적
– 모델 정확도 향상을 위해 데이터 증가를 통해 데이터세트 강화
– 모델 간 전이 학습(Transfer Learning)을 활용해 더 적은 데이터와 컴퓨팅 성능으로 효율적인 결과 달성
– 첨단 딥 러닝 프레임워크로 자체 프로젝트를 수행할 수 있는 자신감 획득

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

기술: C/C++, CUDA

설명: CUDA 컴퓨팅 플랫폼을 이용하면 세계에서 가장 빠른 초병렬 GPU에서 실행할 수 있도록 CPU 전용 애플리케이션을 가속화할 수 있습니다. 다음에 의한 C/C++ 애플리케이션 가속화를 경험합니다.

- GPU에서 잠재 병렬 처리를 실행하기 위해 CPU 전용 애플리케이션 가속화
- 가속화된 애플리케이션을 최적화하기 위해 필수적인 CUDA 메모리 관리 기법 활용
- 가속화된 애플리케이션의 동시성 잠재력을 드러내고 CUDA 스트림으로 이를 활용 - Nsight 시스템을 활용하여 작업 가이드 및 점검
- 수료 시 가장 필수적인 CUDA 기술과 Nsight 시스템을 사용하여 기존 C/C++ CPU 전용 애플리케이션을 가속화 및 최적화할 수 있습니다. 가속화된 애플리케이션을 빠르게 출시할 수 있는 CUDA 개발의 반복적 스타일을 이해하게 됩니다.

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

기술: RAPIDS, cuDF, XGBoost, cuML, cuGraph, Dask, cuPy, pandas, NumPy, Bokeh

설명: 빠르게 탐색하고 반복하며 작업을 생산으로 연결하는 데 도움을 주는 엔드 투 엔드 GPU 가속 데이터 사이언스 워크플로우를 구축 및 실행하는 방법을 배웁니다. RAPIDS™ 가속 데이터 사이언스 라이브러리를 사용하면 XGBoost, cuGRAPH의 단일 소스 최단 경로, cuML의 KNN, DBSCAN 및 로지스틱 회귀를 포함한 다양한 GPU 가속 머신 러닝 알고리즘을 적용하여 대규모 데이터 분석을 수행할 수 있습니다.

워크숍 학습 내용:
- cuDF 및 Apache Arrow 데이터 프레임을 사용하여 GPU 가속 데이터 준비 및 특성 추출 구현
- XGBoost 및 다양한 cuML 알고리즘을 사용하여 광범위한 GPU 가속 머신 러닝 작업 적용
- cuGraph를 통해 GPU 가속 그래프 분석을 실행하여 짧은 시간에 대규모 분석 달성
- cuGraph 루틴을 사용하여 대규모 그래프 분석을 빠르게 달성

전제 조건:
- Python 코딩 경험과 라이브러리 함수 및 매개변수 사용
- TensorFlow, PyTorch 또는 Keras 등의 딥러닝 프레임워크에 대한 기초적인 이해
- 뉴럴 네트워크에 대한 기본적인 이해

기술: PyTorch, pandas, NVIDIA NeMo™, NVIDIA Triton™ Inference Server

설명: 대규모 문서 또는 초록 라이브러리에서 특정 유형의 문서를 식별하는 등의 "텍스트 분류" 작업에 NLP(자연어 처리) 트랜스포머 기반 모델을 사용하는 방법을 배웁니다. 또한 "명명된 엔터티 인식(NER)" 작업을 위해 트랜스포터 기반 모델을 활용하는 방법과 지표, 도메인 특수성, 사용 가능한 리소스를 바탕으로 특정 사용 사례에 가장 적합한 모델이 어느 것인지 결정하기 위해 다양한 모델 기능, 구속 조건 및 특성을 분석하는 방법도 배웁니다.

다음과 같은 내용을 배울 수 있습니다.
-언어 번역을 위해 PyTorch에서 트랜스포머 뉴럴 네트워크 구축
-사전 학습된 BERT 변형 모델을 사용해 텍스트 분류 프로젝트를 구축하여 초록 분류
- 텍스트에서 질병 이름을 식별하기 위해 사전 학습된 도메인 특정 모델을 사용하여 명명된 엔터티 인식(NER) 프로젝트 구축
-NVIDIA Triton에 NLP 추론 프로젝트 배포

전제 조건: 리스트 내포에 대한 이해 등 Python 관련 중급 지식, Python을 활용한 데이터 사이언스 경험, NumPy 및 행렬 수학에 대한 지식

기술: CuDF, CuPy, TensorFlow 2, NVIDIA Merlin, NVTabular 및 NVIDIA Triton™ 추론 서버

설명: 딥 러닝 기반 추천 시스템은 소매, 엔터테인먼트, 헬스케어, 금융 및 기타 산업에서 맞춤형 온라인 경험과 강력한 의사 결정 지원 도구를 뒷받침하는 중요한 요소입니다.

추천 시스템은 수많은 사람들의 선호 사항, 이전 결정 및 기타 특성을 이해하여 작동합니다. 뉴럴 네트워크를 트레이닝해 이런 산더미 같은 데이터를 일반화하고 유사한 개인이나 상황에 대해 특정한 추천을 신속하게 제공하는 데에는 막대한 양의 컴퓨팅이 필요합니다. GPU는 이러한 컴퓨팅 작업을 대폭 가속화할 수 있습니다.

이 워크숍에서는 매우 효과적인 추천 시스템을 구축하기 위한 기본 도구와 기술뿐 아니라 실시간 추천을 위해 GPU 가속화 솔루션을 배포하는 방법도 다룹니다.

이 워크숍 참여 시 학습 내용:
- 오픈소스 cuDF 라이브러리 및 Apache Arrow를 사용해 콘텐츠 기반 추천 시스템 구축
- Alternating Least Square(ALS) 및 CuPy를 사용해 공동 필터링 추천 시스템 구성
- TensorFlow 2 및 NVTabular 데이터 로더를 사용해 폭넓은 딥 뉴럴 네트워크를 설계하여 하이브리드 추천 시스템 구축
- 대규모의 희소 데이터세트를 사용해 트레이닝과 추론 모두의 성능 최적화
- 추천 시스템 모델을 고성능 웹 서비스로 배포

전제 조건: CNN 및 Python에 대한 경험

기술: RAPIDS, Keras, GAN, XGBoost

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

워크숍 학습 내용
- 세 가지의 이상 탐지 기술 구현: 가속화 XGBoost, 딥 러닝 기반 오토인코더, GAN(Generative Adversarial Networks)
- 지도 학습 구축 및 비지도 학습 기반 솔루션과 비교
- 최신 컴퓨팅 접근 방식을 활용하는 산업 내 다른 사용 사례에 대해 논의
- 이 과정을 완료하면 지도 머신 러닝 및 비지도 머신 러닝을 사용하여 대규모 데이터 세트에서 이상 현상을 감지할 수 있습니다.