Associado Certificado pela NVIDIA

Ciência de Dados Acelerada

(NCA-ADS)

Sobre Esta Certificação
Preparação para o Exame
Roteiro do Exame
Fale Conosco

Sobre Esta Certificação
Preparação para o Exame
Roteiro do Exame
Fale Conosco

Sobre Esta Certificação

A certificação NCA-Accelerated Data Science é uma credencial de nível intermediário que valida a proficiência do candidato em aproveitar ferramentas e bibliotecas aceleradas por GPU para workflows de ciência de dados. O exame é on-line e supervisionado remotamente, inclui 50 a 60 perguntas e tem um limite de tempo de 60 minutos.

Revise cuidadosamente nossas Perguntas Frequentes de certificação e políticas de exame antes de agendar seu exame.

Se você tiver dúvidas, fale conosco aqui.

Nota Importante: para acessar o exame, você precisará criar uma conta do Certiverse.

Detalhes do Exame de Certificação

Duração: 60 minutos

Preço: US$ 125

Nível de certificação: Associado

Assunto: ciência de dados avançada

Número de perguntas: 50–60

Pré-requisitos: 1–2 anos de experiência em ciência de dados acelerada, usando ferramentas baseadas em GPU para processar e analisar com eficiência grandes conjuntos de dados e melhorar o desempenho das cargas de trabalho de Machine Learning, ETL e análise.

Idioma: Inglês

Validade: Dois anos a partir da data de emissão. A recertificação pode ser obtida por meio de uma nova submissão ao exame.

Credenciais: Após a aprovação no exame, os participantes receberão um selo digital e um certificado opcional indicando o nível de certificação e o tópico.

Preparação para o Exame

Assuntos Abordados no Exame

Estruturas de Dados Avançadas
Manipulação e Preparação de Dados
Pipelines de Ciência de Dados e Automação de Workflows.
Análise Descritiva e Visualização
Conceitos Básicos da Ciência de Dados Acelerada
Práticas Introdutórias de MLOps
Machine Learning com o NVIDIA RAPIDS™
Gerenciamento de Software e Ambiente

Público-alvo

Cientistas de dados
Analistas de Dados
Engenheiros de Dados
Engenheiros de machine learning
Engenheiros de DevOps para IA
Engenheiros de software
Arquitetos de soluções
Engenheiros de desempenho de deep learning
Pesquisadores

Trilha de Aprendizagem de Certificação

Aceleração de Workflows de Ciência de Dados de Ponta a Ponta

Neste curso em ritmo autônomo, você aprenderá a criar e executar workflows de ciência de dados de ponta a ponta acelerados por GPU que permitirão que você explore, itere e coloque seu trabalho em produção rapidamente.

Observação: esse curso também é oferecido como um workshop ministrado por instrutor.

Saiba Mais Sobre Este Curso

Introdução à Previsão de Séries Temporais

Em breve!

Melhores práticas em engenharia de recursos para dados tabulares com aceleração de GPU

Saiba como melhorar o desempenho de modelos para grandes conjuntos de dados por meio da engenharia de recursos usando bibliotecas Python aceleradas por GPU.

Saiba Mais Sobre Este Curso

Guia de Estudo para o Exame

EM BREVE.

Roteiro do Exame

A tabela abaixo fornece uma visão geral das áreas abordadas no exame de certificação e quanto do exame é focado em cada assunto.

Áreas Temáticas	% do Exame	Tópicos Abordados
Manipulação e Preparação de Dados	23%	Integração, união e manipulação de dados usando o NVIDIA cuDF e pandas Limpeza de dados, manuseio de qualidade e conformidade com a governança Workflows de ETL acelerados por GPU com RAPIDS, Dask ou Spark Engenharia de recursos para variáveis numéricas e categóricas Lidando com o desequilíbrio de classes e gerando dados sintéticos Redução da dimensionalidade e amostragem de dados Processamento e armazenamento eficientes com o Parquet e frameworks modernos
Machine Learning com o RAPIDS	16%	Treinamento de modelos acelerado por GPU com o NVIDIA cuML e XGBoost Técnicas de regressão, classificação e agrupamento Avaliação, comparação e generalização de modelos Ajuste e otimização de hiperparâmetros Métodos de validação cruzada Métricas de desempenho e interpretação de matriz de confusão
Pipelines de Ciência de Dados e Automação de Workflows.	13%	Design de pipeline de ciência de dados end-to-end Engenharia de recursos, seleção e transformação para melhoria de modelos Mitigando o subajuste e o excesso de ajuste por meio de ajustes de modelos e características Aumento e integração do conjunto de dados para dados de treinamento melhorados Automação e escalabilidade dos workflows de ciência de dados Criação de pipelines reproduzíveis com RAPIDS e Dask
Análise Descritiva e Visualização	13%	Análise de dados exploratórios (EDA) e estatística descritiva Visualização Selecionando gráficos apropriados para diferentes objetivos de análise Teste de hipóteses e avaliação de significância estatística Interpretando padrões, tendências e relacionamentos em dados
Conceitos Básicos da Ciência de Dados Acelerada	12%	Conceitos básicos do Python para análise de dados (NumPy, pandas, Jupyter) Principais conceitos e vantagens de aceleração de GPU para ciência de dados Cargas de trabalho de CPU e GPU e otimização de transferência de memória Workflow de ciência de dados de ponta a ponta (ingest, ETL, limpar, transformar) Frameworks de computação distribuída versus frameworks de computação acelerados por GPU Parâmetros de modelos, ajuste e conceitos de sobreajuste versus subajuste
Práticas Introdutórias de MLOps	10%	Monitoramento e otimização de pipelines de Machine Learning (ML) para desempenho e confiabilidade Gerenciamento e rastreamento de experimentos com o MLflow, Weights & Biases e ferramentas personalizadas Salvamento de modelos, carregamento e geração de previsão Monitoramento de modelos de produção para deriva e degradação de desempenho Gerenciamento de artefatos e configurações de modelos para reprodutibilidade Benchmarking de workflows e como escolher o hardware ideal
Estruturas de Dados Avançadas	7%	Manipulação de dados de séries temporais, divisão e avaliação do processo de previsão Gerenciamento de marcadores de tempo ausentes ou irregulares com interpolação cuDF Comparação de desempenho entre CPU e GPU para análise temporal Representação e análise de dados baseadas em gráficos Avaliação da importância dos nós e visualização de relacionamento de rede
Gerenciamento de Software e Ambiente	6%	Contribuindo para a reprodutibilidade em projetos de ciência de dados, mantendo arquivos de ambiente Configurando ambientes Python reproduzíveis usando o Conda, PIP ou Docker Gerenciando dependências de software com eficiência e colaborando em ambientes de ciência de dados com vários usuários Realizando a verificação de ambiente de GPU (compatibilidade de driver/CUDA/RAPIDS, nvidia-smi, visibilidade de dispositivo) e resolvendo um conflito de dependência Compreensão dos conceitos básicos do controle de versão usando o git

Seja um Profissional Certificado

Inscreva-se agora para dar o próximo passo em sua carreira com uma certificação reconhecida pelo setor.

Inscreva-se para o Exame

Fale Conosco

A NVIDIA oferece treinamento e certificação para profissionais que desejam aprimorar suas habilidades e conhecimentos no campo da IA, computação acelerada, ciência de dados, redes avançadas, gráficos, simulação e muito mais.

Fale conosco para saber como podemos ajudar você a alcançar seus objetivos.

Fale Conosco

Mantenha-se em Dia

Receba notícias, anúncios e muito mais da NVIDIA, incluindo as informações mais recentes sobre novos treinamentos autoguiados, workshops liderados por instrutores, treinamento gratuito, descontos e muito mais. A inscrição pode ser cancelada a qualquer momento.