Profissional Certificado pela NVIDIA

Ciência de Dados Acelerada

(NCP-ADS)

Sobre Esta Certificação
Preparação para o Exame
Roteiro do Exame
Fale Conosco
Fique por Dentro

Sobre Esta Certificação
Preparação para o Exame
Roteiro do Exame
Fale Conosco
Fique por Dentro

Sobre Esta Certificação

A certificação NCP em Ciência de Dados Acelerada é uma credencial de nível intermediário que valida a proficiência de um candidato em aproveitar ferramentas e bibliotecas aceleradas por GPU para workflows de ciência de dados. O exame é on-line e supervisionado remotamente, inclui 60 a 70 perguntas e tem um limite de tempo de 90 minutos.

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

Se você tiver dúvidas, fale conosco aqui.

Detalhes do Exame de Certificação

Duração: 90 minutos

Preço: US$ 200

Nível de certificação: Profissional

Assunto: ciência de dados avançada

Número de perguntas: 60–70

Pré-requisitos: dois a três anos de experiência prática em ciência de dados acelerada. Base sólida em Machine Learning e computação acelerada por GPU. Experiência em estratégias de otimização baseadas em GPU e técnicas de manipulação de dados acelerada. Compreensão profunda de workflows de ciência de dados de ponta a ponta, desde a preparação e limpeza de dados até o desenvolvimento e implantação de modelos, com foco no aproveitamento da aceleração de GPU para aprimorar o desempenho e a eficiência.

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

Os tópicos abordados no exame incluem:

Análise de Dados
Manipulação de dados e educação em software
Preparação de Dados
GPU e computação em cloud
Machine Learning
MLOps

Público-alvo

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

Treinamento Recomendado

Aceleração de Workflows de Ciência de Dados de Ponta a Ponta

Um curso em ritmo individual no qual você aprenderá a criar e executar workflows de ciência de dados acelerada por GPU de ponta a ponta, permitindo que você explore, itere e coloque seu trabalho em produção rapidamente.

Saiba Mais

Conceitos Básicos da Ciência de Dados Acelerada

Este curso aborda o mesmo material que “Acelerando Workflows de Ciência de Dados de Ponta a Ponta”, mas é ministrado como um workshop ao vivo liderado por instrutores. Nele, você aprenderá a usar ferramentas aceleradas por GPU para conduzir a ciência de dados mais rapidamente, obtendo resultados mais escaláveis, confiáveis e econômicos.

Saiba Mais

Aprimorando os Resultados da Ciência de Dados com Workflow Eficiente

Neste workshop conduzido por instrutores, você aprenderá a desenvolver e implantar um pipeline de processamento de dados acelerado de ponta a ponta para grandes conjuntos de dados.

Saiba Mais

Guia de Estudo para o Exame

Conheça o Guia de Estudos

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
Análise de Dados	14%	Detecção de anomalias em um conjunto de dados de séries temporais Condução de análises de séries temporais Criação e análise de dados de gráficos usando algo como o cuGraph Identificação do volume de dados que constitui big data (ou quando usar qual método de aceleração) Realização de análise exploratória de dados (EDA) Visualização de dados de séries temporais
Manipulação de dados e educação em software	19%	Projeto e implementação de workflows de extração, transformação e carregamento (ETL) usando processos de ETL acelerados Implementação do cache de dados para reduzir o embaralhamento Uso de frameworks de processamento de dados distribuídos para processar big data Implementação do paralelismo de dados usando o Dask para dimensionamento de várias GPUs Criação de perfis de modelos de deep learning usando ferramentas como o DLProf Determinação da biblioteca de processamento de dados ideal para usar para conjuntos de dados de diferentes tamanhos
Preparação de Dados	17%	Realização da limpeza e pré-processamento de dados usando CuDF e pandas Transformação e padronização de dados Padronização de dados conforme necessário para garantir a uniformidade entre recursos Geração de dados sintéticos para aumentar os conjuntos de dados usando o cuDF e o NVIDIA RAPIDS™ Identificação e aquisição de conjuntos de dados Monitoramento de pipelines de processamento de dados para reconhecer gargalos Processamento, organização e armazenamento de conjuntos de dados
GPU e computação em cloud	16%	Análise de dados de gráficos usando ferramentas aceleradas por GPU, como o cuGraph Otimização do desempenho do processo de ciência de dados por meio da aceleração da GPU Descrição, acompanhamento e execução do processo CRISP-DM Utilização de frameworks de gerenciamento de dependências, como Docker e Conda, para gerenciar conflitos de versões de software Determinação da escolha do tipo de dados ideal para cada atributo Comparação do desempenho de frameworks mediante o projeto e implementação de um benchmark
Machine Learning	15%	Engenharia de recursos Identificação do volume de dados que constitui big data (ou quando usar qual método de aceleração) Realização de experimentação rápida para encontrar o equilíbrio entre a precisão do modelo e o desempenho da inferência Otimização de hiperparâmetros de modelos de Machine Learning Treinamento de modelos de Machine Learning, comparando cenários de GPU única e multi-GPU Uso de técnicas de otimização de memória de GPU, como batching e precisão mista, para treinar modelos de Machine Learning
MLOps	19%	Determinação da escolha do tipo de dados ideal para cada atributo Avaliação e verificação do tamanho da memória de um conjunto de dados Comparação da memória necessária com a memória disponível em um dispositivo Realização de benchmarking e otimização de diferentes workflows acelerados por GPU Implantação e monitoramento de modelos em produção

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.