講師指導的實作訓練

NVIDIA 深度學習機構 (DLI) 提供人工智慧、加速運算和加速資料科學的實作訓練課程，協助開發人員、資料科學家及其他專家解決最具挑戰性的難題。這些深度實作坊由各領域專家講授，提供領先業界的技術知識，為個人和組織帶來突破性成果。 完成全天實作坊後便可取得 NVIDIA DLI 認證，證明你具備相關主題的能力，加速自我專業職涯成長。

由講師遠端授課的實作坊

可存取雲端 GPU 加速的工作站，瞭解如何運用最新的深度學習工具、框架和 SDK 來訓練、最佳化和部署神經網路。

感謝本次 DLI 實作坊贊助商：

MS

實作坊課程

運用於智慧影片分析的深度學習技術

運用於智慧影片分析的深度學習技術

日期與時間：10 月 6 日 10:00 – 18:00  (台灣時間)

由於交通攝影機日益增加、自駕車蓬勃發展和智慧城市的前景可期，對於更快速及更有效率的物件偵測與追蹤模型的需求也逐漸提高。這包含在影片畫面中辨識、追蹤、分割和預測不同類型的物件。

參加本實作坊可學會：

  • 使用硬體加速解碼方法，有效率地處理和準備影片內容
  • 訓練和評估深度學習模型，並運用「轉移學習」技術來提升這些模型的效率和準確性，以減少資料匱乏的問題
  • 探索研發高品質神經網路模型所需的策略與平衡，以追蹤龐大影片資料集中的移動物體
  • 取得 DeepStream SDK 以最佳化和部署影片分析推論引擎

完成後，你就能利用停車場攝影機所蒐集的內容，設計、訓練、測試和部署硬體加速交通管理系統的建置組塊。

打造智慧推薦系統

深度學習技術的推薦系統，正是提供個人化線上體驗的秘方，也是零售、娛樂、醫療照護、金融與其他產業的強大決策支援工具。本次實作坊的內容，涵蓋了建立高效率推薦系統所需的基本工具和技術，也會說明如何部署 GPU 加速的解決方案以即時提供推薦。

參加本實作坊可學會:

  • 使用開放原始碼 cuDF 函式庫和 Apache Arrow 建立以內容為基礎的推薦系統
  • 使用交替最小平方 (ALS) 和 CuPy 建立協作式篩選推薦系統
  • 使用 TensorFlow 2 設計出兼具廣度和深度的神經網路，打造混合式推薦系統
  • 使用大型的稀疏資料集，達到最佳訓練和推論效能
  • 將推薦模型部署為具備高效能的網路服務
打造智慧推薦系統
打造以轉譯器為基礎的自然語言處理應用程式

打造以轉譯器為基礎的自然語言處理應用程式

探索如何將以轉譯器為基礎的自然語言處理模型運用於文字分類工作，例如分類文件。你將會學到如何利用以轉譯器為基礎的模型來處理命名實體識別 (NER) 工作，以及如何分析各種模型功能、限制和特性，以便依據指標、領域獨特性和可用資源，判斷何種模型最適合特定使用案例。

參加本實作坊可學會:

  • 瞭解文字內嵌如何在 NLP 工作中迅速進化，例如 Word2Vec、遞歸神經網路 (RNN) 型內嵌及轉譯器
  • 瞭解轉譯器架構功能 (尤其是自我注意力機制) 是如何用於建立語言模型，而無需 RNN
  • 使用自我監督技術提升 BERT、Megatron 和其他變體中的轉譯器架構，以達到優異的 NLP 成果 
  • 利用預先訓練的現代 NLP 模型處理多項工作，例如文字分類、NER 和問答系統
  • 管理推論挑戰，並部署即時應用程式的微調模型

運用 CUDA Python 加速運算的基本原理

本課程帶領你探索如何及時運用特殊化類型的 Python 函數編譯器 Numba，以在大型平行 NVIDIA GPU 上加速執行 Python 程式。

你將學會:  

  • 透過 NumPy 通用函數 (ufuncs) 使用 Numba 編譯 NVIDIA(R) CUDA(R) 核心
  • 使用 Numba 建立並啟動自訂 CUDA 核心
  • 應用關鍵 GPU 記憶體管理技術 
完成本課程後，你將能夠使用 Numba 編譯並啟動 CUDA 核心，藉以加速 NVIDIA GPU 上的 Python 應用程式。
運用 CUDA Python 加速運算的基本原理
適用於預測性維護的人工智慧應用

適用於預測性維護的人工智慧應用

瞭解如何辨識時間序列資料中的異常和故障狀況、預估對應零件的剩餘使用年限，並利用這份資訊對應異常狀況與故障條件。  

你將學會:

  • 運用預測性維護來管理故障狀況，並避免代價高昂的意外停機時間 >為了避免變成代價高昂的故障，在找出異常狀況時辨識主要挑戰
  • 使用時間序列資料預測利用 XGBoost 機器學習分類模型的結果
  • 透過長短期記憶體 (LSTM) 模型預測裝置故障，進而應用於預測性維護程序
  • 使用先前步驟的時間序列順序，嘗試以自動編碼器偵測異常狀況 完成後，你將瞭解如何使用人工智慧預測設備狀況，並預估執行維護的時間。

運用 RAPIDS 加速資料科學的基本原理

日期與時間：10 月 7 日 10:00 – 18:00  (台灣時間)

NVIDIA RAPIDS™ 是資料科學函式庫的集合，可為端對端的資料科學工作流程提供 GPU 加速。

在本訓練中，你將學會： 

  • 利用 cuDF 與 Dask 直接在 GPU 上擷取和處理大量的資料集 
  • 應用各種 GPU 加速的機器學習演算法，包括 XGBoost、cuGRAPH 和 cuML，以執行大規模資料分析
  • 對大量資料集執行多項分析任務，以防止模擬流行疾病在英國爆發

完成後，你就能快速載入、處理與分析更大數量級的資料，進而增加迭代周期並大幅提升生產力。

運用 RAPIDS 加速資料科學的基本原理

想要參與更多訓練嗎？

NVIDIA 深度學習機構 (DLI) 提供雲端 GPU 加速的工作站所支援的線上訓練，進度可自行安排。

立即深入瞭解
參加
探索
更多