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。

推薦系統會去瞭解許多人的偏好選擇、先前做出的決定及其他特徵,以此方式發揮功用。舉例來說,推薦系統可以根據一個人先前看過的電影以及瞭解的語言,來預測他會喜歡的電影類型。要訓練神經網路歸納這類龐大資料,並迅速針對相似的個人或情況提供特定建議,會需要經過大量運算,而 GPU 可大幅加快運算速度。若公司組織希望能提供更加愉快的使用者體驗、與客戶有更深度的互動,以及下達更為明智的決策,運用設計妥當且經過訓練的推薦系統,就能大幅提升價值。

本次實作坊的內容,涵蓋了建立高效推薦系統所需的基本工具和技術,並會說明如何部署 GPU 加速的解決方案以即時提供推薦。

 

學習目標


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(alternating least squares,ALS)和 CuPy 建立協作式篩選推薦系統
  • 使用 TensorFlow 2 設計出兼具寬度和深度的神經網路,打造混合式的推薦系統
  • 使用大型的稀疏資料集,達到最佳的訓練和推論效能
  • 將推薦模型部署為高效能網路服務

下載實作坊大綱與簡介 (PDF 79.8 KB)

實作坊大綱

概覽
(15 分鐘)
  • 認識講師。
  • 在 courses.nvidia.com/join 建立帳號
矩陣推薦系統
(120 分鐘)
使用奇異值分解(singular value decomposition,SVD)執行協作式篩選:
  • 使用 CuPy 將稀疏資料讀取至 GPU。
  • 根據 NumPy 廣播規則來有效率地執行 ALS。
  • 使用 cuDF 建立以內容為基礎的篩選條件。
休息時間 (60 分鐘)
訓練兼具寬度和深度的推薦系統
(120 分鐘)
使用 TensorFlow 2 建立兼具寬度和深度的網路:
  • 使用 Keras 建立深度網路。
  • 使用 TensorFlow 特徵欄位建立兼具寬度和深度的網路。
  • 使用 tf.data 有效率地擷取訓練資料。
  • 案例研究 1:查看推薦系統模型架構的實際案例。
休息時間 (15 分鐘)
將推薦系統部署至現實環境的挑戰
(120 分鐘)
在現實環境中部署推薦系統:
  • 取得用於部署的訓練模型設定。
  • 建立用於部署的容器。
  • 使用 NVIDIA Triton 推論伺服器部署訓練的模型。
最後回顧
(15 分鐘)
  • 回顧學習重點並回答問題。
  • 學習從 DLI 基礎環境容器建立自己的訓練環境。
  • 完成測驗並取得認證。
  • 填寫實作坊調查問卷。
  • 案例研究 2:查看大規模推薦系統的實際挑戰。
 

實作坊詳情

時間:8 小時

價格:如需瞭解價格,請聯絡我們。

必備基礎能力:

  • 具有 Python 中階知識,需對列表推導 (List Comprehension) 有所理解。
  • 具有使用 Python 的資料科學經驗。
  • 熟悉 NumPy 和矩陣數學運算。

滿足必備基礎能力的建議資源:Python 教學Kaggle Learn 機器學習課程NumPy 教學

技術:CuDFCuPyTensorFlow 2NVIDIA Triton 推論伺服器

測驗類型:程式編寫技巧評估學員具有能偵錯並修正推薦工作流程的能力。

認證證書:完成測驗後,參與者將會收到 NVIDIA DLI 認證證書,證明他們具有相關主題的能力,支援其專業職涯成長。

硬體需求:可運作最新版本 Chrome 或 Firefox 的桌上型電腦或筆記型電腦。每位參與者都能在雲端上使用專屬且全面設定完成的 GPU 加速伺服器。

教材語言:英文

Upcoming Workshops

若貴組織希望為員工提升 AI、加速運算、加速資料科學等的關鍵開發技能,歡迎申請由講師帶領的 NVIDIA DLI 實作坊。

需要任何協助?