INSTITUTO DEEP LEARNING DA NVIDIA
Treinando Você para Resolver os Problemas Mais Desafiadores do Mundo
O NVIDIA Deep Learning Institute (DLI) oferece treinamento prático em AI, computação e ciência de dados acelerada. Desenvolvedores, cientistas de dados, pesquisadores e estudantes podem obter experiência prática com GPUs no cloud e obter um certificado para ajudar em seu crescimento profissional. Comece com o DLI por meio de treinamento on-line individualizado, oficinas para equipes conduzidas por instrutores e materiais de curso para download para professores universitários.
CURSOS
ONLINE
Workshops com
Instrutores
TREINAMENTO EM
UNIVERSIDADES
Para autodidatas e pequenas equipes, recomendamos treinamentos online individuais pelo DLI ou por nossos parceiros. Com o DLI, você terá acesso a um servidor acelerado por GPU, totalmente configurado no cloud, para adquirir conhecimentos práticos para seu trabalho e tem a oportunidade de ganhar um certificado de conhecimento no assunto.
TREINAMENTO ONLINE COM O DLI
Certificado Disponível
CURSOS SOBRE DEEP LEARNING
-
Fundamentos de Deep Learning para Visão Computacional
Aprenda os fundamentos de deep learning treinando redes neurais e usando os resultados para aprimorar desempenho e recursos.
Pré-requisitos: Familiaridade com os fundamentos básicos de programação, como funções e variáveis
Tecnologias: Caffe, DIGITS
Duração: 8 horas
Valor: US$ 90 (excluindo impostos, se aplicável)
-
Introdução à AI no Jetson Nano
Aprenda a construir um projeto de classificação em deep learning com modelos de visão computacional usando um Kit de Desenvolvedor NVIDIA® Jetson™ Nano.
Pré-requisitos: Familiaridade com Python (útil, não obrigatório)br>
Tecnologias: PyTorch, Jetson Nano
Duração: 8 horas
Valor: Gratuito
-
Otimização e Implantação de Modelos TensorFlow com TensorRT
Aprenda a otimizar modelos TensorFlow para gerar mecanismos rápidos de inferência no estágio de implantação.
Pré-requisitos: Experiência com TensorFlow e Python
Tecnologias: TensorFlow, Python, NVIDIA TensorRT™ (TF-TRT)
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Deep Learning em Escala com Horovod
Aprenda a dimensionar o treinamento de deep learning para várias GPUs com Horovod, a estrutura de treinamento de código aberto originalmente criada pelo Uber e hospedada pela LF AI Foundation.
Pré-requisitos: Competência em Python e experiência no treinamento de modelos de deep learning em Python
Tecnologias: Horovod, TensorFlow, Keras, Python
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Introdução à Segmentação de Imagens
Aprenda como categorizar segmentos de uma imagem.
Pré-requisitos: Experiência básica com treinamento de redes neurais
Tecnologias: TensorFlow
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Modelando Dados de Séries Temporais com Redes Neurais Recorrentes em Keras
Aprenda a classificar e prever dados de séries temporais, como modelar a saúde de um paciente ao longo do tempo, usando redes neurais recorrentes (RNNs).
Pré-requisitos: Experiência básica com deep learning
Tecnologias: Keras
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
DEEP LEARNING PARA CRIAÇÃO DE CONTEÚDO DIGITAL
-
Transferência de Estilo de Imagem com Torch
Aprenda a transferir a aparência de uma imagem para outra extraindo recursos visuais distintos usando redes neurais convolucionais (CNNs).
Pré-requisitos: Experiência com CNNs
Tecnologias: Torch, CNNs
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Eliminado Ruído de Imagem Renderizada Usando Autoencoders
Aprenda como redes neurais com autoencoders podem ser usadas para acelerar significativamente a remoção de ruídos em imagens ray-traced.
Pré-requisitos: Experiência com CNNs
Tecnologias: TensorFlow, CNNs
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Super Resolução de Imagens Usando Autoencoders
Aproveite o poder de uma rede neural com autoencoders para criar imagens de alta qualidade a partir de imagens de origem com baixa qualidade.
Pré-requisitos: Experiência com CNNs
Tecnologias: Keras, CNNs
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
DEEP LEARNING PARA ÁREA DA SAÚDE
-
Classificação de Imagens para Diagnóstico Usando o MedNIST Dataset
Aprenda uma introdução ao deep learning para radiologia e imagens para diagnósticos aplicando CNNs para classificar imagens em um conjunto de dados.
Pré-requisitos: Experiência básica com Python
Tecnologias: PyTorch, Python
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Classificação de Imagens com o TensorFlow: Classificação do Status Cromossômico Radiomics - 1p19q
Aprenda a aplicar técnicas de deep learning para detectar o biomarcador de co-exclusão 1p19q de uma imagem de ressonância magnética.
Pré-requisitos: Experiência básica com CNNs e Python
Tecnologias: TensorFlow, CNNs, Python
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Memória Contextual de Espessa a Fina para Imagens para Diagnósticos
Aprenda a usar a Memória de Contexto de Espessa a Fina (CFCM) para aprimorar arquiteturas tradicionais para tarefas de classificação e segmentação de imagens para diagnóstico.
Pré-requisitos: Experiência com CNNs e memória de longo prazo (LSTMs)
Tecnologias: TensorFlow, CNNs, CFCM
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Aumento e Segmentação de Dados com Redes Generativas para Geração de Imagens para Diagnóstico
Aprenda a usar as redes adversárias generativas (GANs) para imagens para diagnóstico, aplicando-as à criação e segmentação de ressonâncias magnéticas cerebrais.
Pré-requisitos: Experiência com CNNs
Tecnologias: TensorFlow, GANs, CNNs
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
DEEP LEARNING PARA ANÁLISES INTELIGENTES DE VÍDEO
-
Workflows em AI para Análises Inteligentes de Vídeo com DeepStream
Aprenda a criar aplicativos acelerados por hardware para análise inteligente de vídeo (IVA) com DeepStream e implemente-os em escala para transformar fluxos de vídeo em insights.
Pré-requisitos: Experiência com C ++ e Gstreamer
Tecnologias: DeepStream3, C++, Gstreamer
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
Introdução ao DeepStream para Análises de Vídeo no Jetson Nano
Aprenda a criar aplicativos DeepStream para anotar fluxos de vídeo usando redes de detecção e classificação de objetos.
Pré-requisitos: Familiaridade básica com C
Tecnologias: DeepStream, TensorRT, Jetson Nano
Duração: 8 horas; individual
Valor: Gratuito
CURSOS DE PROCESSAMENTO ACELERADO
-
Fundamentos do Processamento Acelerado com CUDA C/C++
Aprenda a acelerar e otimizar aplicativos existentes apenas para CPU C/C++ usando as ferramentas e técnicas CUDA mais essenciais que aumentam o poder das GPUs.
Pré-requisitos: Conhecimentos básicos em C /C++, incluindo familiaridade com tipos de variáveis, loops, instruções condicionais, funções e manipulações de matriz.
Tecnologias: C/C++, CUDA
Duração: 8 horas
Valor: US$ 90 (excluindo impostos, se aplicável)
-
Fundamentos do Processamento Acelerado com CUDA Python
Aprenda a usar o Numba - o compilador de funções Python especializado em tipos just-in-time - para criar e iniciar kernels CUDA para acelerar programas Python em GPUs.
Pré-requisitos: Conhecimentos básicos em Python, incluindo familiaridade com tipos de variáveis, loops, instruções condicionais, funções e manipulações de matriz. Conhecimento em NumPy, incluindo o uso de ndarrays e ufuncs.
Tecnologias: CUDA, Python, Numba, NumPy
Duração: 8 horas
Valor: US$ 90 (excluindo impostos, se aplicável)
-
Dimensionamento de cargas de trabalho em várias GPUs com CUDA C ++
Aprenda como construir aplicações CUDA C ++ robustas e eficientes que podem aproveitar todas as GPUs disponíveis em um único nó.
PRÉ-REQUISITOS: Competência para escrever aplicações em CUDA C/C++.
FERRAMENTAS, BIBLIOTECAS, FRAMEWORKS: C, C++
DURAÇÃO: 4 horas
IDIOMA: English
VALOR: US$30 (excluir impostos, se aplicável)
-
Acelerando aplicações CUDA C++ com fluxos simultâneos
Aprenda como melhorar o desempenho de suas aplicações CUDA C/C++ sobrepondo as transferências de memória de e para a GPU com cálculos na GPU.
PRÉ-REQUISITOS: Competência para escrever aplicações em CUDA C/C++.
FERRAMENTAS, BIBLIOTECAS, FRAMEWORKS: C, C++
DURAÇÃO: 4 horas
IDIOMA: Inglês
VALOR: US$30 (excluir impostos, se aplicável))
-
Fundamentos do Processamento Acelerado com OpenACC
Aprenda a criar e otimizar aplicativos heterogêneos acelerados em vários clusters de GPU usando o OpenACC, uma linguagem de programação de alto nível da GPU.
Pré-requisitos: Experiência básica com C/C++
Tecnologias: OpenACC, C/C++
Duração: 8 horas
Idioma: Inglês
Valor: US$ 90 (excluindo impostos, se aplicável)
-
Processamento de Alto Desempenho com Containers
Aprenda a reduzir a complexidade e melhorar a portabilidade e a eficiência do seu código usando um ambiente em contêiner para o desenvolvimento de aplicativos de HPC.
Pré-requisitos: proficiência em programação em C/C++ e experiência profissional trabalhando em aplicativos HPC
Tecnologias: Docker, Singularity, HPCCM, C/C++
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
-
OpenACC - 2X em 4 etapas
Aprenda como acelerar aplicativos C/C++ ou Fortran usando o OpenACC para aproveitar o poder das GPUs.
Pré-requisitos: Experiência básica com C/C++
Tecnologias: C/C++, OpenACC
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
CURSOS DE CIÊNCIA DE DADOS ACELERADA
-
Fundamentos de Ciência de Dados Acelerada com RAPIDS
Aprenda a executar várias tarefas de análise em grandes conjuntos de dados usando o RAPIDS, uma coleção de bibliotecas de ciência de dados que permite a aceleração de ponta a ponta da GPU para workflows de ciência de dados.
Pré-requisitos: Experiência com Python, incluindo pandas e NumPy
Tecnologias: RAPIDS, NumPy, XGBoost, DBSCAN, K-Means, SSSP, Python
Duração: 6 horas
Valor: US$ 90 (excluindo impostos, se aplicável)
-
Acelerando Workflows de Ciência de Dados com RAPIDS
Aprenda a criar um workflow de ciência de dados de ponta a ponta, acelerado por GPU, usando as bibliotecas de código aberto RAPIDS para obter enormes ganhos de desempenho.
Pré-requisitos: Conhecimentos avançados em Pandas, NumPy e scikit-learn
Tecnologias: RAPIDS, Pandas, NumPy, scikit-learn
Duração: 2 horas
Valor: US$ 30 (excluindo impostos, se aplicável)
CURSOS PARA IT
-
Introduction to AI in the Data Center
Explore an introduction to AI, GPU computing, NVIDIA AI software architecture, and how to implement and scale AI workloads in the data center. You'll understand how AI is transforming society and how to deploy GPU computing to the data center to facilitate this transformation.
Prerequisites: Basic knowledge of enterprise networking, storage, and data center operations
Technologies: Artificial intelligence, machine learning, deep learning, GPU hardware and software
Duration: 4 hours
Price: $30 (excludes tax, if applicable)
TREINAMENTO ONLINE COM PARCEIROS
O DLI colabora com as principais organizações educacionais para expandir o alcance do treinamento de deep learning para desenvolvedores em todo o mundo.
Para equipes interessadas em treinamento, recomendamos oficinas de um dia inteiro conduzidas por instrutores certificados pelo DLI. Você pode solicitar um workshop de um dia inteiro no local ou de forma remota para sua equipe. Com o DLI, você terá acesso a um servidor acelerado por GPU totalmente configurado no cloud, ganhará habilidades práticas para o seu trabalho e terá a oportunidade de ganhar um certificado de competência no assunto.
Dê uma olhada na experiência DLI neste pequeno vídeo.
Certificado Disponível
WORKSHOPS SOBRE DEEP LEARNING
FUNDAMENTOS DE DEEP LEARNING
-
Fundamentos do deep learning (novo!)
Businesses worldwide are using artificial intelligence (AI) to solve their greatest challenges. Healthcare professionals use AI to enable more accurate, faster diagnoses in patients. Retail businesses use it to offer personalized customer shopping experiences. Automakers use AI to make personal vehicles, shared mobility, and delivery services safer and more efficient. Deep learning is a powerful approach to implementing AI that uses multi-layered artificial neural networks to deliver state-of-the-art accuracy in tasks such as object detection, speech recognition, and language translation. Using deep learning, computers are now able to learn and recognize patterns from data that are considered too complex or subtle for expert-written software.
In this workshop, you’ll learn how deep learning works through hands-on exercises in computer vision and natural language processing. You will train deep learning models from scratch, learning tools and tricks to achieve highly accurate results. You’ll also learn to leverage freely available, state-of-the-art pre-trained models to save time and get your deep learning application up and running today.
By participating in this is workshop you will:
- Practice the fundamental techniques and tools required to train a deep learning model
- Gain experience with common deep learning data types and model architectures
- Enhance datasets through data augmentation to improve model accuracy
- Leverage transfer learning between models to achieve efficient results with less data and computation
- Build confidence to take on your own project with a modern, deep learning framework
Prerequisites: Understanding of fundamental programming concepts in Python such as functions, loops,dictionaries, and arrays.
Tools, libraries, and frameworks: Tensorflow, Keras, Pandas, Numpy
-
Criando sistemas inteligentes de recomendação (novo!)
Deep learning-based recommender systems are the secret ingredient behind personalized online experiences and powerful decision support tools in retail, entertainment, healthcare, finance, and other industries.
Recommender systems work by understanding the preferences, previous decisions, and other characteristics of many people. For example, recommenders can help a streaming media service understand the types of movies an individual enjoys, which movies they’ve actually watched, and the languages they understand. Training a neural network to generalize this mountain of data and quickly provide specific recommendations for similar individuals or situations requires massive amounts of computation, which can be accelerated dramatically by GPUs. Organizations seeking to provide more delightful user experiences, deeper engagement with their customers, and better informed decisions can realize tremendous value by applying properly designed and trained recommender systems.
This workshop covers the fundamental tools and techniques for building highly effective recommender systems, as well as how to deploy GPU-accelerated solutions for real-time recommendations.
By participating in this workshop, you’ll learn how to:
- Build a content-based recommender system using the open-source cuDF library and Apache Arrow
- Construct a collaborative filtering recommender system using alternating least squares (ALS) and CuPy
- Design a wide and deep neural network using TensorFlow 2 to create a hybrid recommender system
- Optimize performance for both training and inference using large, sparse datasets
- Deploy a recommender model as a high-performance web service
Prerequisites:
- Intermediate knowledge of Python, including understanding of list comprehension.
- Data science experience using Python.
- Familiarity with NumPy and matrix mathematics.
Tools, libraries, and frameworks: CuDF, CuPy, TensorFlow 2, and NVIDIA Triton™ Inference Server
-
Processamento de linguagem natural baseado em transformador de construção (novo!)
Applications for Natural Language Processing (NLP) have exploded in the past decade. With the proliferation of AI assistants, and organizations infusing their businesses with more interactive human/machine experiences, understanding how NLP techniques can be used to manipulate, analyze, and generate text-based data is essential. Modern techniques can be used to capture the nuance, context, and sophistication of language, just as humans do. And when designed correctly, developers can use these techniques to build powerful NLP applications that provide natural and seamless human-computer interactions within Chat Bots, AI Voice Agents, and many more.
Deep learning models have gained widespread popularity for NLP because of their ability to accurately generalize over a range of contexts and languages. Transformer-based models, such as Bidirectional Encoder Representations from Transformers (BERT), have revolutionized progress in NLP by offering accuracy comparable to human baselines on benchmarks like SQuAD for question-answer, entity recognition, intent recognition, sentiment analysis, and more. NVIDIA provides software and hardware that helps you quickly build state-of-the-art NLP models. You can speed-up the training process up to 4.5x with mixed-precision, and easily scale performance to multi-GPU across multiple server nodes without compromising accuracy.
In this workshop, you’ll learn how to use Transformer-based natural language processing models for text classification tasks, such as categorizing documents. You will also learn how to leverage Transformer-based models for named-entity recognition (NER) tasks and how to analyze various model features, constraints, and characteristics to determine which model is best suited for a particular use case based on metrics, domain specificity, and available resources.
By participating in this workshop, you’ll be able to:
- Understand how text embeddings have rapidly evolved in NLP tasks such as Word2Vec, recurrent neural network (RNN)-based embeddings, and Transformers
- See how Transformer architecture features, especially self-attention, are used to create language models without RNNs
- Use self-supervision to improve the Transformer architecture in BERT, Megatron, and other variants for superior NLP results
- Leverage pre-trained, modern NLP models to solve multiple tasks such as text classification, NER, and question answering
- Manage inference challenges and deploy refined models for live applications
Prerequisites:
- Experience with Python coding and use of library functions and parameters
- Fundamental understanding of a deep learning framework such as TensorFlow, PyTorch, or Keras.
- Basic understanding of neural networks.
Ferramentas, bibliotecas e frameworks: PyTorch, pandas, NVIDIA NeMo™, Servidor de Inferência NVIDIA Triton™
-
Fundamentos de Deep Learning para Multi-GPUs
Os desafios modernos de deep learning aproveitam conjuntos de dados cada vez maiores e modelos mais complexos. Como resultado, é necessário um poder computacional significativo para treinar modelos de maneira eficaz e eficiente.
Neste curso, você aprenderá como dimensionar o treinamento de deep learning para várias GPUs. O uso de várias GPUs para deep learning pode reduzir significativamente o tempo necessário para treinar muitos dados, viabilizando a solução de problemas complexos com o deep learning. Este curso ensinará como usar várias GPUs para treinar redes neurais. Você vai aprender:
- Abordagens para o treinamento com várias GPUs
- Desafios algorítmicos e de engenharia para treinamento em larga escala
- Técnicas principais usadas para superar os desafios mencionados acima
Após a conclusão, você poderá efetivamente paralelizar o treinamento de redes neurais profundas usando o Horovod.
Pré-requisitos: Competência na linguagem de programação Python e experiência no treinamento de modelos de aprendizado profundo em Python
Tecnologias: Python, Tensorflow
DEEP LEARNING POR SEGMENTO DE INDÚSTRIA
-
Deep Learning para Veículos Autônomos – Perception
Aprenda a projetar, treinar e implantar redes neurais profundas para veículos autônomos usando a plataforma de desenvolvimento NVIDIA DRIVE ™.
Você aprenderá como:
- Trabalhar com código CUDA®, gerenciamento de memória e aceleração de GPU no sistema NVIDIA DRIVE AGX ™
- Treinar uma rede neural de segmentação semântica
- Otimizar, validar e implantar uma rede neural treinada usando o NVIDIA® TensorRT™
Após a conclusão, você poderá criar e otimizar componentes de percepção para veículos autônomos usando o NVIDIA DRIVE.
Pré-requisitos: Experiência com CNNs e C++
Tecnologias: TensorFlow, TensorRT, Python, CUDA C++, DIGITS
-
Deep Learning para Robótica
AI is revolutionizing the acceleration and development of robotics across a broad range of industries. Explore how to create robotics solutions on a Jetson for embedded applications.
You’ll learn how to:
- Apply computer vision models to perform detection
- Prune and optimize the model for embedded application
- Train a robot to actuate the correct output based on the visual input
Upon completion, you’ll know how to deploy high-performance deep learning applications for robotics.
Prerequisites: Basic familiarity with deep neural networks, basic coding experience in Python or similar language
-
Aplicações de AI para Detecção de Anomalias
A quantidade de informações que se move através da infraestrutura de telecomunicações do mundo o torna um dos sistemas mais complexos e dinâmicos que a humanidade já construiu. Neste workshop, você implementará várias soluções baseadas em AI para resolver um importante problema de telecomunicações: identificação de invasões de rede.
Neste workshop, você irá:
- Implementar três técnicas diferentes de detecção de anomalias: XGBoost acelerado, autoencoders baseados em deep learning e redes adversárias generativas (GANs)
- Criar e comparar aprendizado supervisionado com soluções baseadas em aprendizado não supervisionado
- Discutir outros casos de uso em seu setor que possam se beneficiar das abordagens modernas de processamento
Após a conclusão, você poderá detectar anomalias em grandes conjuntos de dados usando machine learning supervisionado e não supervisionado.
Pré-requisitos: Experiência com CNNs e Python
Tecnologias: RAPIDS, Keras, GANs, XGBoost
-
Aplicações de AI para Manutenção Preditiva
Aprenda a identificar anomalias e falhas em dados de séries temporais, estimar a vida útil restante das peças correspondentes e usar essas informações para mapear anomalias para condições de falha.
Você aprenderá como:
- Aproveitar a manutenção preditiva para gerenciar falhas e evitar paradas não planejadas e dispendiosas
- Identificar os principais desafios em torno da identificação de anomalias que podem levar a falhas dispendiosas
- Usar dados de séries temporais para prever resultados usando modelos de classificação de machine learning com o XGBoost
- Aplicar procedimentos de manutenção preditiva usando um modelo baseado em LSTM (Long Short Term Memory) para prever falha do dispositivo
- Utilizar autoencoders para detectar anomalias usando as sequências de séries temporais das etapas anteriores
Após a conclusão, você entenderá como usar a AI para prever a condição do equipamento e estimar quando a manutenção deve ser realizada.
Pré-requisitos: Experiência com Python e redes neurais profundas
Tecnologias: TensorFlow, Keras
-
Deep Learning para Inspeção Industrial
Explore como construir um modelo de deep learning para automatizar a verificação de capacitores na placa de circuito impresso (PCB) da NVIDIA usando um conjunto de dados de produção real. Isso pode reduzir o custo de verificação e aumentar o rendimento da produção em uma variedade de casos de uso de manufatura. Você aprenderá como:
- Extraia percepções significativas do conjunto de dados fornecido usando Pandas DataFrame e biblioteca NumPy
- Aplicar a aprendizagem de transferência a um modelo de classificação de deep learning conhecido como InceptionV3
- Ajustar o modelo de deep learning e definir métricas de avaliação
- Otimize o modelo treinado InceptionV3 na GPU V100 usando TensorRT 5
- Experimente inferência rápida de meia precisão FP16 usando TensorCore do V100
Após a conclusão, você poderá projetar, treinar, testar e implantar blocos de construção de um pipeline de inspeção industrial acelerado por hardware.
Pré-requisitos: Experiência com Python e redes neurais convolucionais (CNNs)
Tecnologias: TensorFlow, NVIDIA TensorRT™, Keras
-
DEEP LEARNING PARA ANÁLISES INTELIGENTES DE VÍDEO
With the increase in traffic cameras, growing prospect of autonomous vehicles, and promising outlook of smart cities, there's a rise in demand for faster and more efficient object detection and tracking models. This involves identification, tracking, segmentation and prediction of different types of objects within video frames.
In this workshop, you’ll learn how to:
- Efficiently process and prepare video feeds using hardware accelerated decoding methods
- Train and evaluate deep learning models and leverage ""transfer learning"" techniques to elevate efficiency and accuracy of these models and mitigate data sparsity issues
- Explore the strategies and trade-offs involved in developing high-quality neural network models to track moving objects in large-scale video datasets
- Optimize and deploy video analytics inference engines by acquiring the DeepStream SDK
Upon completion, you'll be able to design, train, test and deploy building blocks of a hardware-accelerated traffic management system based on parking lot camera feeds.
Prerequisites: Experience with deep networks (specifically variations of CNNs), intermediate-level experience with C++ and Python
Technologies: deep learning, intelligent video analytics, deepstream 3.0, tensorflow, iva, fmv, opencv, accelerated video decoding/encoding, object detection and tracking, anomaly detection, deployment, optimization, data preparation
-
Deep Learning para Análise de Imagens da Área da Saúde
Este workshop explora como aplicar redes neurais convolucionais (CNNs) a exames de ressonância magnética para realizar uma variedade de tarefas e cálculos médicos. Você aprenderá como:
- Realizar a segmentação de imagens em imagens de ressonância magnética para determinar a localização do ventrículo esquerdo
- Calcular frações de ejeção medindo diferenças entre diástole e sístole usando CNNs aplicados a exames de ressonância magnética para detectar doenças cardíacas
- Aplicar CNNs a exames de ressonância magnética de gliomas de baixo grau (LGGs) para determinar o status de co-exclusão do cromossomo 1p / 19q
Após a conclusão, você poderá aplicar CNNs às ressonâncias magnéticas para realizar uma variedade de tarefas médicas.
Pré-requisitos: Familiaridade básica com redes neurais profundas; experiência básica de codificação em Python ou em uma linguagem semelhante
Tecnologias: R, MXNet, TensorFlow, Caffe, DIGITS
WORKSHOPS SOBRE PROCESSAMENTO ACELERADO
-
Fundamentos do Processamento Acelerado com CUDA C/C++
A plataforma de computação CUDA permite que a aceleração de aplicativos que rodam apenas em CPU sejam executados nas GPUs paralelas mais rápidas do mundo. Experimente a aceleração de aplicativos C/C++:
- Acelerando aplicativos que rodam somente CPU para executar seu paralelismo latente em GPUs
- Utilizando técnicas essenciais de gerenciamento de memória CUDA para otimizar aplicativos acelerados
- Expondo o potencial acelerado de aplicativos para simultaneidade e explorando-o com streams CUDA
- Aproveitando a linha de comando e o perfil visual para orientar e verificar seu trabalho
Após a conclusão, você poderá acelerar e otimizar aplicativos que rodam apenas em CPU C/C++ usando as ferramentas e técnicas CUDA mais essenciais. Você entenderá um estilo interativo de desenvolvimento CUDA que permitirá executar aplicativos acelerados rapidamente.
Pré-requisitos: Conhecimentos básicos em C/C++, incluindo familiaridade com tipos de variáveis, loops, instruções condicionais, funções e manipulações de matriz.
-
Fundamentos de Processamento Acelerado com CUDA Python
Este workshop explora como usar o Numba - o compilador de funções Python especializado em tipos just-in-time - para acelerar os programas Python para rodar em GPUs NVIDIA paralelas. Você aprenderá como:
- Usar o Numba para compilar kernels CUDA a partir das funções universais do NumPy (ufuncs)
- Usar o Numba para criar e iniciar kernels CUDA personalizados
- Aplicar as principais técnicas de gerenciamento de memória da GPU
- Após a conclusão, você poderá usar o Numba para compilar e iniciar os kernels CUDA para acelerar seus aplicativos Python nas GPUs NVIDIA.
Pré-requisitos: Conhecimentos básicos em Python, incluindo familiaridade com tipos de variáveis, loops, instruções condicionais, funções e manipulações de matriz. Conhecimentos em NumPy, incluindo o uso de ndarrays e ufuncs.
Tecnologias: CUDA, Python, Numba, NumPy
-
Acelerando aplicações CUDA C ++ com várias GPUs (novo!)
Este workshop cobre como escrever aplicações CUDA C ++ que utilizam de maneira eficiente e correta todas as GPUs disponíveis em um único nó, melhorando significativamente o desempenho de suas aplicações e tornando o uso mais econômico de sistemas com várias GPUs.
Ao participar deste workshop, você aprenderá como:
- Usar streams CUDA simultâneos para sobrepor transferências de memória com computação de GPU.
- Utilizar todas as GPUs disponíveis em um único nó para dimensionar as cargas de trabalho em todas as GPUs disponíveis.
- Combinar o uso de cópia / sobreposição de computação com várias GPUs.
- Contar com o cronograma do Visual Profiler dos sistemas NVIDIA® Nsight™ para observar as oportunidades de melhoria e o impacto das técnicas abordadas no workshop.
Pré requisitos:
- Experiência profissional na programação de aplicações CUDA C / C ++, incluindo o uso do compilador nvcc, inicializações de kernel, loops de grade, transferências de memória host-a-dispositivo e dispositivo-a-host e tratamento de erros CUDA
- Familiaridade com a linha de comandos do Linux
- Experiência no uso de Makefiles para compilar código C / C ++
Tecnologias: CUDA C++, nvcc, Sistemas Nsight
WORKSHOPS SOBRE CIÊNCIA DE DADOS ACELERADA
-
Fundamentos da Ciência de Dados Acelerada com RAPIDS
O RAPIDS é uma coleção de bibliotecas de ciência de dados que permite a aceleração da GPU de ponta a ponta para fluxos de trabalho em ciência de dados. Neste treinamento, você irá:
- Usar cuDF e Dask para interpretar e manipular conjuntos de dados em massa diretamente na GPU
- Aplicar uma ampla variedade de algoritmos de machine learning acelerados por GPU, incluindo XGBoost, cuGRAPH e cuML, para executar a análise de dados em grande escala
- Executar várias tarefas de análise em conjuntos de dados massivos, em uma simulação para evitar um surto epidêmico que afeta o Reino Unido
Após a conclusão, você poderá carregar, manipular e analisar grandes volumes de dados mais rapidamente do que antes, permitindo mais ciclos de interação e melhorando significativamente a produtividade.
Pré-requisitos: Experiência com Python, incluindo pandas e NumPy
Tecnologias: RAPIDS, NumPy, XGBoost, DBSCAN, K-Means, SSSP, Python
NETWORKING WORKSHOPS
SOLUÇÕES CORPORATIVAS
Se você estiver interessado em um treinamento mais abrangente, a DLI Enterprise Solution oferece um pacote de treinamento e palestras para atender às necessidades exclusivas da sua empresa. Desde treinamento prático on-line e no local até briefings executivos e relatórios em nível empresarial, o DLI pode ajudar sua empresa a se transformar em uma organização de AI. Fale conosco para saber mais.
PUBLIC WORKSHOPS
Se você deseja receber atualizações sobre os próximos workshops do DLI, inscreva-se para receber comunicações.
CUMULUS BOOTCAMPS
O DLI da NVIDIA oferece para download os materiais de seus cursos para professores universitários e treinamento on-line gratuito e individualizado para os alunos através dos Kits de Aprendizado do DLI. Os professores também podem ser certificados para ministrar oficinas sobre DLI nas universidades através do Programa Embaixador Universitário.
KITS DE APRENDIZADO
Os kits de aprendizado do DLI estão disponíveis para professores universitários interessados em cursos sobre deep learning, processamento acelerado e robótica. Os professores podem adicionar materiais de palestras, cursos práticos, recursos de GPU no cloud e muito mais em seu conteúdo programático.
Aprimorando o Conteúdo Programático com os Kits de Aprendizado NVIDIA
PROGRAMA EMBAIXADOR UNIVERSITÁRIO
O programa Embaixador Universitário do DLI certifica professores qualificados para oferecer oficinas práticas de DLI para professores, estudantes e pesquisadores da universidade, sem nenhum custo. Os professores são incentivados a baixar os kits de aprendizado do DLI para se qualificarem para participar do programa Embaixador.
Avançando nas Fronteiras da Educação
O DLI tem certificado Embaixadores Universitários em centenas de universidades, incluindo:
PARCEIROS
O DLI trabalha com parceiros da indústria para criar e oferecer conteúdo para workshops orientados por um instrutor do DLI em todo o mundo. Aqui estão alguns de nossos principais parceiros:
RECURSOS
Veja uma ampla gama de recursos técnicos sobre AI e processamento acelerado.
DÚVIDAS SOBRE O DLI?
FALE COM A NVIDIA
TIRE SUAS DÚVIDAS.
TREINAMENTO
Informe-se sobre os serviços do NVIDIA Deep Learning Institute
VENDAS
Conecte-se a um representante de vendas da NVIDIA e obtenha informações sobre a compra.
DESENVOLVEDOR
Para Perguntas Técnicas, por favor, acesse os Fórums de Desenvolvedores NVIDIA.