NVIDIA 深度學習機構 (DLI) 提供人工智慧 (AI) 與加速運算的實作訓練課程,幫助學員解決現實生活中的問題。DLI 的內容專為開發人員、資料科學家與研究人員設計。
麗臺科技為NVIDIA 正式授權深度學習機構 (DLI) ,報名麗臺科技的NVIDIA認證課程,完整參與課程並通過測驗者,可以取得NVIDIA 官方頒發的線上認證證書,證明學員具有相關主題的能力,支援其專業職涯成長。
(電子認證證書設計可能有所變動,實際證書以NVIDIA DLI 系統頒發為準)
麗臺科技開設的NVIDIA DLI 課程,皆由獲得NVIDIA DLI講師資格的講師授課。除了專業知識外,麗臺講師更俱備豐富產業經驗,可提供學員產業AI化實務訊息,擔任企業導入AI及深度學習的顧問角色。
NVIDIA 認證課程:
學歷與主修:台灣大學機械工程研究所博士
教學簡歷:
現任:麗臺科技 資深產品經理
NVIDIA 認證課程:
學歷與主修:淡江大學數學系碩士
教學簡歷:
現任:麗臺科技 AI GPU 技術經理
NVIDIA 認證課程:
學歷與主修:中央大學大氣物理研究所碩士
教學簡歷:
現任:麗臺科技 高級工程師
NVIDIA 認證課程:透過 RAPIDS 加速資料科學基礎課程 (RAPIDS)
學歷與主修:清華大學生物資訊研究所碩士
教學簡歷:
現任:麗臺科技 專案工程師
NVIDIA 認證課程:
學歷與主修:靜宜大學資訊管理研究所碩士
教學簡歷:
現任:麗臺科技 高級工程師
世界各地的企業都在運用人工智慧解決最困難的挑戰。專業醫療照護人員使用人工智慧加快診斷病患的速度和準確度。零售企業將其用於為客戶提供個人化的購物體驗。汽車製造商透過其讓私家轎車、共享交通工具和貨運服務更安全、更有效率。深度學習是一種強大的人工智慧方法,透過其所使用的多層次人工智慧神經網路,即可在物體偵測、語音辨識和語言翻譯等工作上達到最為先進的精確度。電腦可使用深度學習技術,從資料中學習和辨識出對專家編寫的應用軟體而言過於複雜或細微的模式。
在本實作坊中,你將進行電腦視覺和自然語言處理方面的實作練習,藉此瞭解深度學習的運作方式。你將會從零開始訓練深度學習模型、學習工具和技巧,追求高度準確的成果。也會學習如何運用免費提供的頂尖預先訓練模型,如此可以節省時間,並讓深度學習應用程式快速運作。
過去十年來,自然語言處理(NLP)的應用已呈現爆炸性成長。隨著人工智慧助理數量激增,公司組織也在業務中融入更多互動式人機體驗,因此勢必得理解自然語言處理技術是如何用於處理、分析和產生文字型的資料。運用現代技術,可捕捉到語言的細微差別、語境和複雜精妙之處,如同人類一般。在設計正確的情況下,開發人員可以運用這些技術打造強大的自然語言處理應用程式,在聊天機器人、人工智慧語音助理及更多其他的應用程式上,提供自然且順暢的人機互動效果。
深度學習模型受到自然語言處理廣泛採用,因為其能透過一系列的語境和語言,準確進行歸納。以 Transformer 為基礎的模型,例如 Transformer 的雙向編碼表示法(Bidirectional Encoder Representations from Transformers,BERT),在 SQuAD 的問答系統、實體識別、意圖識別、情緒分析這類基準上,所提供的準確度與人類標準相差無幾,讓 NLP 的發展發生了革命性的劇變。
在本實作坊中,會學習如何將以 Transformer 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。也會學到如何利用以 Transformer 為基礎的模型來處理命名實體識別(named-entity recognition,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。
推薦系統應用於零售、娛樂、醫療、金融及其他各行業中,其特色在於能提供個人化的線上體驗及服務,其背後的決策工具可基於現今重要的深度學習方法建置。推薦系統通過學習許多使用者的偏好設定進行彙整分析後,進而提供線上使用者適合的建議服務。例如,推薦人可以透過個人實際觀看的電影以及語言,幫助推薦個人喜好的電影類型。以尋求更佳的用戶體驗,並藉此與客戶進行深入的互動。這樣的服務是基於大數據訓練的神經網絡以提供合適的具體建議,並且需要大量的GPU協助加速訓練。
根據國際自動化協會(International Society of Automation)的統計,全球每年會因機器故障而導致的停機時間損失高達 6,470 億美元。製造業、航太、能源等產業領域的組織為了將成本降至最低並提升效率,正在全面改革維護流程。有了人工智慧和機器學習,組織可以將預測性維護應用於營運,並處理大量的感測器資料,在設備故障發生前就先偵測到異常狀況。與例行性或時基性的預防性維護相比,預測性維護能夠在問題發生前進行,並且能夠為企業省下昂貴的停機時間成本。
在本實作坊中,你將學習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,並將異常狀況與故障條件互相對應。你將學習如何為人工智慧模型訓練準備時間序列資料、開發 XGBoost 集成樹模型、使用長短期記憶體(LSTM)網路建立深度學習模型,以及建立可偵測異常狀況以進行預測性維護的自動編碼器。在實作坊結束時,你將能夠使用人工智慧預測設備狀況,並預估執行維護的時間。
CUDA 是 NVIDIA 研發的平行運算平台及編程模型,可利用繪圖處理單元 (GPU) 的能力大幅提升運算效能。本課程帶領你探索如何即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。
無論你是在需要提升客戶保留率的軟體公司、需要降低風險的金融服務公司,或是有興趣預測客戶購買行為的零售公司,貴組織都是要在不浪費任何重要資源的情況下,從大量資料中準備、管理和收集深入分析資訊。傳統的以 CPU 驅動資料科學工作流程可能比較麻煩,但有了 GPU 的能力,你的團隊可以快速瞭解資料,以利做出商業決策。
在此實作坊中,你將學習如何建立和執行端對端 GPU 加速的資料科學工作流程,讓你快速探索、迭代,並為工作提高生產力。使用 RAPIDS™ 加速資料科學函式庫,你將應用多種 GPU 加速的機器學習演算法,包括 XGBoost、cuGRAPH 的單一來源最短路徑,以及 cuML 的 KNN、DBSCAN 和羅吉斯迴歸,以大規模執行資料分析。
此實作坊將教導你基本工具和技術,以運用 CUDA® 來加速 C/C++ 應用程式在大規模平行 GPU 上的執行效能。你將學習如何編寫程式碼、使用 CUDA 設定平行程式碼、最佳化 CPU 和 GPU 加速器之間的記憶體移轉,以及實作在新工作上學到的工作流程,即運用加速功能完整但僅使用 CPU 的粒子模擬器,來大幅提升效能。在實作坊結束時,你將可以使用其他資源,自行創造 GPU 加速的應用程式。
在高效能運算、資料科學、生物資訊學和深度學習領域中,需要大量運算的 CUDA® C++ 應用程式可透過使用多個 GPU 加速,增加吞吐量和/或縮短總執行時間。與並行的重疊運算和記憶體傳輸搭配使用時,可以運用多個 GPU 擴充運算,無須增加記憶體傳輸的成本。對於在雲端或在 NVIDIA DGX™ 系統上擁有多 GPU 伺服器的組織,這些技術都能讓你從 GPU 加速的應用程式達到最佳效能。而在跨多個節點擴充應用程式之前,重要的是要先實作這些單一節點的多 GPU 技術。
此實作坊將介紹如何編寫 CUDA C++ 應用程式,藉以在單一節點中有效且正確運用所有可用的 GPU、大幅提升應用程式的效能,並且以最符合成本效益的方式使用多個 GPU 的系統。