語系 :
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：FDL深度學習基礎理論、NLP自然語言處理
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：CUDA C/C++、MGPU 多GPU深度學習應用
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：CUDA C/C++、CUDA Python應用、MGPU 多GPU深度學習應用
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：RAPIDS GPU加速資料科學
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：FDL深度學習基礎理論
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
深度學習近年來於電腦視覺領域取得非常巨大的成就，本實作坊中說明如何利用深度學習模型開發領域常用的Python作為程式語言基礎，搭配深度學習技術，通過多層人工神經網路精準地完成影像辨識課題中常用的任務如目標檢測。或是自然語言處理中常語音辨識和語言翻譯等任務，以學習並實現 AI的強大效能。透過開源且先進的經過訓練的模型，來大幅節省時間，快速實現深度學習應用。
學習如何將基於自然語言處理 (NLP) Transformer 的模型應用於 "文本分類" 任務，例如從大型文章或摘要庫中識別特定類型的文章。您還將學習如何利用基於 Transformer 的模型來執行“命名實體識別 (NER)”任務，並學習如何分析各種模型特徵與限制，針對特定用例、領域特殊性和可用資源，選用最適當的模型。
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。
高效能計算、資料科學、生物資訊學和深度學習等透過CUDA C++進行的高密集度計算應用，可以通過使用多個 GPU來加速，這可增加吞吐量並且減少總運算時間。當與計算和記憶體傳輸的併發相互重疊相時，可以跨多個GPU擴展計算，而不會增加記憶體傳輸的成本。對於使用多GPU伺服器的開發人員，這些技術使您能夠從GPU加速的應用程序中獲得最高效能。 NVIDIA深度學習學院(DLI) 提供講師指導的實踐培訓，內容涉及如何編寫 CUDA C++ 應用程序，以在單個節點中高效、正確地利用所有可用的GPU，顯著提高應用程序的性能，並充分利用具有多個 GPU 的系統進行運算工作。
CUDA是NVIDIA開發出來的一種GPU整合技術。透過此技術可以於多種語言平台撰寫程式，發展GPU平行化應用程式。舉凡現今備受矚目的AI 深度學習、機器學習、大數據分析，甚至醫學方面DNA比對、氣象預報模式、金融衍生商品分析、地層分析能源探勘等各領域應用。只要牽涉到大數據資料的運算，透過CUDA即可進行GPU平行化運算，加速研究的發展。
通過課程可學習到以下技能：
建議具備概念：基礎C/C++程式能力
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。
你將學到:
完成本課程後，你將能夠使用 Numba 編譯並啟動 CUDA 核心，以加速 NVIDIA GPU 上的 Python 應用程式。
※ 本次的實作坊為線上實作課程，建議瞭解基礎 Python 專長能力並熟悉變數類型、迴圈、條件陳述式、函數和陣列操作。NumPy 專長能力，包括使用多維陣列 (ndarray) 和通用函數 (ufunc) 較能進入狀況，獲得更好的學習體驗。
RAPIDS是數據科學庫的集合，該函式庫允許對數據科學工作流進行端到端GPU加速，並且與Dask一起可以在多樣的數據集上利用多個GPU。為了讓資料科學家能夠快速上手，RAPIDS 的工具都是基於Python 現有的函示庫所開發的，課程中會實作一個完整的資料科學題目，其中會比較CPU 和GPU 上的運算效率。
通過課程可學習到以下技能：
建議具備概念：Python 程式經驗，有 Pandas 與 NumPy 經驗尤佳
了解GPU對於深度學習模型訓練所帶來強大的效益後，現今系統大部份具有一張以上的GPU卡，資料中心甚至具有多節點的叢集GPU系統。如何能利用這些強大的GPU環境，更有效率的加速深度學習模型訓練，也是未來AI發展的課題。本課程將透過講解及實作，介紹深度學習於多GPU上的應用，加速深度學習模型開發進程。
通過課程可學習到以下技能：
建議具備概念：基礎平行化概念 (已上過「運用 CUDA C/C++ 加速運算的基本原理」或「運用 CUDA Python 加速運算的基本原理」課程)、深度學習網路架構基礎(已上過「深度學習基礎理論與實踐入門」課程)、基礎python程式能力
未來展望
