DERİN ÖĞRENME İLE PROBLEM ÇÖZMEYİ ÖĞRETİYORUZ.

NVIDIA Derin Öğrenme Enstitüsü (DLI: Deep Learning Institute); dünyanın en zorlu problemlerini derin öğrenme ile çözmeye çalışan geliştirmeciler, veri bilimciler ve araştırmacılara uygulamalı eğitim imkanı sunar.

DLI kendi hızınızda ilerlediğiniz online laboratuvarlar ve öğretmenler tarafından yönlendirilen workshoplar ile birçok uygulama alanında nöral ağlar tasarlama, eğitme ve kullanma konusundaki en son teknikler hakkında eğitim verir. Öğrenciler NVIDIA’nın en son çıkan GPU-hızlandırma derin öğrenme platformlarının yanı sıra sıkça kullanılan açık-kaynak frameworkleri de keşfedeceklerdir.

EĞİTMEN LİDERLİĞİNDE
ATÖLYELER

Bire bir atölyeler size 8 saat içerisinde, uçtan uca bir projenin nasıl uygulamaya konulacağını uygulamalı eğitim eşliğinde öğretmektedir. Bu atölyeler müşteri ofislerinde, konferanslarda ve üniversitelerde DLI sertifikalı eğitmenler tarafından, tam gün uygulamalı eğitimler eşliğinde gerçekleştirilmektedir.

ÇEVRİMİÇİ
DERSLER

DLI çevrimiçi dersler size 8 saat içerisinde bir uçtan uca projenin nasıl uygulamaya konulacağını öğretmektedir. Çevrimiçi dersler buluttaki GPU ile hızlandırılmış, hazır kurulumlara sahip iş istasyonlarına erişilerek her zaman, her yerde alınabilir.

SERTİFİKASYON

Katılımcılar, konuya dair uzmanlıklarını kanıtlamak için sertifika alabilir ve böylece profesyonel kariyer gelişimlerine katkı sağlayabilirler. Sertifikasyon, bazı çevrimiçi eğitim ve eğitmen liderliğinde atölyelerde sunulmaktadır.

ÇEVRİMİÇİ EĞİTİMLER

Tek başınıza tamamlayacağınız eğitimlere
bulutta GPU ile hızlandırılmış, hazır kurulumlara sahip sunuculara erişerek her an, her yerde başlayın.

DERİN ÖĞRENMENİN TEMELLERİ

Derin öğrenme konusunda yeniyseniz uygulayacağınız ilk adım,
gerçek dünya problemlerini çözmek için bir sinir ağını eğitmek ve uygulamaya koymaktır.

Performans ve yetenekleri artırmak için sinir ağlarını eğitip kullanarak derin öğrenmenin temellerini keşfedin. Bu kursta, sinir ağları eğiterek ve uygulamaya koyarak derin öğrenmenin temellerini öğreneceksiniz.

GEREKLİLİKLER: Fonksiyonlar, döngüler, sözlükler ve diziler gibi programlama temellerini Python 3‘te hakimiyet, Pandas veri yapısına aşinalık ve bir regresyon doğrusunun nasıl hesaplanacağını anlamış olmak.

Kütüphane: Keras ile birlikte TensorFlow 2, Pandas

Süre: 8 saat

Diller: İngilizce

Fiyat: $90

Sertifikasyon mevcuttur

NVIDIA Jetson Nano Developer Kit kullanarak görüntü işleme modelleriyle bir derin öğrenme sınıflandırıcı projesini nasıl geliştireceğinizi keşfedin.

Gereklilikler: Python’a temel aşinalık.

Kütüphane: PyTorch, Jetson Nano

Diller: İngilizce, Çince

Süre: 8 saat

Fiyat: Ücretsiz

Uygulamaya koyma aşamasında hızlı çıkarım motorlarını üretmek için TensorFlow modellerini nasıl optimize edeceğinizi öğrenin.

Gereklilikler: TensorFlow ve Python ile tecrübe

Kütüphane: TensorFlow, Keras, TensorRT

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

Uber tarafından geliştirilmiş açık kaynaklı dağıtık eğitim kütüphanesi olan Horovod ile derin öğrenme eğitimini çoklu GPU’ya nasıl ölçeklendireceğinizi öğrenin.

Gereklilikler: Python’da yetkinlik ve Python’da derin öğrenme modellerinin eğitilmesi üzerine profesyonel tecrübe.

Kütüphane: Horovod, TensorFLow 2, Keras

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

Bir görüntünün segmentlerini nasıl kategorize deceğinizi öğrenin.

Gereklilikler: Sinir ağları eğitimi üzerine temel tecrübe

Kütüphane: TensorFLow 2, Keras

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

Bir görüntünün segmentlerini nasıl kategorize deceğinizi öğrenin.

Gereklilikler: Sinir ağları eğitimi üzerine temel tecrübe

Kütüphane: Keras

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

HIZLANDIRILMIŞ HESAPLAMAYA GİRİŞ

Hızlandırılmış hesaplamaya yeniyseniz, CUDA ve OpenACC ile uygulamalarınızı
nasıl hızlandıracağınızı öğrenmeye başlayın.

EĞİTİMLER

CUDA hesaplama platformu, sadece CPU tabanlı çalışan uygulamaların, dünyanın en hızlı ve çok büyük ölçekli paralel GPU’larında çalışmalarını sağlar. Aşağıdaki adımları uygulayarak C/C++ uygulamalarınızı hızlandırmayı deneyimleyin:

  • GPU’larda gizli paralelliklerini çalıştırmak için yalnızca CPU’yu kullanan uygulamaları hızlandırıyor
  • Hızlandırılmış uygulamaları optimize etmek için gerekli CUDA bellek yönetimi tekniklerini kullanmak ve bunları CUDA akışlarıyla birlikte işletmek.
  • Eşzamanlılık için hızlandırılmış uygulama potansiyelini açığa çıkarma ve
  • Çalışmanızı yönlendirmek ve kontrol etmek için komut satırı ve görsel profilden yararlanmak

Dersi tamamladığınızda, en temel CUDA araç ve tekniklerini kullanarak sadece CPU’da çalışan C/C++ uygulamalarınızı hızlandırabiliyor ve optimize edebiliyor olacaksınız.

Gereklilikler: C++’ta değişken türleri, döngüler, durumsal ifadeler, fonksiyonlar ve dizilerle işlemler konularında temel yeterlik.

Kütüphane: Kod tabanlı

Diller: İngilizce

Fiyat: $90

Sertifikasyon mevcuttur

Bu eğitimde, Python programlarını büyük ölçekli paralellikteki NVIDIA GPU’larında çalıştırmak için Numba’nın nasıl kullanılacağı gösterilmektedir.

  • NumPy evrensel fonksiyonlarından (ufuncs) CUDA çekirdeklerini derlemek için Numba kullanmak.
  • Özel CUDA çekirdeklerini oluşturmak ve başlatmak için Numba kullanmak.
  • Anahtar GPU hafıza yönetim tekniklerini uygulamak.

Dersi tamamladığınızda, Python uygulamalarını NVIDIA GPU’larında hızlandırmak için CUDA çekirdeklerini derlemek ve başlatmak için Numba’yı kullanabiliyor olacaksınız.

Gereklilikler: C++’ta değişken türleri, döngüler, durumsal ifadeler, fonksiyonlar ve dizilerle işlemler konularında temel yeterlik. ndarrays ve ufuncs kullanımını kapsayacak şekilde NumPy yeterliliği.

Kütüphane: Kod tabanlı

Diller: İngilizce

Fiyat: $90

GPU’larda programlama yapmak için geliştirilen yüksek seviye OpenACC programlama dilini öğrenin. Bu eğitim, temel seviyede C/C++ bilen ve uygulamalarının performansını sadece CPU tabanlı programlama sınırlarının ötesine taşımak isteyen herkes içindir.

  • Hali hazırda var olan uygulamalarınızı OpenACC ile hızlandırmak için dört basit adım.
  • OpenACC kod tabanlarınızı nasıl optimize edeceğinizi ve kod tabanlarınızın profilini nasıl çıkaracağınızı öğrenin.
  • OpenACC ile birlikte mesaj iletim arayüzünü (MPI) birleştirerek çoklu GPU’lu sistemelrde nasıl programlama yapacağınızı öğrenin.

Dersi tamamladığınızda, OpenACC, CUDA tabanlı MPI ve NVIDIA profil çıkarma araçlarının kombinasyonuyla, çoklu GPU’ya sahip kümelerde hızlandırılmış heterojen uygulamaları derleyebiliyor ve optimize edebiliyor olacaksınız.

Gereklilikler: C/C++ ile temel seviyede tecrübe

Diller: İngilizce

Fiyat: $90

GPU’daki hesaplamalarla birlikte GPU’ya giren ve çıkan bellek aktarımlarını çakıştırarak CUDA C/C++ uygulamalarınızın performansını nasıl artıracağınızı görün.

Gereklilikler: C/C++ ile temel seviyede tecrübe

Diller: İngilizce

Süre: 4 saat

Fiyat: $30

NVIDIA GPU’ların büyük ölçekli paralel gücünü kullanmak için OpenACC kullanarak C/C++ veya Fortran uygulamanızı nasıl hızlandıracağınızı öğrenin. OpenACC, hızlandırıcı kodu kendiniz elle yazmak yerine, kodunuzu hızlandırması için derleyici ipuçlarını sağladığınız, hesaplama için direktif tabanlı bir yaklaşımdır. OpenACC kullanarak uygulamaları hızlandırmak için 4 adımlı sürece hemen başlayın:

  • Uygulamanızı karakterize edin ve uygulamanızın profilini çıkarın.
  • Hesaplama yönergeleri ekleyin.
  • Veri hareket optimizasyonu için yönergeler ekleyin.
  • Çekirdek zamanlayıcı kullanarak uygulamanızı optimize edin.

Dersi tamamladığınızda, OpenACC yönergeleri kullanarak C/C++ uygulamalarınızı hızlıca hızlandırmak için profil tabanlı yaklaşımı kullanabiliyor olmaya hazır olacaksınız.

Gereklilikler: C/C++ ile temel seviyede tecrübe

Diller: İngilizce

Fiyat: Ücretsiz

Yüksek performanslı hesaplama (HPC) uygulama geliştirme için konteynerize bir ortam kullanarak kodunuzun taşınabilirliği ve verimini artırırken karmaşıklığı nasıl azaltacağınızı öğrenin.

Gereklilikler: C/C++ ile akıcı programlama ve HPC uygulamalarıyla profesyonel seviyede tecrübe

Araçlar: Docker, Singularity, HPC Container Maker (HPCCM), C/C++

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

ENDÜSTRİ ALANINA GÖRE
DERİN ÖĞRENME

Derin öğrenmeye dair temel bilgi düzeyine ulaştığınızda, edindiğiniz bilgileri gerçek dünya problemlerini çözmek adına
daha ileri düzey ve endüstri alanına özel DLI eğitimi için uygulayabiliyor olacaksınız.

SAĞLIK

Radyoloji ve tıbbi görüntüleme için derin öğrenmeye uygulamalı bir giriş yapın.

  • Tıbbi görüntü verilerini toplayın, biçimlendirin ve standartlaştırın.
  • Bir veri kümesinde convolutional neural network (CNN) tasarlamak ve eğitmek.
  • Yeni medikal görüntüleri sınıflandırmak için eğitilmiş modeli kullanın.

Dersi tamamladığınızda, resimleri bir tıbbi görüntüleme veri kümesinde sınıflandırmak için CNN’leri uygulayabiliyor olacaksınız.

Gereklilikler: Python ile temel seviyede tecrübe

Kütüphaneler: PyTorch

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

Mayo Clinic’te yapılan çalışma sayesinde MRI görüntülemede radyomik bulguları tespit etmek için derin öğrenme teknikleri kullanmak, beyin tümörleri olan hastalarda daha etkili tedavilere ve daha iyi sağlık sonuçlarına yol açmıştır. 1p19q ortak tespiti biyo-belirtecini tespit etmeyi öğrenin:

  • CNN’leri tasarlamak ve eğitmek.
  • Bir invazif biyopsi kullanmadan bir hastalığın genomiklerini tanımlayan biyo-belirteçler oluşturmak için görüntüleme genomiklerinin (radyomik) kullanılması.
  • Mayo Kliniğinde yapılan radyojenomik çalışmaları araştırmak.

Dersi tamamladığınızda, radyolojileri tahmin etmek için derin öğrenmeyi kullanmanın yenilik ve ümit verici sonuçlarına dair benzersiz bir anlayışa sahip olacaksınız.

Gereklilikler: CNN ve Python’a dair temel düzeyde tecrübe

Kütüphaneler: TensorFlow

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

.Generative Adversarial Network (GAN) bir çift derin sinir ağıdır: sağlanan eğitim verilerine dayanarak yeni örnekler oluşturan bir üretici ve gerçek ve benzetilmiş veriler arasında ayrım yapmaya çalışan bir ayırt edici. İki model birlikte geliştikçe, üretilen örnekler de gittikçe artarak daha gerçekçi hale gelir. Bu teknoloji, sağlık sektörü için umut vaat ediyor çünkü geleneksel ağların eğitimi için küçük veri setlerindeki örnek sayısı bu sayede artırılabilir.

  • Yapay beyin MRI görüntüleri üretin.
  • Segmentasyon için GAN’ları uygulayın.
  • Tutarlılığı artırmak adına veri artırma için GAN’ları kullanın.

Dersi tamamladığınızda, GAN’ları tıbbi görüntüleme kullanım senaryolarına uygulayabileceksiniz.

Gereklilikler: CNN’lere dair tecrübe

Kütüphaneler: TensorFlow

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

.Coarse-to-Fine Contextual Memory (CFCM), çok derin yapılar kullanılarak ve çok farklı ölçeklerden özelliklerin, Long Short-Term Memory (LSTM) ile birleştirilmesiyle görüntü segmentasyonu için geliştirilmiş bir tekniktir.

  • Tıbbi görüntü segmentasyonu için kodlayıcı-kod çözücü mimarilerine derin bir dalış yapın.
  • Sıkça kullanılan yapı taşlarını (evrişimler, havuzlama katmanları, resiudal ağlar vs.) tanıyın.
  • Atlama bağlantıları için farklı stratejileri araştırın.

Dersi tamamladığınızda, tıbbi görüntü segmentasyonu ve benzer görüntüleme görevlerine CFCM tekniklerini uygulayabileceksiniz.

Gereklilikler: CNN’ler ve LSTM’lere dair tecrübe

Kütüphaneler: TensorFlow

Diller: İngilizce

Fiyat: $30

AKILLI VIDEO ANALİZİ

DeepStream ile akıllı görüntü analizi için donanım hızlandırıcılı uygulamaları nasıl geliştireceğinizi ve video akışlarını akıllı çıkarımlara dönüştürmek için bu uygulamaları ölçekli olarak nasıl uygulamaya koyacağınızı öğrenin.

Gereklilikler: GStreamer ve C++ ile tecrübe

Kütüphaneler: DeepStream 3.0

Diller: İngilizce

Süre: 2 saat

Fiyat: $30

Nesne tespiti ve sınıflandırma ağları kullanarak video akışları üzerinde çıkarım yapmak için DeepStream uygulmalarını nasıl geliştireceğinizi keşfedin.

Gereklilikler: Temel C tecrübesi

Kütüphaneler: DeepStream, TensorRT, Jetson Nano

Diller: İngilizce

Süre: 8 saat

Fiyat: Ücretsiz

EĞİTMEN LİDERLİĞİNDEKİ WORKSHOPLAR

DLI organizasyonlarda ve etkinliklerde derin öğrenmenin temellerini ya da belirli alanlara ait uygulama alanlarını anlatmak için tasarlanmış eğitmen liderliğinde teknik eğitim hizmeti sunmaktadır. Çeşitli uzmanlık düzeyleri için derin öğrenme başlıklarını kapsayan bir alanda tam günlük workshoplar sunuyoruz. Aşağıdaki workshoplardan birini ya da kendinize özel birini talep edin.

Günümüz yapay zeka algoritmalarının yapı taşı olan derin öğrenmeye dair bu giriş dersiyle güçlü bir temel oluşturun. Aynı zamanda görüntüye dayalı problemlerde en çok tercih edilen Evrişimli Sinir Ağları (Convolutional Neural Networks) ve derin öğrenme algoritmalarını bu denli güçlü yapan geri yayılım algoritması gibi algoritmaların matematiksel arka planını uzman ekibimizden öğrenin.

Ders akışı boyunca;

  • Derin Öğrenme nedir?
  • Derin Öğrenme’ye giriş ve uygulama alanları.
  • Yapay zeka uygulamaları için gerekli donanımların belirlenmesi.
  • Jetson VisionWorks ve Multimedia API ile uygulama tanıtımları.
  • Veri seti oluşturma adımları.
  • En popüler derin öğrenme kütüphanelerine uzman destekli yaklaşım.
  • Bilgisayar ve Jetson TX2’nin Deep Learning Ready hale getirilmesi.
  • Convolutional Neural Networks’e matematiksel yaklaşım.
  • Backpropagation algoritmasına matematiksel yaklaşım.
  • NVIDIA DIGITS sistemine giriş ve fonksiyonelliklerin tanıtımı.
  • NVIDIA DIGITS sistemiyle örnek bir model eğitilmesi.
  • Sınıflandırma problemine giriş.
  • TensorFlow kullanarak MNIST veri setiyle basit sınıflandırıcı model eğitimi.
  • Nesne tanımlama problemine giriş.
  • TensorFlow kullanarak basit nesne tanımlama modelinin eğitilmesi.

Not: Bu derste bütün katılımcılara, eğitim boyunca kullanabilecekleri tamamen kendilerine özel NVIDIA GPU’lu makineler tahsis edilecektir.

Gereklilikler: Yok

Kütüphaneler: TensorFlow, DIGITS

Diller: Türkçe

Derin Öğrenmeye Giriş dersinin devamı niteliğinde olan bu ders ile sınıflandırıcı modellerin başarımının nasıl artırılabileceğini öğrenin. Aynı zamanda az veriyle yüksek başarım elde etmenin yöntemlerini de çeşitli görüntü işleme yöntemleriyle nasıl yapacağınızı uygulamalı olarak görün.

  • Sınıflandırıcı model için kullanılan veri setlerinin incelenmesi
  • Probleme özel örnek bir veri seti oluşturma
  • Görüntü işleme ile veri seti üzerinde görüntü manipülasyonu
  • Sınıflandırıcı model başarım artırma teknikleri
  • Keras ile sıfırdan bir sınıflandırıcı model oluşturma
  • Keras ile az miktarda veriyle yüksek başarımlı sınıflandırıcı model eğitilmesi
  • Keras ile bir modele “fine-tuning” işlemi
  • Farklı veri çeşitlendirme yöntemlerinin model başarımına etkileri
  • Model başarımını artırmak için izlenebilecek adımlar

Not: Bu derste bütün katılımcılara, eğitim boyunca kullanabilecekleri tamamen kendilerine özel NVIDIA GPU’lu makineler tahsis edilecektir.

Gereklilikler: Derin Öğrenmeye Giriş Dersi veya temel teknik bilgi

Kütüphaneler: Keras

Diller: Türkçe

Open Zeka Nesne Tanımlama Dersi ile doğru bir şekilde veri toplama evresinden başlayarak hem bilgisayar hem de uçta yapay zeka çözümleri için geliştirilen NVIDIA Jetson TX2 cihazıyla, gerçek zamanlı veri üzerinde görüntü analizi yapma evresine kadar her detayı öğrenin ve nesne tanımlama konusunun uzmanı olun. Aşağıdaki eğitim akışı sayesinde hem Keras kütüphanesi ile hem de NVIDIA DIGITS arayüzü kullanarak tamamen size ve çözüm alanlarınıza özel olan iki farklı nesne tanımlama modeli geliştirebilirsiniz:

  • Doğru veri toplama yöntemleri ve veri seti analizi
  • Farklı etiket formatları
  • Farklı formatlarda etiketleme yapan veri etiketleme araçlarının kullanımı
  • Verilerin, Keras eğitimi için uygun formatta etiketlenmesi.
  • Model başarımlarının artırılmasına teorik yaklaşım.
  • Görüntü işleme ile veri miktarının artırılması.
  • Keras formatındaki etiketlerin, yardımcı bir araçla doğruluk kontrolünün yapılması.
  • Keras ile performans/başarım tercihine bağlı olarak; RetinaNet, ResNet-50, ResNet-101, ResNet152, MobileNet-128, MobileNet-160, MobileNet-192, MobileNet-224 modellerinin eğitilmesi.
  • Keras ile eğitilen modeller kullanılarak bilgisayar ve Jetson TX2’de gerçek zamanlı görüntü analizi.
  • Jetson TX2 ile nesne tespit modeli demolarının çalıştırılması.
  • NVIDIA DIGITS’te nesne tespit etiket formatının detaylı incelemesi.
  • Keras Özelleştirilmiş Eğitim etiket formatının NVIDIA DIGITS etiket formatına dönüştürülmesi.
  • DetectNet modelininin probleme özel olarak yeniden düzenlenmesi.
  • NVIDIA DIGITS kullanılarak DetectNet modelinin eğitilmesi.
  • DetectNet modelinin performansını artırmak için gerekli TensorRT düzenlemelerinin model yapısı üzerinde uygulanması.
  • Eğitim süresince üretilen ara modellerin Jetson TX2’ye entegre edilmesi ve Jetson TX2’de gerçek zamanlı görüntüyle test edilmesi.

Not: Bu derste bütün katılımcılara, eğitim boyunca kullanabilecekleri tamamen kendilerine özel NVIDIA GPU’lu makineler tahsis edilecektir.

Gereklilikler: Derin Öğrenmeye Giriş Dersi veya temel teknik bilgi

Kütüphaneler:Keras, DIGITS

Diller: Türkçe

Farklı endüstri alanlarında karşılaşılan görüntü tabanlı problemlerin çözümlerini, Keras
derin öğrenme kütüphanesi kullanarak “semantic segmentation” yöntemiyle bire bir uygulamalı olarak öğrenin.

  • Semantic segmentation nedir? Hangi alanlarda ne gibi amaçlarda kullanılır? Arka planda gerçekleşen işlemler nelerdir?
  • Mevcut veri setleri hakkında inceleme
  • Semantic segmentation için sinir ağı örnekleri
  • FCN (Fully Convolutional Networks)
  • Verinin, semantic segmentation yöntemine uygun etiketlenmesi
  • Keras ve Tensorflow kütüphanesi kullanarak veri ön işleme ve farklı segmentasyon modellerinin eğitilmesi
  • UNet mimarisi
  • Cityscapes veri setini ve UNet mimarisini kullanarak eğitim başlatma, eğitilmiş ağdan çıktı elde etme · Instance-level Segmentation hakkında teorik bilgi, eğitim prosedürleri ve ağ yapısı örnekleri
  • Farklı modellerin gerçek zamanlı kamera görüntüsü üzerinde performans ve başarım karşılaştırmalarının yapılması
  • Optimizasyon teknikleri

Not: Bu derste bütün katılımcılara, eğitim boyunca kullanabilecekleri tamamen kendilerine özel NVIDIA GPU’lu makineler tahsis edilecektir.

Gereklilikler: Derin Öğrenmeye Giriş Dersi veya temel teknik bilgi

Kütüphaneler: DIGITS

Diller: Türkçe