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.
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.
ÇEVRİMİÇİ SEÇMELİ
DERSLER
DLI çevrimiçi seçmeli dersleri belirli bir teknolojinin veya geliştirme tekniklerinin iki saat içerisinde nasıl uygulanacağını incelemektedir. Tam uzunluktaki dersler gibi, seçmeli dersler de her zaman, her yerde buluttaki GPU’lu makinelere erişilerek alınabilir.
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.
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 ve seçmeli derslere buluttaki GPU ile hızlandırılmış, hazır kurulumlara sahip iş istasyonlarına erişerek her an, her yerde başlayın.
DERİN ÖĞRENMEYE GİRİŞ
Derin öğrenme konusunda yeniyseniz uygulayacağınız ilk adım,
gerçek dünya problemlerini çözmek için bir sinir ağını eğitmek ve uygulamaya koymaktır.
EĞİTİMLER
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. Ders boyunca:
- Resim sınıflandırma ve nesne tanımlama gibi yaygın derin öğrenme tekniklerini uygulayın.
- Verilerle denemeler yaparak, parametreleri eğiterek, ağ yapısı ve diğer stratejileri uygulayarak performansı ve kabiliyetleri artırın.
- Gerçek dünya problemlerini çözmeye başlamak için kendi sinir ağlarınızı uygulamaya koyun.
Dersi tamamladığınızda derin öğrenme kullanarak kendi sorunlarınızı çözmeye başlayabiliyor olacaksınız.
Gereklilikler: Fonksiyonlar ve değişkenler gibi basit programlama temellerine aşinalık.
Kütüphane: Caffe, DIGITS
Değerlendirme Türü: Kod tabanlı
Diller: İngilizce
Fiyat: $90
Sertifikasyon mevcuttur
SEÇMELİ DERSLER
Derin öğrenme, elle yazılan komutları örneklerden öğrenilen modellerle değiştirerek tamamen yeni çözümlere olanak sağlamaktadır. Aşağıdakileri yaparak el yazısıyla yazılmış rakamları tanıyan bir yapay sinir ağı eğitin:
- Eğitim ortamına resim verisini yüklemek.
- Bir ağ seçip, o ağı eğitmek.
- Yeni veriyle test etmek ve performansı artırmak için işlemleri tekrar etmek.
Dersi tamamladığınızda, eğitim için hangi verileri kullanmanız gerektiğini değerlendirebiliyor olacaksınız.
Gereklilikler: Yok
Kütüphane: Caffe (DIGITS arayüzüyle)
Diller: İngilizce, Çince, Japonca
Fiyat: Ücretsiz
Havadan toplanan görüntülerden balina yüzlerini tespit ederek derin öğrenmeyi nesne tespit etme problemine uygulayın:
- Geleneksel bilgisayar görüsünü derin öğrenmeyle birlikte kullanmak
- Caffe derin öğrenme kütüphanesi kullanarak var olan bir sinir ağı üzerinde küçük bir “beyin ameliyatı” uygulamak
- Amaca özel ağ ve uıçtan uca etiketlenmiş veriyi tanımlayarak ve kullanarak derin öğrenme topluluğunun sahip olduğu bilgileri edinmek
Dersi tamamladığınızda, eğitim için hangi verileri kullanmanız gerektiğini değerlendirebiliyor olacaksınız.
Gereklilikler: Sinir ağlarıyla temel seviyede tecrübe
Kütüphane: Caffe (DIGITS arayüzüyle)
Diller: İngilizce, Çince
Fiyat: Ücretsiz
Derin öğrenme sayesinde aşırı yoğun hesaplama gerektiren, girdileri çıktılara haritalandırma işlemini yapabilmekteyiz. Gerçek zamanlı olarak görüntüleri tanıyan ve yayaları tespit eden uygulamalara derin öğrenmeyi uygulamayı öğrenin:
- Bir eğitilmiş modeli oluşturan dosyalara erişme ve dosyaları anlama.
- Her bir fonksiyonun benzersiz girdi ve çıktılarından oluşturma.
- Çıktı ve gecikme gibi farklı performans ölçütleri için uygulamanızın en yoğun hesaplamalı kısımlarını optimize etme.
Dersi tamamladığınızda, eğitim için hangi verileri kullanmanız gerektiğini değerlendirebiliyor olacaksınız.
Gereklilikler: Sinir ağlarıyla temel seviyede tecrübe
Kütüphane: DIGITS, TensorRT
Diller: İngilizce, Çince
Fiyat: $30
NVIDIA Docker eklentisi, GPU’lar kullanılarak ürün düzeyinde derin öğrenme akışlarını paketlemeye (containerization) olanak sağlar. Ana bilgisayar yapılandırmasını ve yönetimini azaltmayı öğrenin:
- Docker imajlarıyla çalışmayı ve konteyner kavramını yönetmeyi öğrenme.
- Az yer kaplayan konteynerler oluşturmada maksimum yeniden kullanılabilirlik için herkese açık Docker imaj mağazasındaki (DockerHub) imajlara erişmek.
- TensorFlow ve MXNet kütüphaneleri kullanarak sinir ağı eğitme.
Dersi tamamladığınızda, eğitim için hangi verileri kullanmanız gerektiğini değerlendirebiliyor olacaksınız.
Gereklilikler: Sinir ağlarıyla temel seviyede tecrübe
Kütüphane: TensorFlow, MXNet
Diller: İngilizce, Japonca
Fiyat: $30
Görüntü (veya anlamsal) segmentasyon, bir görüntüdeki her bir pikselin belirli bir sınıfa atanması işlemidir. Kalibn bölümlerini ölçmek için MRI görüntülerini segmente etmeyi öğrenin:
- Diğer bilgisayar görüsü problemleriyle görüntü segmentasyonunu kıyaslayın.
- TensorBoard ve TensorFlow Python API gibi TensorFlow araçlarıyla çalışmalar yapın
- Model performansını değerlendirmek için etkili ölçümler yapmayı öğrenme
Dersi tamamladığınızda, eğitim için hangi verileri kullanmanız gerektiğini değerlendirebiliyor olacaksınız.
Gereklilikler: Sinir ağlarıyla temel seviyede tecrübe
Kütüphane: TensorFlow
Diller: İngilizce
Fiyat: $30
Microsoft Cognitive Toolkit kütüphanesini kullanarak bir sinir ağını eğitmeyi öğrenin. Aşağıdakileri yapmak için gittikçe artan karmaşıklıkta ağları oluşturacak ve eğiteceksiniz:
- BrainScript’in “Simple Network Builder”’a karşı daha genelleştirilebilir olan “Network Builder” kullanarak bir sinir ağı ifadesini karşılaştırın
- Sinir ağı graflarını görselleştirin.
- El yazısı rakamlarını sınıflandırmak için bir sinir ağı eğitin ve test edin.
Dersi tamamladığınızda, convolutional neural networks (CNNs) hakkında temel bir bilgiye sahip olacaksınız ve Microsoft Cognitive Toolkit’in daha ileri düzey kullanımlarına geçmeye hazırlanmış olacaksınız.
Gereklilikler: Yok
Kütüphane: Microsoft Cognitive Toolkit
Diller: İngilizce
Fiyat: $30
TensorFlow’un TFLearn API’sini kullanarak yapısal veriden nasıl tahminler oluşturabileceğinizi öğrenin. Sayım verileriyle bireysel gelir tahmin etme problemi boyunca:
- Makine öğrenmesi için CSV dosyasından veri yükleme, görüntüleme ve düzenlemeyi öğrenin.
- Bir sinir ağının var olan olan veri setini öznitelikler ve etiketler (girdi, çıktı) olarak ikiye ayırmayı öğrenin.
- Doğrusaldan derin modellere inşa edin ve performanstaki değişimleri değerlendirin.
Dersi tamamladığınızda, kendi yapısal verinizden tahminler oluşturabiliyor olacaksınız.
Gereklilikler: Yok
Kütüphane: TensorFlow
Diller: İngilizce
Fiyat: $30
Derin sinir ağları, görüntüleri sınıflandırmada insanlardan daha iyidir ve bunun da bilgisayar görüşünden beklediğimiz şeylerin ötesinde etkileri vardır. Gürültü yüzünden bozulan zayıf sinyalleri tespit etmek için radyo frekans (RF) sinyallerini görüntüye dönüştürmeyi öğrenin:
- Görüntü olmayan verileri görüntü verileri olarak ele alma.
- DIGITS’te bir derin öğrenme akışı (yükle, eğit, test et, ayarla) uygulayın.
- Performansı programatik olarak test edin ve performans iyileştirmelerini kendiniz yönlendirin.
Dersi tamamladığınızda, derin öğrenme kullanarak resim ve resme benzer verileri sınıflandırabiliyor olacaksınız.
Gereklilikler: Sinir ağı eğitme konusunda temel seviyede tecrübe
Kütüphane: Caffe, DIGITS
Diller: İngilizce, Çince
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’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
SEÇMELİ DERSLER
NVIDIA GPU’ların büyük ölçekli paralel gücünü kullanmak için CUDA’yı kullanarak C/C++ uygulamanızı nasıl hızlandıracağınızı öğrenin. Sıralı bir şekilde CUDA ile nasıl programlama yapacağınızı öğreneceksiniz:
- SAXPY algoritmasını hızlandırmak.
- Matrix Multiply algoritmalarını hızlandırmak.
- Isı iletim algoritmalarını hızlandırmak.
Dersi tamamladığınızda, CUDA platformunu C/C++ uygulamalarını hızlandırmak için nasıl kullanabileceğinizi öğreneceksiniz.
Gereklilikler: C/C++ ile temel seviyede tecrübe
Diller: İngilizce, Japonca
Fiyat: Ücretsiz
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
Kodu bir GPU’da hızlandırmak için üç tekniği keşfedin:
- GPU hızlandırıcılı kütüphaneleri kullanmak.
- OpenACC gibi derleyici yönergeleri kullanmak.
- Direkt olarak CUDA destekli dillerde kod yazmak.
Dersi tamamladığınızda, potansiyel hız artışlarını ve GPU’ya aktarmanın kullanım kolaylığını nasıl göstereceğinizi anlayacaksınız.
Gereklilikler: C/C++ ile temel seviyede tecrübe
Diller: İngilizce
Fiyat: $30
Bir NVIDIA GPU’da CUDA C/C++ ile programlama için bellek optimizasyon tekniklerini ve bu optimizasyonları desteklemek için NVIDIA Visual Profiler’ı (NVVP) nasıl kullanacağınızı keşfedin:
- Bir “naive matrix transposing” algoritması entegre edin.
- Algoritmayı NVVP ile eşleştirmenin birkaç döngüsünü gerçekleştirin ve algoritmanın performansını optimize edin.
Dersi tamamladığınızda, küresel ve paylaşımlı bellek erişim kalıplarını nasıl analiz edeceğinizi ve geliştireceğinizi; aynı zamanda hızlandırılmış C/C++ uygulamalarınızı nasıl optimize edeceğinizi biliyor olacaksınız.
Gereklilikler: CUDA C/C++ ile Uygulamaları Hızlandırma veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
NVIDIA GPU’ların büyük ölçekli paralel gücünden yararlanmak için bazı kütüphaneleri kullanarak C/C++ uygulamanızı nasıl hızlandıracağınızı öğrenin. Aşağıdaki maddeleri içeren üç alıştırma üzerinde çalışıyor oalcaksınız:
- Temel matris çarpımını hızlandırmak için cuBLAS kullanın.
- Önceki cuBLAS çağrılarına bazı cuRAND API çağrıları ekleyerek kütüphaneleri birleştirin.
- Kodun profilini çıkarmak için nvprof kullanın ve bazı CUDA Runtime API çağrılarıyla optimize edin.
Dersi tamamladığınızda, mevcuttaki sadece CPU’da çalışan C/C++ programlarınızda hızlı uygulama ivmelenmesi için birkaç CUDA etkin kütüphanesi kullanmaya hazır olacaksınız.
Gereklilikler: CUDA C/C++ ile Uygulamaları Hızlandırma veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
NVIDIA GPU’larda Python kodunu hızlandırmak için GPU kütüphanelerini nasıl kullanacağınızı öğrenin:
- Monte Carlo fiyatlandırıcısını hızlandırmak için cuRAND kütüphanesini kullanma.
- CPU ve GPU arasında veri hareketini optimize etme
Dersi tamamladığınızda, sadece CPU’da çalışan Python kodunuzu hızlandırmak için GPU hızlandırılmış Python kütüphanelerini kullanmaya başlayabilirsiniz.
Gereklilikler: Python ile temel seviyede tecrübe
Diller: İngilizce
Fiyat: $30
Thrust, C ++ Standart Şablon Kütüphanesi’ne dayalı gevşek bir paralel algoritmalar kütüphanesidir. Geliştiricilerin paralel işlem gücünün hızlı bir şekilde benimsemelerine ve OpenMP ve Intel’in Threading Building Blocks gibi çoklu sistem arka uçlarını desteklemesine olanak sağlar. Aşağıdakileri kapsayan alıştırmalarla C++ hızlandırmak için Thrust kullanın:
- Temel yineleyiciler, konteynerler ve fonksiyonlar.
- Hazır ve özel Funktörler.
- CPU ile işlemeye taşınabilirlik.
Dersi tamamladığınızda, C/C++ uygulamalarınızı hızlandırmak için Thrust kütüphanesinin gücünü kullanmaya hazır olacaksınız.
Gereklilikler: CUDA C/C++ ile Uygulamaları Hızlandırma veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
OpenACC programlama döngüsünün ilk iki adımından başlayın: paralellik tanımlama ve paralellik ifade etme:
- NVIDIA NVPROF kullanarak size verilen bir C veya Fortran uygulamasının profilini çıkartın.
- Kodu hızlandırmak için PGI OpenACC derleyicisini kullanın
Dersi tamamladığınızda, uygulama hızlandırma adına OpenACC yönergelerini nereye uygulayacağınızı anlamak için sadece CPU’da çalışan C veya Fortran uygulamalarını profilleyebileceksiniz.
Gereklilikler: OpenACC – 4 Adımda 2 Kat Daha Fazla dersi veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
Aşağıdaki maddeleri uygulayarak orta düzeyde OpenACC programlama öğrenin:
- OpenACC veri yönetimi direktifleri ekleme.
- OpenACC döngü yönergesini kullanarak uygulamaların optimize edilmesi.
Dersi tamamladığınızda, OpenACC ile veri transferlerini ve ince ayar uygulama paralelliklerini optimize edebileceksiniz.
Gereklilikler: OpenACC ile Profilleme ve Paralelleştirme dersi veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
Message Passing Interface (MPI) ve OpenACC kullanarak çoklu GPU sistemlerini veya GPU kümelerini nasıl programlayacağınızı öğrenin:
- CUDA etkin MPI ve OpenACC kullanarak farklı GPU’lar arasında veri değişimi.
- Çoklu GPU sistemlerinde GPU ilişkisini ele almak.
- İletişim sürelerini gizlemek için hesaplama ile iletişim çakıştırma.
Dersi tamamladığınızda, çoklu GPU ortamlarında OpenACC ve MPI kombinasyonu ile uygulamaları hızlandırabilirsiniz.
Gereklilikler: OpenACC – 4 Adımda 2 Kat Daha Fazla dersi veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
Çoklu GPU MPI ve OpenACC ile hızlandırılmış uygulamaların nasıl geliştirileceğini öğrenin:
- İletişim sürelerini gizlemek için hesaplama ile iletişim çakıştırma.
- 2D ızgara alan ayrıştırma kullanarak bitişik olmayan hal güncellemeleriyle başa çıkın.
Dersi tamamladığınızda, OpenACC ve MPI ile hızlandırılmış uygulamalarda ara teknikleri kullanabileceksiniz
Gereklilikler: OpenACC ve MPI ile Çoklu GPU Programlamaya Giriş dersi veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
Pipelining olarak bilinen basit bir teknik kullanarak GPU hesaplamasıyla örtüşecek veri kopyalarını optimize ederek OpenACC becerilerinizi bir üst düzeye taşıyın:
- Cihazdaki işlev çağrılarına izin vermek için OpenACC rutin yönergesini kullanın.
- Büyük işleri küçük parçalara ayırın.
- Bu parçalarda CPU’dan asenkron olarak çalışmak.
Dersi tamamladığınızda, veri kopyalarını etkili ve neredeyse maliyetsiz oluşturmak için OpenACC’de pipelining kullanabileceksiniz.
Gereklilikler: OpenACC ile Veri Hareketi ve Döngüleri Optimize Etme dersi veya benzeri tecrübe
Diller: İngilizce
Fiyat: $30
Aşağıdaki maddeleri uygulayarak bir GPU için kod hızlandırma ve optimizasyon deneyimini geliştirmek adına profilleyiciyi nasıl kullanacağınızı öğrenin:
- PGI profiler kullanın.
- NVIDIA profiler kullanın.
- Sismik Unix ile dahil edilen Kirchhoff 2D Derinlik Göçünü hızlandırmak için OpenACC kullanın.
Dersi tamamladığınızda, OpenACC ile profil odaklı bir yaklaşım kullanarak çeşitli mimariler için hızlandırma ve veri optimizasyonu gerçekleştirebileceksiniz.
Gereklilikler: Yok
Diller: İngilizce
Fiyat: $30
NVIDIA GPU’ların büyük ölçekli paralel gücünden yararlanmak için CUDA’yı kullanarak Fortran uygulamanızı nasıl hızlandıracağınızı öğrenin. Aşağıdaki maddeleri gerçekleştirmek için CUDA programlayacaksınız:
- SAXPY algoritmalarını hızlandırmak
- Matris Çarpım algoritmalarını hızlandırmak.
- Isı iletim algoritmalarını hızlandırın.
Dersi tamamladığınızda, Fortran uygulamalarını hızlandırmak için CUDA platformunu kullanabileceksiniz.
Gereklilikler: Fortran ile temel düzeyde tecrübe
Diller: İngilizce
Fiyat: $30
Bir NVIDIA GPU üzerinde CUDA Fortran ile programlama için yararlı bellek optimizasyon tekniklerini ve bu optimizasyonları desteklemek için NVIDIA Visual Profiler (NVVP) ‘yi nasıl kullanacağınızı öğrenin:
- Bir naive matris transpoze algoritması uygulamak.
- Algoritmanın NVVP ile profilleştirilmesi ve performansının optimize edilmesi için birkaç döngü gerçekleştirin.
Dersi tamamladığınızda, evrensel ve paylaşımlı bellek erişim kalıplarını nasıl analiz edeceğinizi, geliştireceğinizi ve hızlandırılmış Fortran uygulamalarınızı nasıl optimize edeceğinizi biliyor olacaksınız.
Gereklilikler: CUDA Fortran ile Uygulamaları Hızlandırma dersi veya benzer tecrübe
Diller: İngilizce
Fiyat: $30
NVIDIA GPU’larında Fortran kodunu hızlandırmak için GPU kitaplıklarını nasıl kullanacağınızı keşfedin:
- Monte Carlo fiyatlandırıcısını hızlandırmak için cuRAND kütüphanesini kullanma.
- CPU ve GPU arasında veri hareketini optimize etme.
Dersi tamamladığınızda, sadece CPU’da çalışan Fortran kodunuzu hızlandırmak için GPU hızlandırılmış Fortran kütüphanelerini kullanabileceksiniz.
Gereklilikler: Fortran ile temel düzeyde tecrübe
Diller: İngilizce
Fiyat: $30
ENDÜSTRİ ALANINA GÖRE
DERİN ÖĞRENME EĞİTİMİ
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.
OYUN GELİŞTİRME VE DİJİTAL İÇERİK
EĞİTİMLER
DIGITS’te resim içerikleri üretmek için Generative Adversarial Network’leri (GAN) nasıl eğiteceğinizi öğrenin:
- El yazısı numaraları oluşturmak için GAN’ları kullanın.
- Öznitelik alanını görselleştirin ve görüntü benzetimlerini oluşturmak için öznitelik vektörünü kullanın.
- Küme özelliklerine sahip görüntüler oluşturmak için bir GAN’ı eğitin.
Dersi tamamladığınızda, öznitelik alanını işleyerek görüntüleri oluşturmak için GAN’ları kullanabileceksiniz.
Gereklilikler: CNN’ler ile tecrübe
Kütüphaneler: TensorFlow
Diller: İngilizce
Fiyat: $30
Farklı görsel özellikleri ayıklayarak bir görüntünün görünümünü ve hissiyatını başka bir görüntüye nasıl aktaracağınızı keşfedin. Özelliğin çıkarılması için convolutional neural networks (CNN’ler) nasıl kullanıldığını ve bu özelliklerin yeni bir görüntü oluşturmak için bir üretece nasıl beslendiğini görün:
- Farklı görsel özellikleri ayıklayarak bir görüntünün görüntüsünü ve hissiyatını başka bir görüntüye aktarma.
- Farklı teknikler kullanarak bir stilin doğru bir şekilde aktarılıp aktarılmadığını kalitatif olarak belirleme.
- Keyfi stil transferi için mimari yenilikler ve eğitim teknikleri kullanın.
Dersi tamamladığınızda, video için etkili bir hızda keyfi stil aktarımı için sinir ağlarını kullanabileceksiniz.
Gereklilikler: CNN’ler ile tecrübe
Kütüphaneler: Torch
Diller: İngilizce
Fiyat: $30
Otokodlayıcılara sahip sinir ağlarının, ışın izlemeli görüntülerde gürültünün giderilmesini önemli ölçüde hızlandırmak için nasıl kullanılabileceğini öğrenin:
- İşlenen görüntülerde gürültü olup olmadığını belirleme.
- Bazı örnek görüntüleri veya kendi resimlerinizi gürültüsüzleştirmek için önceden eğitilmiş bir ağ kullanın.
- Sağlanan veri setini kullanarak kendi gürültüsüzleştiricinizi eğitin.
Dersi tamamladığınızda, kendi işlenmiş görüntü yoğunlaştırıcınızı eğitmek için sinir ağları içindeki otomatik kodlayıcıları kullanabilirsiniz.
Gereklilikler: CNN’ler ile tecrübe
Kütüphaneler: TensorFlow
Diller: İngilizce
Fiyat: $30
Düşük kaliteli kaynak görüntülerden yüksek kaliteli görüntüler oluşturmak için otomatik bir kodlayıcı ile sinir ağının gücünü kullanın. Bu mini eğitimde:
- Otomatik kodlayıcıyı anlayın ve tasarlayın.
- Görüntü kalitesini titiz bir şekilde ölçmek için çeşitli yöntemler öğrenin.
Dersi tamamladığınızda, görüntü kalitesini önemli ölçüde artırmak için sinir ağları içinde otomatik kodlayıcıları kullanabileceksiniz.
Gereklilikler: CNN’ler ile tecrübe
Kütüphaneler: Keras
Diller: İngilizce
Fiyat: $30
SAĞLIK
SEÇMELİ DERSLER
Recurrent Neural Networks (RNNs), modellerin doğal dil, pazarlar ve hatta zaman içinde hastanın sağlığı gibi zaman serisi verilerini sınıflandırmasına veya tahmin etmesine izin verir.
- Elektronik sağlık kayıtlarını kullanarak HDF5 (hierarchical data format version five) formatında eğitim ve test veri kümeleri oluşturma.
- Çok karmaşık veri dizilerinin modellenmesine izin veren Recurrent Neural Networks ile kullanım için veri setleri hazırlayın.
- Model performansını ana hat verilerine göre değerlendirmek için Theano’nun üzerinde çalışan Keras kütüphanesini kullanarak, belirli bir RNN mimarisi olan Long-Short Term Memory modelini (LSTM) oluşturun.
Dersi tamamladığınızda, RNN’leri kullanarak zaman serisi verilerini modelleyebileceksiniz.
Gereklilikler: Derin öğrenmeye dair temel tecrübe
Kütüphaneler: Keras
Diller: İngilizce
Fiyat: Ücretsiz
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: Yok
Kütüphaneler: DIGITS
Diller: İngilizce
Fiyat: $30
Görüntü (veya semantik) segmentasyonu, bir görüntünün her bir pikselini belirli bir sınıfa yerleştirme görevidir. Kalbin parçalarını ölçmek için MRI görüntülerini bölümlere ayırın:
- Özel Python katmanlarıyla Caffe’yi genişletme.
- “Transfer learning” sürecinin uygulanması.
- Popüler görüntü sınıflandırma ağlarından tam evrişimli sinir ağları (CNN’ler) oluşturma.
Dersi tamamladığınızda, derin öğrenmeyi kullanarak bilgisayar görüşü akışlarının çoğunu uygulayabileceksiniz.
Gereklilikler: CNN ve Python’a dair temel düzeyde tecrübe
Kütüphaneler: DIGITS, Caffe
Diller: İngilizce
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
Fiyat: $30
Convolutional Neural Networks (CNN), görünür olmayan resimlerden hastanın durumu hakkında bilgi sahibi olmak için tıbbi görüntü analizine uygulanabilir. Zaman seriye dayalı MRI verilerinden, insan kalbinin sol ventrikül hacmine dair çıkarım yapmak için bir CNN’i nasıl eğiteceğinizi öğrenin.
- Daha karmaşık veriler için standart bir 2D CNN’i genişletin.
- Standart Python API ve R ile MXNet’i kullanın.
- Hacimsel olabilen ve geçici bir bileşene sahip olan yüksek boyutlu görüntülerin işlenmesi.
Dersi tamamladığınızda, görünür olmayan resimler için CNN’leri nasıl kullanacağınızı biliyor olacaksınız.
Gereklilikler: CNN ve Python’a dair temel düzeyde tecrübe
Kütüphaneler: MXNet
Diller: İngilizce
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
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’lere dair tecrübe
Kütüphaneler: TensorFlow
Diller: İngilizce
Fiyat: $30
Kestirimci genom dizisi modellerini keşfetmek için derin öğrenme modellerini yorumlamayı öğrenin. Aşağıdaki maddeler için simüle edilmiş ve gerçek düzenleyici genomik veriler üzerinde derin düzenleyici genomik sinir ağı (DragoNN) araç setini kullanın:
- Popüler DragoNN mimarilerinin sırrını çözün.
- DragoNN modellerini kullanarak düzenleyici sıralamayı modellemek ve yorumlamak için yönergeleri keşfedin.
- DragoNN’nin genomik ve yüksek performanslı modellerde bir öğrenme problemi için iyi bir seçim olduğunu belirleyin.
Dersi tamamladığınızda, yeni biyolojik bilgiler elde etmek için tahmini genom dizisi modellerinin keşfini kullanabiliyor olacaksınız.
Gereklilikler: CNN’ler ve Python’a dair temel düzeyde tecrübe
Kütüphaneler: Keras, Theano
Diller: İngilizce
Fiyat: $30
AKILLI VIDEO ANALİZİ
SEÇMELİ DERSLER
Bir sinir ağı eğitildiğinde, yeni veri girdilerindeki cevapları bulmakla görevlendirilir ve uygulamay koymak şeklinde adlandırılır. TensorRT, nöral ağların çıkarım performansını iyileştirmek adına çeşitli seçeneklerle dağıtım için birincil araçtır. Bu mini eğitimde:
- Çıkarımı yaptırmak için giexec’in nasıl kullanıldığını öğrenin.
- Çıkarımı optimize etmek için mixed precision INT8 kullanın.
- Eklentiler için özel katmanlar API’sinden yararlanın.
Dersi tamamladığınızda, sinir ağları için çıkarım performansını hızlandırmak adına TensorRT’yi nasıl kullanacağınızı biliyor olacaksınız.
Gereklilikler: CNN’ler ve C++ ile temel düzeyde tecrübe
Kütüphaneler: TensorRT
Diller: İngilizce
Fiyat: $30
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
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
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
