When you enroll through our links, we may earn a small commission—at no extra cost to you. This helps keep our platform free and inspires us to add more value.
Aceleração de Aplicações de IA com NVIDIA RAPIDS
Computação com GPU e CUDA de alta velocidade e desempenho! Crie pipelines de Ciência de Dados 50 vezes mais rápidos!
This Course Includes
udemy
4.9 (10 reviews )
7 total hours 
portuguese
Online - Self Paced
course
Udemy
About Aceleração de Aplicações de IA com NVIDIA RAPIDS
A ciência de dados e o machine learning representam os maiores setores computacionais do mundo, onde melhorias modestas na precisão dos modelos analíticos podem se traduzir em bilhões de impacto no resultado final. Os cientistas de dados constantemente se esforçam para treinar, avaliar, iterar e otimizar modelos para alcançar resultados altamente precisos e um desempenho excepcional. Com a poderosa plataforma RAPIDS da NVIDIA, o que antes levava dias agora pode ser realizado em questão de minutos, tornando a construção e implantação de modelos de alto valor mais fácil e ágil. Em Data Science, a capacidade computacional adicional significa insights mais rápidos e eficazes. RAPIDS aproveita o poder do NVIDIA CUDA para acelerar todo o fluxo de trabalho de treinamento de modelos de ciência de dados, executando-o em unidades de processamento gráfico (GPUs).
Neste curso, você vai aprender tudo o que precisa saber para levar suas aplicações de aprendizado de máquina para outro nível! Confira abaixo alguns dos tópicos que serão abordados:
Utilizar as bibliotecas cuDF, cuPy e cuML ao invés do Pandas, Numpy e scikit-learn; o que garante que os dados sejam processados e algoritmos de machine learning executados com alto desempenho na GPU
Comparar o desempenho das bibliotecas clássicas do Python com o RAPIDS. Em alguns experimentos executados durante as aulas, conseguimos taxas de aceleração superiores a 900x. Isso indica que em determinadas bases de dados e com determinados algoritmos, o RAPIDS consegue ser 900 vezes mais rápido!
Criar um projeto completo e passo a passo de machine learning utilizando o RAPIDS, desde o carregamento dos dados até as previsões
Utilizar o DASK para paralelismo de tarefas em múltiplas GPUs ou CPUs; integrado com o RAPIDS para um desempenho superior
Durante o curso vamos utilizar a linguagem de programação Python e o Google Colab on-line. Desta forma, você não precisa possuir uma GPU local para acompanhar as aulas, pois utilizaremos o hardware gratuito disponibilizado pelo Google.
What You Will Learn?
- Entender as diferenças entre processamento utilizando CPU e GPU.
- Utilizar o cuDF como substituto ao pandas para processamento acelerado na GPU.
- Implementar códigos utilizando o cuDF para manipulação de DataFrames.
- Utilizar o cuPy como substituto ao numpy para processamento acelerado na GPU.
- Utilizar o cuML como substituo ao scikit-learn para processamento acelerado na GPU.
- Implementar projetos de machine learning completos utilizando o cuDF e cuML.
- Comparar o desempenho das bibliotecas clássicas do Python que são executadas na CPU com as bibliotecas do RAPIDS executadas na GPU.
- Implementar projetos com o DASK para processamento paralelo e distribuído.
- Integrar o DASK com o cuDF e cuML para desempenho superior na GPU.