Deallusrwydd Artiffisial/Dysgu Dwfn
Ffurflen gofrestru: https://forms.gle/MBHVh6giuYqpRXB78
Cyflwyniad i Ddysgu Dwfn
Hyd: 8 awr
Trwy gymryd rhan yn y cwrs hwn, byddwch chi’n:
- Dysgu’r technegau a’r adnoddau sylfaenol sydd eu hangen i hyfforddi model dysgu dwfn
- Cael profiad o weithio gyda mathau cyffredin o ddata dysgu dwfn a modelau
- Gwella setiau data drwy ychwanegu at ddata er mwyn gwella cywirdeb modelau
- Gwneud y defnydd gorau o drosglwyddo gwybodaeth rhwng modelau er mwyn cyflawni canlyniadau effeithlon gyda llai o ddata a gwaith cyfrifiadurol
- Magu hyder i fynd ati i gyflawni eich prosiect eich hun gyda fframwaith dysgu dwfn modern
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Cyflwyniad i Segmentu Delweddau
Hyd: 2 awr
Segmentu delweddau (neu semantig) yw’r dasg o roi pob picsel ar ddelwedd i mewn i adran benodol. Byddwch chi’n dysgu sut i segmentu delweddau MRI er mwyn mesur rhannau o’r galon drwy wneud y canlynol:
- Cymharu segmentau o ddelweddau â phroblemau eraill sy’n ymwneud â golwg cyfrifiaduron
- Arbrofi ag adnoddau TensorFlow, fel rhyngwyneb rhaglennu cymwysiadau (API) TensorBoard a TensorFlow Keras Python
- Dysgu sut i roi metrigau effeithiol ar waith er mwyn asesu perfformiad modelau
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Optimeiddio a defnyddio modelau TensorFlow gyda TensorRT
Hyd: 2.5 awr
Yn y cwrs hwn, byddwch chi’n dysgu sut i optimeiddio modelau TensorFlow er mwyn casglu data’n well ag integreiddiad TensorRT (o’r enw TF-TRT). Erbyn diwedd y cwrs, byddwch chi’n gallu:
- Optimeiddio modelau TensorFlow gan ddefnyddio TF-TRT
- Gwella’r gallu i gasglu data heb golli cywirdeb ystyrlon drwy ddefnyddio TF-TRT i leihau cywirdeb modelau i FP32, FP16, ac INT8
- Arsylwi ar y ffordd mae tiwnio paramedrau TF-TRT yn effeithio ar berfformiad
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Dysgu Dwfn ar Raddfa gyda Horovod
Hyd: 2 awr
Mae heriau modern o ran dysgu dwfn yn defnyddio setiau data llawer mwy o faint a modelau mwy cymhleth. O ganlyniad, mae angen pŵer cyfrifiadurol sylweddol i hyfforddi modelau’n effeithiol ac yn effeithlon. Yn y cwrs hwn, byddwch chi’n dysgu sut i addasu hyfforddiant dysgu dwfn ar gyfer sawl uned brosesu graffeg (GPU) gyda Horovod, sef y fframwaith hyfforddi cod a grëwyd yn wreiddiol gan Uber. Dros 2 awr, byddwch chi’n:
- Mynd ati gam wrth gam i ail-ffactorio model dosbarthu Fashion-MNIST er mwyn defnyddio Horovod a gweithredu ar bedair uned brosesu graffeg NVIDIA V100
- Deall gwreiddiau MPI Horovod a datblygu greddf ar gyfer motiffau rhaglennu cyfochrog, fel mwy nag un gweithiwr, cyflwr ras a chysoni.
- Defnyddio technegau, fel cynhesu’r raddfa ddysgu, sy’n effeithio’n fawr ar berfformiad dysgu dwfn ar raddfa
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Llifoedd gwaith Deallusrwydd Artiffisial ar gyfer Dadansoddeg Fideo Deallus gyda DeepStream
Hyd: 2 awr
Ar fframwaith DeepStream 3.0, mae blociau adeiladu wedi eu gwella â chaledwedd o raglenni Dadansoddeg Fideo Deallus (IVA). Mae hyn yn helpu datblygwyr i ganolbwyntio ar greu rhwydweithiau dysgu dwfn craidd. Mae DeepStream SDK yn sail i amrywiaeth o achosion defnydd ac mae’n hyblyg wrth ei ddefnyddio.
Byddwch chi’n dysgu sut i wneud y canlynol:
- Defnyddio piblinell DeepStream ar gyfer gwaith prosesu fideo aml-ffrwd cyfochrog a chynnal rhaglenni gyda’r mewnbwn mwyaf posib ar y maint angenrheidiol
- Ffurfweddu’r biblinell brosesu a chreu rhaglenni hawdd eu defnyddio ar sail graffiau.
- Gwneud y defnydd gorau o sawl model rhwydweithio dwfn er mwyn prosesu ffrydiau fideo a chael mewnwelediadau mwy deallus
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Modelu data cyfres amser gyda Rhwydweithiau Niwral Ailadroddol yn Keras
Hyd: 2 awr
Trwy rwydweithiau niwral ailadroddol (RNNs), mae modd i fodelau ddosbarthu neu ragweld data cyfres amser, fel iaith naturiol, marchnadoedd a hyd yn oed gofal iechyd cleifion dros amser. Yn ystod y cwrs hwn, byddwch chi’n defnyddio data o gofnodion iechyd gofal critigol i greu model rhwydweithiau niwral ailadroddol. Bydd hyn yn dangos tebygolrwydd amser real o oroesi er mwyn helpu gweithwyr gofal iechyd proffesiynol i wneud penderfyniadau ynghylch triniaeth gofal critigol.
Byddwch chi’n dysgu sut i wneud y canlynol:
- Creu setiau data hyfforddi a phrofi o gofnodion iechyd electronig ar ffurf HDF5 (hierarchical data format version five).
- Paratoi setiau data i’w defnyddio gyda rhwydweithiau niwral ailadroddol, gan ddefnyddio technegau normaleiddio, llenwi bylchau a phadio dilyniannau
- Creu a hyfforddi model yn seiliedig ar rwydweithiau niwral ailadroddol â chof byrdymor hir (LSTM), gan ddefnyddio rhyngwyneb rhaglennu cymwysiadau (API) Keras gyda TensorFlow. Yna, byddwch chi’n cymharu perfformiad y model â modelau presennol traddodiadol
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Dosbarthu delweddau meddygol gan ddefnyddio set ddata MedNIST
Hyd: 2 awr
Cewch chi gyflwyniad ymarferol i ddysgu dwfn ar gyfer radioleg a delweddu meddygol. Byddwch chi’n dysgu sut i wneud y canlynol:
- Casglu, fformatio a safoni data delweddu meddygol
- Datblygu a hyfforddi rhwydwaith niwral datblygedig (CNN) ar set ddata
- Dysgu technegau rhagarweiniol o ychwanegu at ddata
- Defnyddio’r model hyfforddedig i ddosbarthu delweddau meddygol newydd
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Dosbarthu delweddau gyda TensorFlow: Radiomeg – Dosbarthu statws cromosomau 1p19q
Hyd: 2 awr
Diolch i waith yn The Mayo Clinic, mae defnyddio technegau dysgu dwfn i ganfod Radiomeg o ddelweddau MRI wedi arwain at driniaethau mwy effeithiol a gwell canlyniadau iechyd i gleifion gyda thiwmorau ar yr ymennydd. Byddwch chi’n dysgu sut i ganfod biofarciwr cyd-ddileu 1p19q drwy wneud y canlynol:
- Dylunio a hyfforddi rhwydweithiau niwral datblygedig (CNNs)
- Defnyddio genomeg ddelweddu (radiomeg) i greu biofarcwyr sy’n canfod genomeg afiechyd heb ddefnyddio biopsi mewnwythiennol
- Trafod y gwaith radiogenomeg sy’n cael ei gynnal yn The Mayo Clinic
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Cof cyd-destunol o fras i fanwl ar gyfer delweddu meddygol
Hyd: 2 awr
Mae cof cyd-destunol o fras i fanwl (CFCM) yn dechneg sydd wedi ei datblygu ar gyfer segmentu delweddau. Mae’n defnyddio deunyddiau dwfn iawn ac yn ymgorffori nodweddion o lawer o wahanol raddfeydd gyda Chof Byrdymor Hir (LSTM) datblygedig. Byddwch chi’n
- Cael gwybod mwy am ddeunyddiau amgodio-dadgodio ar gyfer segmentu delweddau meddygol
- Dod i adnabod blociau adeiladu cyffredin (troelliadau, haenau cronni, rhwydi gweddilliol ac ati)
- Ymchwilio i wahanol strategaethau ar gyfer cysylltiadau hepgor
Cliciwch yma i fynd i wefan yr NVIDIA am yr holl fanylion.
Segmentu ac ychwanegu at ddata â rhwydweithiau cynhyrchiol ar gyfer delweddu meddygol
Hyd: 2 awr
Pâr o rwydweithiau niwral dwfn yw rhwydwaith gwrthwynebus cynhyrchiol (GAN). Generadur yw hyn sy’n creu esiamplau newydd ar sail y data hyfforddiant sy’n cael ei ddarparu a gwahaniaethydd sy’n ceisio gwahaniaethu rhwng data go iawn a data ffug. Wrth i’r ddau rwydwaith wella gyda’i gilydd, daw’r esiamplau sy’n cael eu creu yn fwyfwy realistig. Mae’r dechnoleg hon yn addawol i’r maes gofal iechyd gan ei bod yn gallu ychwanegu at setiau data llai o faint er mwyn hyfforddi rhwydweithiau traddodiadol. Byddwch chi’n dysgu sut i wneud y canlynol:
- Creu MRI synthetig ar yr ymennydd
- Defnyddio rhwydweithiau gwrthwynebus cynhyrchiol (GANs) ar gyfer segmentu
- Defnyddio rhwydweithiau gwrthwynebus cynhyrchiol i ychwanegu at ddata er mwyn gwella cywirdeb