تقویت اپلیکیشن هوش مصنوعی با شتاب‌دهی NVIDIA RAPIDS

آنچه یاد خواهید گرفت:

• درک تفاوت‌های بین پردازش داده با CPU و GPU
• استفاده از cuDF به‌عنوان جایگزینی برای پانداس جهت پردازش شتاب‌یافته با GPU
• پیاده‌سازی کدها با cuDF برای دستکاری دیتافریم‌ها
• استفاده از cuPy به‌عنوان جایگزینی برای numpy جهت پردازش شتاب‌یافته با GPU
• استفاده از cuML به‌عنوان جایگزینی برای scikit-learn جهت پردازش شتاب‌یافته با GPU
• پیاده‌سازی یک پروژه کامل یادگیری ماشین با cuDF و cuML
• مقایسه عملکرد کتابخانه‌های کلاسیک پایتون که روی CPU اجرا می‌شوند با کتابخانه‌های RAPIDS که روی GPU اجرا می‌شوند.
• پیاده‌سازی پروژه‌ها با DASK برای پردازش موازی و توزیع‌شده
• یکپارچه‌سازی DASK با cuDF و cuML برای عملکرد GPU

پیش‌نیازهای دوره

• منطق برنامه‌نویسی
• برنامه‌نویسی اولیه پایتون
• یادگیری ماشین: درک اولیه از فرایند آموزش الگوریتم و همچنین تکنیک‌های طبقه‌بندی و رگرسیون

توضیحات دوره

علم داده و یادگیری ماشین بزرگ‌ترین حوزه‌های رایانشی در جهان را تشکیل می‌دهند. حتی بهبودهای جزئی در دقت مدل‌های تحلیلی می‌تواند به تأثیر میلیاردی منجر شود. دانشمندان داده به طور مداوم تلاش می‌کنند تا مدل‌ها را آموزش دهند، ارزیابی کنند، تکرار کنند و بهینه‌سازی نمایند تا نتایج با دقت بالا و عملکرد استثنایی  بدست آورند. با پلتفرم قدرتمند RAPIDS از NVIDIA، آنچه قبلاً روزها طول می‌کشید را اکنون می‌توان در عرض چند دقیقه انجام داد و ساختاردهی و استقرار مدل‌های با ارزش بالا را آسان‌تر و چابک‌تر می‌سازد. در علم داده، قدرت رایانشی اضافی به معنای بینش‌های سریع‌تر و مؤثرتر است. RAPIDS از قدرت NVIDIA CUDA بهره می‌برد تا به کل گردش کار آموزش مدل‌های علم داده با اجرای آن در واحدهای پردازش گرافیکی (GPU) شتاب دهد.

در این دوره، شما هر آنچه برای ارتقاء اپلیکیشن‌های یادگیری ماشین خود نیاز دارید را یاد خواهید گرفت! برخی از موضوعات تحت پوشش را بررسی کنید:

• استفاده از کتابخانه‌های cuDF ،cuPy و cuML به جای پانداس، Numpy و scikit-learn؛ اطمینان از پردازش داده و اجرای الگوریتم‌های یادگیری ماشین با عملکرد بالا روی GPU
• مقایسه عملکرد کتابخانه‌های کلاسیک پایتون با RAPIDS: در برخی از آزمایش‌های انجام شده در طول کلاس‌ها، ما به نرخ‌های شتاب بالای 900 برابر دست می‌یابیم. این موضوع نشان می‌دهد با برخی پایگاه داده‌ها و الگوریتم‌های خاص، RAPIDS می‌تواند 900 برابر سریع‌تر عمل کند!
• ایجاد یک پروژه کامل یادگیری ماشین به صورت گام‌به‌گام با RAPIDS، از بارگذاری داده تا پیش‌بینی‌ها
• استفاده از DASK برای موازی بودن وظایف روی چندین GPU یا CPU، یکپارچه شده با RAPIDS برای عملکرد برتر

در طول دوره، ما از زبان برنامه‌نویسی پایتون و Google Colab آنلاین استفاده خواهیم کرد. به این ترتیب، نیازی نیست شما یک GPU محلی داشته باشید، زیرا ما از سخت‌افزار رایگان ارائه شده توسط گوگل استفاده خواهیم کرد.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده و متخصصان هوش مصنوعی که به‌دنبال بهبود عملکرد اپلیکیشن‌های خود هستند.
• متخصصانی که در حال حاضر در حوزه علم داده فعالیت می‌کنند یا قصد ورود به آن را دارند، به‌ویژه افرادی که به‌دنبال بهبود مهارت‌های خود در آموزش مدل‌های یادگیری ماشین و تحلیل داده هستند.
• هر کسی که به یادگیری یادگیری ماشین، به‌خصوص با تمرکز بر پیاده‌سازی‌های با عملکرد بالا با GPU علاقه‌مند است.
• متخصصان دخیل در توسعه و پیاده‌سازی مدل‌های یادگیری ماشین
• دانشجویان کارشناسی و کارشناسی‌ارشد که مشغول تحصیل در رشته‌های مرتبط با هوش مصنوعی هستند.