Programa del Curso
Introducción
- Descripción general de RAPIDS características y componentes
- Conceptos de computación de GPU
Empezar
- Instalación de RAPIDS
- cuDF, cUML, y Dask
- Primitivas, algoritmos y API
Gestión y entrenamiento de datos
- Preparación de datos y ETL
- Creación de un conjunto de entrenamiento con XGBoost
- Probar el modelo de entrenamiento
- Trabajar con la matriz CuPy
- Uso de Apache Arrow tramas de datos
Visualización e implementación de modelos
- Análisis de grafos con cuGraph
- Implementación de Multi-GPU con Dask
- Creación de un panel interactivo con cuXfilter
- Ejemplos de inferencia y predicción
Solución de problemas
Resumen y próximos pasos
Requerimientos
- Familiaridad con CUDA
- Python Experiencia en programación
Audiencia
- Científicos de datos
- Desarrolladores
Testimonios (4)
Ejemplos/ejercicios perfectamente adaptados a nuestro dominio
Luc - CS Group
Curso - Scaling Data Analysis with Python and Dask
Traducción Automática
El hecho de tener ejercicios más prácticos utilizando datos más similares a los que utilizamos en nuestros proyectos (imágenes de satélite en formato raster)
Matthieu - CS Group
Curso - Scaling Data Analysis with Python and Dask
Traducción Automática
El entrenador estaba muy disponible para responder a todo tipo de preguntas que hice
Caterina - Stamtech
Curso - Developing APIs with Python and FastAPI
Traducción Automática
Transmitir los conocimientos prácticos y la experiencia del formador.
Rumel Mateusz - Pojazdy Szynowe PESA Bydgoszcz SA
Traducción Automática