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
 14 horas

Número de participantes



Precio por participante

Testimonios (4)

Cursos Relacionados

Análisis de Datos en Python Usando Pandas y Numpy

14 horas

Accelerating Python Pandas Workflows with Modin

14 horas

Machine Learning with Python and Pandas

14 horas

Scaling Data Analysis with Python and Dask

14 horas

FARM (FastAPI, React, and MongoDB) Full Stack Development

14 horas

Developing APIs with Python and FastAPI

14 horas

Scientific Computing with Python SciPy

7 horas

Game Development with PyGame

7 horas

Desarrollo de Aplicaciones Web con Flask

14 horas

Advanced Flask

14 horas

Build REST APIs with Python and Flask

14 horas

GUI Programming with Python and Tkinter

14 horas

Kivy: Creación de aplicaciones de Android con Python

7 horas

GUI Programming with Python and PyQt

21 horas

Desarrollo Web con Web2Py

28 horas

Categorías Relacionadas

1