Enhancing Data Science Outcomes With Efficient Workflow

Enhancing Data Science Outcomes With Efficient WorkflowEDSOEWNVNvidiaNV-EDSOEW1.0<ul> <li>Entwicklung und Bereitstellung einer beschleunigten End-to-End-Datenverarbeitungspipeline für grosse Datensätze</li><li>Skalierung datenwissenschaftlicher Arbeitsabläufe mit verteilter Datenverarbeitung</li><li>DataFrame-Transformationen durchführen, die die Vorteile der Hardwarebeschleunigung nutzen und versteckte Verlangsamungen vermeiden</li><li>Verbessern Sie Lösungen für maschinelles Lernen durch Feature-Engineering und schnelles Experimentieren</li><li>Verbesserung der Leistung der Datenverarbeitungspipeline durch Optimierung der Speicherverwaltung und der Hardwareauslastung</li></ul><ul> <li>Grundlegende Kenntnisse eines standardmässigen Data-Science-Workflows für tabellarische Daten. Um ein angemessenes Verständnis zu erlangen, empfehlen wir diesen Artikel.</li><li>Kenntnisse über verteiltes Rechnen mit Dask. Um ein angemessenes Verständnis zu erlangen, empfehlen wir die "Get Started"-Anleitung von Dask.</li><li>Abschluss des DLI-Kurses "Fundamentals of Accelerated Data Science" oder die Fähigkeit, Daten mit cuDF zu manipulieren und einige Erfahrung in der Erstellung von Machine-Learning-Modellen mit cuML.</li></ul>Einführung <ul> <li>Treffen Sie den Ausbilder.</li><li>Erstellen Sie ein Konto unter courses.nvidia.com/join</li></ul>Fortgeschrittenes Extrahieren, Transformieren und Laden (ETL) <ul> <li>Lernen Sie, wie Sie grosse Datenmengen für nachgelagerte Analysen effizient verarbeiten können:<ul> <li>Diskutieren Sie die aktuellen Herausforderungen der wachsenden Datenmengen.</li><li>Effiziente Durchführung von ETL für grosse Datenmengen.</li><li>Besprechen Sie versteckte Verlangsamungen und führen Sie DataFrame-Transformationen korrekt durch.</li><li>Diskussion von Diagnosetools zur Überwachung und Optimierung der Hardwareauslastung.</li><li>Persistieren Sie Daten so, dass sie für nachgelagerte Analysen geeignet sind.</li></ul></li></ul>Training auf mehreren GPUs mit PyTorch Distributed Data Parallel (DDP) <ul> <li>Lernen Sie, wie Sie die Datenanalyse bei grossen Datenmengen verbessern können:<ul> <li>Erstellen und vergleichen Sie Klassifizierungsmodelle.</li><li>Auswahl von Merkmalen auf der Grundlage der Vorhersagekraft von neuen und bestehenden Merkmalen.</li><li>Führen Sie die Abstimmung der Hyperparameter durch.</li><li>Erstellen Sie Einbettungen mit Deep Learning und Clustering auf Einbettungen.</li></ul></li></ul>Einsatz <ul> <li>Erfahren Sie, wie Sie die Leistung einer beschleunigten Datenverarbeitungspipeline einsetzen und messen können:</li><li>Stellen Sie eine Datenverarbeitungspipeline mit Triton Inference Server bereit.</li><li>Erörterung verschiedener Tuning-Parameter zur Leistungsoptimierung.</li></ul>Bewertung und Fragen und AntwortenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <a class="fl-href-prod" href="/swisscom/en/course/nvidia-edsoew"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a>.- Entwicklung und Bereitstellung einer beschleunigten End-to-End-Datenverarbeitungspipeline für grosse Datensätze - Skalierung datenwissenschaftlicher Arbeitsabläufe mit verteilter Datenverarbeitung - DataFrame-Transformationen durchführen, die die Vorteile der Hardwarebeschleunigung nutzen und versteckte Verlangsamungen vermeiden - Verbessern Sie Lösungen für maschinelles Lernen durch Feature-Engineering und schnelles Experimentieren - Verbesserung der Leistung der Datenverarbeitungspipeline durch Optimierung der Speicherverwaltung und der Hardwareauslastung- Grundlegende Kenntnisse eines standardmässigen Data-Science-Workflows für tabellarische Daten. Um ein angemessenes Verständnis zu erlangen, empfehlen wir diesen Artikel. - Kenntnisse über verteiltes Rechnen mit Dask. Um ein angemessenes Verständnis zu erlangen, empfehlen wir die "Get Started"-Anleitung von Dask. - Abschluss des DLI-Kurses "Fundamentals of Accelerated Data Science" oder die Fähigkeit, Daten mit cuDF zu manipulieren und einige Erfahrung in der Erstellung von Machine-Learning-Modellen mit cuML.Einführung - Treffen Sie den Ausbilder. - Erstellen Sie ein Konto unter courses.nvidia.com/join Fortgeschrittenes Extrahieren, Transformieren und Laden (ETL) - Lernen Sie, wie Sie grosse Datenmengen für nachgelagerte Analysen effizient verarbeiten können: - Diskutieren Sie die aktuellen Herausforderungen der wachsenden Datenmengen. - Effiziente Durchführung von ETL für grosse Datenmengen. - Besprechen Sie versteckte Verlangsamungen und führen Sie DataFrame-Transformationen korrekt durch. - Diskussion von Diagnosetools zur Überwachung und Optimierung der Hardwareauslastung. - Persistieren Sie Daten so, dass sie für nachgelagerte Analysen geeignet sind. Training auf mehreren GPUs mit PyTorch Distributed Data Parallel (DDP) - Lernen Sie, wie Sie die Datenanalyse bei grossen Datenmengen verbessern können: - Erstellen und vergleichen Sie Klassifizierungsmodelle. - Auswahl von Merkmalen auf der Grundlage der Vorhersagekraft von neuen und bestehenden Merkmalen. - Führen Sie die Abstimmung der Hyperparameter durch. - Erstellen Sie Einbettungen mit Deep Learning und Clustering auf Einbettungen. Einsatz - Erfahren Sie, wie Sie die Leistung einer beschleunigten Datenverarbeitungspipeline einsetzen und messen können: - Stellen Sie eine Datenverarbeitungspipeline mit Triton Inference Server bereit. - Erörterung verschiedener Tuning-Parameter zur Leistungsoptimierung. Bewertung und Fragen und AntwortenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.0.5 Tage500.00500.00500.00500.00500.00420.00500.00690.00