Fundamentals of Accelerated Data Science

Fundamentals of Accelerated Data ScienceFADSNVNvidiaNV-FADS1.0<ul> <li>Implementierung von GPU-beschleunigter Datenaufbereitung und Merkmalsextraktion mit cuDF und Apache Arrow Datenrahmen</li><li>Anwendung eines breiten Spektrums von GPU-beschleunigten maschinellen Lernaufgaben mit XGBoost und einer Vielzahl von cuML-Algorithmen</li><li>Führen Sie GPU-beschleunigte Graphanalysen mit cuGraph durch und erreichen Sie so massive Analysen in kurzer Zeit</li><li>Mit cuGraph-Routinen schnell zu massiven Graph-Analysen gelangen</li></ul>Erfahrung mit Python, idealerweise einschliesslich Pandas und NumPy. Empfohlene Ressourcen, um die Voraussetzungen zu erfüllen: Kaggle's pandas Tutorials, Kaggle's Intro to Machine Learning, Beschleunigung von Data Science Workflows mit RAPIDSEinführung <ul> <li>Treffen Sie den Ausbilder.</li><li>Erstellen Sie ein Konto unter courses.nvidia.com/join</li></ul>GPU-beschleunigte Datenmanipulation <ul> <li>Einlesen und Vorbereiten mehrerer Datensätze (einige grösser als der Arbeitsspeicher) für die Verwendung in mehreren Übungen zum maschinellen Lernen später im Workshop:<ul> <li>Lesen Sie mit cuDF und Dask cuDF Daten direkt auf einzelnen und mehreren GPUs.</li><li>Bereiten Sie mit cuDF Bevölkerungs-, Strassennetz- und Klinikinformationen für maschinelle Lernaufgaben auf dem Grafikprozessor vor.</li></ul></li></ul>GPU-beschleunigtes maschinelles Lernen <ul> <li>Wenden Sie verschiedene grundlegende Techniken des maschinellen Lernens auf die Daten an, die im ersten Abschnitt vorbereitet wurden:<ul> <li>Verwenden Sie überwachte und unüberwachte GPU-beschleunigte Algorithmen mit cuML.</li><li>Trainieren Sie XGBoost-Modelle mit Dask auf mehreren GPUs.</li><li>Erstellen und analysieren Sie Graphikdaten auf der GPU mit cuGraph.</li></ul></li></ul>Projekt: Datenanalyse zur Rettung des Vereinigten Königreichs <ul> <li>Wenden Sie neue GPU-beschleunigte Datenmanipulations- und -analysefähigkeiten auf bevölkerungsbezogene Daten an, um eine simulierte Epidemie abzuwehren, die die gesamte britische Bevölkerung betrifft:<ul> <li>Nutzen Sie RAPIDS, um mehrere umfangreiche Datensätze zu integrieren und realitätsnahe Analysen durchzuführen.</li><li>Pivotieren und iterieren Sie Ihre Analyse, da die simulierte Epidemie für jeden simulierten Tag neue Daten liefert.</li></ul></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-fads"><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>.- Implementierung von GPU-beschleunigter Datenaufbereitung und Merkmalsextraktion mit cuDF und Apache Arrow Datenrahmen - Anwendung eines breiten Spektrums von GPU-beschleunigten maschinellen Lernaufgaben mit XGBoost und einer Vielzahl von cuML-Algorithmen - Führen Sie GPU-beschleunigte Graphanalysen mit cuGraph durch und erreichen Sie so massive Analysen in kurzer Zeit - Mit cuGraph-Routinen schnell zu massiven Graph-Analysen gelangenErfahrung mit Python, idealerweise einschliesslich Pandas und NumPy. Empfohlene Ressourcen, um die Voraussetzungen zu erfüllen: Kaggle's pandas Tutorials, Kaggle's Intro to Machine Learning, Beschleunigung von Data Science Workflows mit RAPIDSEinführung - Treffen Sie den Ausbilder. - Erstellen Sie ein Konto unter courses.nvidia.com/join GPU-beschleunigte Datenmanipulation - Einlesen und Vorbereiten mehrerer Datensätze (einige grösser als der Arbeitsspeicher) für die Verwendung in mehreren Übungen zum maschinellen Lernen später im Workshop: - Lesen Sie mit cuDF und Dask cuDF Daten direkt auf einzelnen und mehreren GPUs. - Bereiten Sie mit cuDF Bevölkerungs-, Strassennetz- und Klinikinformationen für maschinelle Lernaufgaben auf dem Grafikprozessor vor. GPU-beschleunigtes maschinelles Lernen - Wenden Sie verschiedene grundlegende Techniken des maschinellen Lernens auf die Daten an, die im ersten Abschnitt vorbereitet wurden: - Verwenden Sie überwachte und unüberwachte GPU-beschleunigte Algorithmen mit cuML. - Trainieren Sie XGBoost-Modelle mit Dask auf mehreren GPUs. - Erstellen und analysieren Sie Graphikdaten auf der GPU mit cuGraph. Projekt: Datenanalyse zur Rettung des Vereinigten Königreichs - Wenden Sie neue GPU-beschleunigte Datenmanipulations- und -analysefähigkeiten auf bevölkerungsbezogene Daten an, um eine simulierte Epidemie abzuwehren, die die gesamte britische Bevölkerung betrifft: - Nutzen Sie RAPIDS, um mehrere umfangreiche Datensätze zu integrieren und realitätsnahe Analysen durchzuführen. - Pivotieren und iterieren Sie Ihre Analyse, da die simulierte Epidemie für jeden simulierten Tag neue Daten liefert. Bewertung und Fragen und AntwortenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag500.00500.00500.00500.00500.00420.00500.00690.00