План на курса

Въведение

    Преглед на RAPIDS функции и компоненти GPU изчислителни концепции

Приготвяме се да започнем

    Инсталиране на RAPIDS cuDF, cUML и Dask примитиви, алгоритми и API

Данни за управление и обучение

    Подготовка на данни и ETL Създаване на набор за обучение с помощта на XGBoost Тестване на модела на обучение Работа с CuPy масив Използване на Apache Arrow рамки с данни

Визуализиране и внедряване на модели

    Графичен анализ с cuGraph Внедряване на Multi-GPU с Dask Създаване на интерактивно табло за управление с cuXfilter Примери за изводи и прогнози

Отстраняване на неизправности

Обобщение и следващи стъпки

Изисквания

  • Познаване на CUDA
  • Python опит в програмирането

Публика

  • Учени по данни
  • Разработчици
 14 Hours

Брой участници



Цена за участник

Oтзиви от потребители (5)

Свързани Kурсове

Data Analysis with Python, Pandas and Numpy

14 Hours

Accelerating Python Pandas Workflows with Modin

14 Hours

Machine Learning with Python and Pandas

14 Hours

Scaling Data Analysis with Python and Dask

14 Hours

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

14 Hours

Developing APIs with Python and FastAPI

14 Hours

Scientific Computing with Python SciPy

7 Hours

Game Development with PyGame

7 Hours

Web application development with Flask

14 Hours

Advanced Flask

14 Hours

Build REST APIs with Python and Flask

14 Hours

GUI Programming with Python and Tkinter

14 Hours

Kivy: Building Android Apps with Python

7 Hours

GUI Programming with Python and PyQt

21 Hours

Web Development with Web2Py

28 Hours

Свързани Kатегории

1