Carregado porHélio Silva
Prepare-se para o Deep Learning
O documento discute conceitos de deep learning, incluindo ciclos de machine learning, visão computacional, processamento de linguagem natural, redes neurais e frameworks. Também aborda opções para escalar deep learning em nuvem ou localmente e as diferenças entre cientistas de dados e arquitetos de sistemas.
Prepare-se para o Deep Learning
- 1. Globalcode – Open4education Trilha– Big Data Hélio Silva Consultor Sr. Big Data & Analytics
- 2. Globalcode – Open4education Prepare-separa o Deep Learning Hélio Silva Sr.Big Data & Analytics Consultant
- 3. Globalcode – Open4education Ciclobásico de Machine Learning
- 4. Globalcode – Open4education DeepLearning em visão de máquina Fonte: Andrej Karpathy
- 5. Globalcode – Open4education DLProcessamento da linguagem natural (NLP) Ironia A melhor parte do filme: os créditos finais. Sarcasmo Cara, como cantor você é um grande ponta direita Ambiguidade Este é meu banco. (Banco pode ser onde sentar ou onde depositar dinheiro) Gíria Foi mal Que eventualmente significa “desculpe”
- 6. Globalcode – Open4education NeuralNetworks Fonte: Joseph Wilk
- 7. Globalcode – Open4education Novasopções para escalar Nuvem (AWS, Azure, IBM) On Premisses? Cluster de CPU ou CPU+GPU ? Qual a combinação mais adequada? Qual o nível de desacoplamento entre componentes de software e hardware? Há desacoplamento entre aprendizado e produção?
- 8. Globalcode – Open4education Novavisão de escala
- 9. Globalcode – Open4education Frameworksde Deep Learning
- 10. Globalcode – Open4education Cientistade Dados X Arquiteto
- 11. Globalcode – Open4education Algumascaracterísticas
- 12. Globalcode – Open4education Nvidiadeep learning SDK
- 13. Globalcode – Open4education NvidiaDigits Bom para testes com modelos Interface simples por web service Docker Friendly Desacoplamento do Framework de BackEnd (Caffe,Thor, TensorFlow,etc.) Framework escolhido pode ou não ter acesso à GPU
- 14. Globalcode – Open4education Handson com DIGTIS
- 15. Globalcode – Open4education Thankyou !!! http://br.linkedin.com/in/helioss/ Hasta la vista, baby.
Notas do Editor
- #13 cuDNN –Deep learning primitives – High-performance building blocks for deep neural network applications including convolutions, activation functions, and tensor transformations cuBLAS – Linear Algebra- GPU-accelerated BLAS functionality that delivers 6x to 17x faster performance than CPU-only BLAS libraries cusParse – Sparse Matrix operations - GPU-accelerated linear algebra subroutines for sparse matrices that deliver up to 8x faster performance than CPU BLAS (MKL), ideal for applications such as natural language processing NCCL - Collective communication routines, such as all-gather, reduce, and broadcast that accelerate multi-GPU deep learning training on up to eight GPUs GIE – EM TESTES - Deep Learning Inference runtime for production deployment