Este curso de Machine Learning mostrará las herramientas de Intel incluidas en oneAPI para desarrolladores de aplicaciones y científicos de datos que quieran beneficiarse de aceleraciones considerables en arquitecturas de Intel.
Las herramientas disponibles en la Toolkit AI Analitics aceleran el flujo de trabajo en los desarrollos de IA y analítica de datos desde un extremo al otro mediante librerías optimizadas ejecutables en Python desde las conocidas pandas, numpy, scipy para tratamiento de datos hasta Scikit-learn para aprendizaje automático.
El conjunto de herramientas de oneAPI ofrece a los desarrolladores de aplicaciones un ecosistema completo de herramientas que facilitan el desarrollo y optimización de desarrollos en un mundo hardware en constante evolución.
Temario del curso de oneAPI para Machine Learning
Módulo 1. Introducción y Contenidos
Temas:
- Introducción
- Reto de la programación
- oneAPI
- Intel oneAPI AI Analitics Toolkit
- Motivación
- Aprendizaje Automático
- Juego sencillo
- Programación
- Aprendizaje
- Python
- Niveles de paralelismo
- Computación heterogénea
- Intel DevCloud
Módulo 2. Herramientas del curso
Temas:
- Introducción
- Reto de la programación
- oneAPI
- Intel oneAPI AI Analitics Toolkit
- Intel® VTune™ Profiler
- Intel® Advisor
- Intel DevCloud
- Cuenta en DevCloud
- Introducciones accesos DevCloud para oneAPI
- Pasos
- Acceso al Cloud
- Obtener una nueva cuenta
- Datos personales
- Término y Condiciones
- Correo electrónico
- Acceso a Plataforma de DevCloud
- Testear DevCloud
- Modos de acceso
- Conexión a DevCloud
- Linux
- Windows
- Visual Code
- Jupyter-Notebooks
- Entorno Jupyter
- Ejercicios
- Ejecución en terminal (sistema colas)
- Job
- Colas
- Hands-on
Temas:
- oneAPI en ML
- Introducción
- Beneficios de la aceleración de AI de software
- Propuesta Intel oneAPI
- Jupyter Notebooks
- Cuadernos
- Celdas y ejecución
- Celdas mágicas
- Pandas
- Introducción
- Estructuras de datos
- Indexación
- Tipos de datos en pandas
- Imputaciones en pandas
- Creación de DataFrames
- Indexación en los DataFrame
- Lectura de datos con Pandas
- Asignar nuevos datos a un DataFrame
- Aplicando una función
- Concatenar Dos DataFrames
- Operaciones estadísticas
- Visualización
- Introducción
- Gráfico sencillo con Matplotlib
- Gráfico personalizado
- Optimizaciones
- Vectorización
- Vectorización empleando máscaras
- Hands-on
Módulo 3. Aprendizaje Automático (ML)
Temas:
- Introducción
- Introducción
- Juego sencillo
- Programación
- Aprendizaje
- Ejemplo
- Definición
- Tipo de Aprendizaje Automático
- Conceptos
- Sobreajuste-overfitting
- Vocabulario
- Datos de mala calidad
- Medición de calidad
- Mejora del modelo
- Datasets
Temas:
- Introducción
- Introducción
- Python y Ciencia Datos
- Python scikit-learn
- Scikit-learn
- oneAPI
- oneAPI
- Intel oneAPI AI Analytics Toolkit
- Extensión de Intel para Scikit-learn
- Introducción
- Alternativas
- Alternativas (cont)
- Algoritmos soportados
- Caso de uso
- Orden de parcheado e imports
- Ejemplo de distribución para entrenamiento y testeo
- Ejemplo para K Nearest Neighbor
- Hands-on
Temas:
- oneAPI en ML
- Introducción
- Beneficios de la aceleración de AI de software
- Propuesta Intel oneAPI
- Machine Learning
- Numpy
- Numpy (vectorización)
- Numpy (acelerada en oneAPI)
- Python
- Vectorización
- Uso memoria ineficiente
- Uso memoria eficiente y SIMD
- Como puedo “reformular” el código a Numpy
- Consejos
- Paquete intel-numpy
- Instalación
- Uso eficiente de numpy
- Como crear arrays
- Hands-on
- ufuncs
- Ejemplo: Ufuncs
- Indexación sofisticada
- Máscaras con Numpy
- Numpy Aggregations
- Funciones “Numpy aggregation”
- Numpy broadcasting
- Numpy where
- Select
- Cuando los bucles no son vectorizables
Temas:
- Introducción
- Introducción
- Programación
- Aprendizaje
- Definición
- Tipo de Aprendizaje Automático
- Algunos ejemplos
- Extensión de Intel para Scikit-learn
- División del data-set
- Entrenamiento y validación
- Orden de parcheado e imports
- Clasificación y regresión
- Aprendizaje supervisado
- Regresión
- Clasificación
- Regresión
- Regresión lineal
- K Regresión lineal
- Regresión lineal como clasificador
- Regresión lineal
- Introducción a regresión logística
- Ejemplo regresión logística
- Clasificación
- Clasificación
- K Nearest Neighbors Classification
- Comparativa entre Regresión linear y KNN
- Reducción dimensionalidad
- Reducción de dimensionalidad
- PCA
- Clustering
- Clustering
- Kmeans
- Hands-on
Temas:
- Introducción
- Introducción
- Tipo de Aprendizaje Automático
- Algunos ejemplos
- oneAPI
- Extensión de Intel para Scikit-learn
- Orden de parcheado e imports
- Clasificación
- K Nearest Neighbors Classification
- Hands-on
- Clustering
- Clustering
- KNN
- Hands-on
- PCA
Temas:
- Intel Extensions para Scikit-learn
- Introducción
- Alternativas
- Alternativas (cont)
- Algoritmos soportados
- Orden de parcheado e imports
- Ejemplo para K Nearest Neighbor
- Uso de Intel GPUs
- Data Parallel y Python
- Data Parallel Control-dpctl
- Selección de dispositivos
- Preparar los datos
- Hands-on
- Algoritmos disponibles
Módulo 4. ML en GPUs
Temas:
- Introducción
- Reto de la programación
- oneAPI
- Intel oneAPI AI Analitics Toolkit
- Intel® VTune™ Profiler
- Intel® Advisor
- Intel DevCloud
- Motivación
- Python
- Niveles de paralelismo
- Computación heterogénea
- Data Parallel para Python
- Compute-Follows-Data
- Copia datos entre memorias
- Ecosistema actual Data Parallel para Python
Temas:
- Intel oneAPI
- Introducción
- SYCL y DPC++
- ¿Qué es Data parallel C++?
- ¿Qué SYCL?
- Impementaciones de SYCL
- DPC++ Extiende sycl 1.2.1
- Pseudo-código
- Kernels Paralelos
- Hands-on
- Kernels paralelos básicos
- ND-Range Kernels
- Colas
- Tipos colas
- Ejemplo cola
- Recordatorio C++
- Grupo Comandos
- Colas
- Envío a cola
- Modelo memoria
- Memoria
- Manejo de datos
- Manejo datos (Buffer & Accesors)
- USM
- Manejo Explícito
- Manejo Explícito de memoria (USM)
- Buffer/accessor vs USM
- Hands-on
- Niveles de paralelismo
- Kernels
- Kernels Paralelos
- Kernels paralelos básicos
- ND-Range Kernels
- Ejemplo de código
- Anatomía código
- Multiplicación matrices
- Hands-on
- Modelo ejecución
- Modelo Ejecución
- Colas en orden
- Colas en fuera de orden
- Manejo de errores
- Otros recursos
Temas:
- Introducción
- Reto de la programación
- oneAPI
- Computación heterogénea
- Data Parallel para Python
- Ecosistema actual Data Parallel para Python
- dpctl
- Data Parallel Control-dpctl
- Manejo de dispositivos
- Selección de dispositivos
- Creación de cola
- Manejo de Memoria USM
- Hands-on
- Data parallel con dpnp
- Datos escalares y arrays
- Extensión Data Parallel para NumPy-dpnp
- Gestión de datos y cómputo
Temas:
- Introducción
- Reto de la programación
- Intel oneAPI AI Analitics Toolkit
- Python
- Computación heterogénea
- Numba
- Numba
- Extensión Data Parallel para Numba
- Numba-dpex
- Descarga kernel usando @njit
- Loop-explícito @njit
- Numba-dpex
- Hands-on
- Control del offloading
- Numba-dpex: kernels explícitos
- Kernels explícitos
- Numba-dpex: kernels explícitos
- Hands-on
- Kmeans
Audiencia a la que va dirigido este curso de oneAPI para Machine Learning
El curso está destinado a todo aquellas personas que trabajen con grandes volúmenes de datos para su análisis y procesamiento: científicos de datos, investigadores en IA, desarrolladores de aplicaciones IA y ML.
Modalidad - Online
- Curso en vídeos
- No hay costes de desplazamiento
- Acceso al curso las 24 horas
Objetivos de la formación
Duración
La duración estimada del curso son 12 hrs
Productos y versiones necesarios para completar la formación:
Coste y adquisición
Adquiere el curso
Antes 299 € + IVA.
Ahora en promoción especial por 99 € + IVA.
Ahora gratis Si eres cliente de Danysoft.com / Aledit.com este curso es totalmente gratuito. Es decir, por adquirir o renovar tus licencia tendrás acceso a este curso sin coste adicional.
¿Necesitas más información?
Puedes ponerte en contacto con nuestro equipo de profesionales y realizar la consulta que necesites.
Valor Añadido
Como valor añadido y pensando en tu formación, Aledit y Danysoft imparte múltiples webinars y artículos sobre esta herramienta. Contando para esto con profesionales de gran experiencia en el sector, garantizando ser una amplia fuente de conocimientos.
