Fernkurs edX®: Using GPUs to Scale and Speed-up Deep Learning

Weiterempfehlung: (0,00%)Loading...

179 Views

Bewertungen edX®

10

Studienangebot

10/10

Studienberatung & Service

10/10

Flexibilität

10/10

Studierendensupport

10/10

Online-Campus

10/10

Kosten-/Leistungsverhältnis

10/10

Studieninhalte

10/10

Seminare

10/10

Studienhilfsmittel

10/10

Vertiefungsmöglichkeiten

10/10

LEISTUNGEN

• Bachelor: 0 ; Master: 0; Kurse: >2.500
• Studienstart: verschieden
• Voll- und Teilzeitmodelle: nein
• Anrechnung von Vorleistungen: nein
• Teststudium: k.A.
• Kostenfreie Verlängerung: nein
• Prüfungszentren: nicht relevant
• Prüfungen weltweit: nicht relevant
• Präsenzpflichten: nein
• Spezialisierungen: nein

• Flexible Kostenmodelle: nein
• Online-Tutorien: ja
• Learning-App: ja
• Fremdsprachen: ja
• Unterrichtssprache: englisch
• Akkreditierungen: verschieden
• Bachelor ohne Abitur: nicht relevant
• Social Activities: nein
• Kosten: siehe Kurs

¹Werbelink
Training acomplex deep learning model with a very large data set can take hours, days and occasionally weeks to train. So, what is the solution? Accelerated hardware. You can use accelerated hardware such as GoogleÂ’s Tensor Processing Unit (TPU) or Nvidia GPU to accelerate your convolutional neural network computations time on the Cloud. These chips are specifically designed to support the training of neural networks, as well as the use of trained networks (inference). Accelerated hardware has recently been proven to significantly reduce training time. But the problem is that your data might be sensitiveand you may not feel comfortable uploading it on a public cloud, preferring to analyze it on-premise. In this case, you need to use an in-house system with GPU support. One solution is to use IBMÂ’s Power Systems with Nvidia GPU and Power AI. The Power AI platform supports popular machine learning libraries and dependencies including Tensorflow, Caffe, Torch, and Theano. In this course, you’ll understand what GPU-based accelerated hardware is and how it can benefit your deep learning scaling needs. You’ll also deploy deep learning networks on GPU accelerated hardware for several problems, including the classification of images and videos.

Fakten zum Online-Kurs (Fernkurs) Using GPUs to Scale and Speed-up Deep Learning von edX®

Abschluss	Zertifikat
Studiendauer	wenige Monate, siehe Anbieterseite
Studienstart	an bestimmten Daten möglich
Sprache	englisch
Studienzulassung	keine besonderen Zulassungsvoraussetzungen nötig
Anrechnung von Vorleistungen	keine
Prüfungen	online
Kampagnen	Gutscheine & Aktionen: Kostenlose Business Administration Kurse » zur Kampagne¹ ¹Werbelink
Kosten	siehe Webseite des Anbieters

 
Direkt zum Fernkurs Using GPUs to Scale and Speed-up Deep Learning von edX® wechseln¹
¹Werbelink

Studienzeitmodelle

edX® bietet zahlreiche Onlinekurse zu unterschiedlichsten Studienzeiten an. Viele der Kurse sind innerhalb von Wochen oder wenigen Monaten studierbar. Für MicroMaster Programme muss hingegen deutlich mehr Zeit investiert werden.

Zulassungsvoraussetzungen

Bei edX® gibt es keine besonderen Zulassungsvoraussetzungen, MicroBachelor und MicroMaster Programme ausgenommen, d.h. jeder kann mit einem MOOC Kurs ins Onlinestudium einsteigen. Für manche Kurse werden lediglich bestimmte Vorkenntnisse empfohlen, um das Studium zu erleichtern. Die Mehrheit der Kurse kann jedoch ohne spezifische Vorbildung studiert werden.

Prüfungen, Zertifikate

Die meisten Kurse des Anbieters werden mit einem Zertifikat abgeschlossen, das u.U. kostenpflichtig sein kann. Die Prüfung hierzu erfolgt in der Regel online.

Weitere Fernkurse von edX®

edX® bietet seinen Teilnehmenden mehr als 2.500 Onlinekurse an. Auf Fernstudium-Bewertung.com finden sich davon ca. 1.200 Onlinekurse, nach denen ihr über nachfolgendes Formular suchen könnt.
Wichtig – edX® bietet vornehmlich englischsprachige Kurse an, d.h. tragt hier auch bitte nur englische Begriffe für eure Suche ein!