NVAITC SAMP JP RAPIDS Workshop

このリポジトリには、NVIDIA AI Technogloy Center(NVAITC)JapanのStudent Ambassador ProgramのRAPIDSワークショップのリソースが含まれています。

Overview

ワークショップの目的と目標

目的

1.GPU, RAPIDSの基本概念および初歩的な使い方に関する知識の共有
2.滋賀大学の共有サーバ「KAMONOHASHI」の利用方法の共有
3.デモンストレーションを通じたRAPIDSに関する具体的な理解と，参加者の実務および研究に役立つようなインスピレーションの促進

目標

1.GPU, RAPIDS, KAMONOHASHIの基本的な知識を提供し，GPUを活用したデータサイエンス技術に関する知識を増やす
2.RAPIDSを活用した，データ処理のスピードとスケーラビリティ向上スキルの習得

本ワークショップで取り扱うRAPIDSのツール

上の図の番号が，アジェンダの番号に対応しています。

5. Dask-cuDFを活用したスケーラブルなデータ処理の実践（上野）: cuDF, Dask, Pandas
6. Plotly-Dash+RAPIDSによる人口推移の可視化（上野）: cuxfilter, Dash, cuDF
7. cuMLのご紹介
   7.1. cuMLを利用したクラスタリングとRFM分析によるカスタマーセグメンテーション（上野）: Scikit-learn, cuML
   7.2. XGBoostを用いた住宅価格の予測（嘉悦）: Scikit-learn, cuML

Workshop Agenda

アジェンダ（開催日時：2023/10/6）

• 1. オープニング
• 2. 決め手はAI!? NVIDIA Omniverse が実現する産業メタバースの世界（基調講演，NVIDIA 梅澤）
• 3. 猫でもわかるGPU（嘉悦）
• 4. 初めてのRAPIDS活用（嘉悦）

～休憩～

• 5. Dask-cuDFを活用したスケーラブルなデータ処理の実践（上野）
• 6. Plotly-Dash+RAPIDSによる人口推移の可視化（上野）
  • デモで使用するリポジトリ:Ueno ver. - plotly-dash-rapids-census-demo
• 7. cuMLのご紹介
• 7.1. cuMLを利用したクラスタリングとRFM分析によるカスタマーセグメンテーション（上野）
• 7.2. XGBoostを用いた住宅価格の予測（嘉悦）
• 8. クロージング

インストールとセットアップのガイド

ソフトウェアの要件

プログラミング言語：Python
フレームワークおよびライブラリ:

• Python: 3.8
• LINUX_VERSION: ubuntu18.04
• CUDA_VERSION: 11.0
• RAPIDS: 22.08
• ベースイメージ: rapidsai/rapidsai
• 依存性

  - cuxfilter=22.08.00
  - dash=2.5.1
  - dash-html-components=2.0.0
  - dash-core-components=2.0.0
  - dash-daq=0.5.0
  - dash-bootstrap-components=1.2.0

そのほかの情報については，Dockerfile，environtemnt_for_docker.ymlを参照してください。

ハードウェアの要件

• CUDA: 11.0
• NVIDIA driver: 450.236.01

セットアップガイド

Docker

docker build -t rapids_workshop .
docker run --gpus all rapids_workshop

Collaborators

• 上野孝⽃(Shiga Universtiy)
• 嘉悦里奈子(Shiga Universtiy)
• Vincent Gong(NVIDIA)

License

• Apache 2.0 (same as RAPIDS)