Minicursos

.

MC1:Workshop NVIDIA DeepStream

Resumo: Deepstream é um SDK da NVIDIA focado na implementação de pipeline de processamento de visão computacional utilizando aceleração de GPU, maximizando o processamento na GPU, minimizando a troca de dados entre GPU e host que introduz gargalos de processamento e limita a performance e escalabilidade das aplicações. O Deepstream suporta desenvolvimento em C++, Python e através de uma ferramenta no-code, permitindo a criação rápida e padronizada de aplicações de visão computacional. Ele se integra a outros SDKs importantes da NVIDIA para treinamento otimizado de redes neurais e inferência, suportando ainda sua execução em diversos tipos de dispositivos, da borda até a nuvem. Vamos apresentar a arquitetura do Deepstream, apresentar suas principais características, apresentar os SDKs da NVIDIA que se integram a ele para implementar uma solução fim a fim otimizada para visão computacional, e demonstrar códigos de exemplo e casos de uso.

.

MC2: Workshop NVIDIA Rapids

Resumo: Rapids é um conjunto de bibliotecas Open Source que permite a execução de pipelines completos de Data Science e Analytics totalmente em GPUs, usando Python. Ele permite que seu código escale de uma máquina de desenvolvimento para servidores ou clusters com múltiplas GPUS. Entre as diversas bibliotecas disponíveis, existem bibliotecas compatíveis com Pandas, Scikit-learn e NumPy/SciPy, em muitos casos com compatibilidade semântica, o que em alguns casos basta substituir o import e está feito. Rapids é um projeto Open Source mantido pela NVIDIA.

.

MC3: Workshop NVIDIA Modulus

Resumo: Este curso oferece aos participantes uma introdução abrangente à integração de física e aprendizado de máquina. Os participantes aprenderão a utilizar restrições baseadas na física em modelos de aprendizado de máquina usando o framework Modulus, permitindo previsões mais  precisas e interpretáveis. O curso abrange os princípios fundamentais do aprendizado de máquina informado por física, enfatizando a importância de incorporar o conhecimento do domínio e as leis físicas nos modelos de aprendizado de máquina. Através de exercícios práticos e projetos, os participantes ganharão experiência prática na formulação e no treinamento de modelos de aprendizado de máquina informados por física com o Modulus. Eles também aprenderão a interpretar os modelos aprendidos e a extrair insights físicos valiosos dos resultados. Ao final do curso, os participantes terão o conhecimento e as habilidades para desenvolver e implementar modelos de aprendizado de máquina informados por física, capacitando-os a resolver problemas complexos em domínios da ciência e engenharia com maior precisão e interpretabilidade.

Pré-requisitos:

• Familiaridade com a linguagem de programação Python
• Compreensão de equações diferenciais parciais e seu uso na física
• Familiaridade com conceitos de aprendizado de máquina, como treinamento e inferência

.

MC4: Plataforma Brazil Data Cube: Cubos de dados de observação da Terra e análise de séries
temporais de imagens de satélite

Resumo: Este workshop abordará os produtos de dados e as ferramentas de software da Plataforma Brazil Data Cube (http://brazildatacube.org/). O projeto Brazil Data Cube (BDC) está produzindo, para todo o território brasileiro, mais de 2 petabytes de Dados prontos para análise (da sigla em inglês, ARD) e cubos de dados multidimensionais de imagens dos satélites Landsat-8/-9, Sentinel-2, CBERS-4/-4A e Amazônia. Além disso, o projeto BDC está desenvolvendo ferramentas de software para lidar com grandes volumes de dados. Isso inclui extrair séries temporais de imagens de cubos de dados de observação da Terra, para produzir informações de uso e cobertura da terra por meio de aprendizado de máquina.

O principal objetivo do BDC é dar suporte ao monitoramento ambiental, às aplicações de uso e cobertura da terra, ao gerenciamento agrícola e a outras aplicações por meio de informações geoespaciais consistentes e temporalmente estruturadas. As séries temporais extraídas de cubos de dados de observação da Terra melhoram nossa compreensão dos padrões e processos ambientais. Em vez de selecionar imagens individuais de datas específicas e compará-las, os pesquisadores podem acompanhar as mudanças continuamente. A análise de séries temporais de imagens de satélite capta mudanças sutis nos ecossistemas e melhora a qualidade da classificação da Terra.

Este workshop abordará os conceitos de cubos de dados de Observação da Terra e análise de séries temporais de imagens de satélite, além de promover atividades práticas para: Descoberta, acesso e visualização de cubos de dados; Extração de séries temporais de imagens de satélite; Análise de séries temporais de imagens de satélite; e Extração de trajetórias de uso e cobertura da Terra. Entre as demonstrações, serão apresentados o BDCExplorer, um portal Web para busca e visualização de dados; Em linguagem Python os Serviços SpatioTemporal Asset Catalog (STAC), Web Time Series Service (WTSS) e Web Land Trajectory Service (WLTS). Por fim, em linguagem de programação R, uma introdução ao pacote Satellite Image Time Series (SITS).