Программные инструменты Intel — это необходимый инструмент разработчика ПО, который стремится получить максимальную производительность своего кода на платформах Intel® Architecture (x86). Программные инструменты Intel предоставляют компиляторы, «рантаймы» и библиотеки, а также инструменты профилировки и прототипирования, покрывающие полный спектр оптимизаций — от алгоритмических до микроархитектурных.

Интеграция программных инструментов Intel в процесс разработки ПО требует вдумчивого подхода и планирования, но она доступна каждому.

На практическом семинаре мы:

• опробуем компиляторы, «рантаймы» и библиотеки;
• обсудим настройку CI для использования инструментов Intel;
• рассмотрим проблемы и их решения.

Мы будем работать в Яндекс.Облаке на виртуальных машинах на базе архитектуры Intel® Xeon® Scalable 2nd gen (Cascade Lake-X) с гарантированной долей vCPU 100%. 

Миграция приложений в облачную инфраструктуру даёт ряд преимуществ — например, простое масштабирование, резервирование, техподдержку, снижение TCO.

При этом работа с облачными сервисами требует компетентную и внимательную команду разработки и сопровождения ПО.

Цель практического семинара — раскрыть возможности инфраструктуры Яндекс.Облака (на базе Intel Cascade Lake) и использовать инструменты оптимизации и прототипирования производительности Intel® Parallel Studio XE Professional Edition.

Мы рассмотрим архитектуру процессоров Intel Cascade Lake и инструменты Intel Software для оптимизации.

СatBoost — это библиотека градиентного бустинга с открытым исходным кодом.
Она превосходит аналоги по качеству и имеет дополнительные преимущества: например, поддерживает работу с категориальными признаками (жанрами музыки, ID устройства, URL) без предобработки данных.

Дефолтные параметры библиотеки позволяют получать качественные модели, а GPU-реализация CatBoost — самая быстрая среди общедоступных реализаций градиентного бустинга.

Мы познакомимся с возможностями библиотеки на примере задачи классификации. Пройдём все этапы построения модели прогнозирования и рассмотрим следующие темы:

• выбор подходящих функций потерь и метрик для оптимизации;
• обучение модели;
• визуализация процесса обучения и кросс-валидации;
• работа со встроенным детектором переобучения;
• выбор оптимального порога принятия решения;
• важность признаков и интерпретация прогнозов модели;
• применение обученной модели к тестовым данным.