Ficha del curso
IV CURSO DE EXTENSIÓN UNIVERSITARIA DE DEEP LEARNING Y CUDA (81540529001-1)
NIVEL: Cursos de extensión universitaria (extinguidos)
CAMPO DE CONOCIMIENTO: Ingenierías y arquitectura
Descripción:Conocer las técnicas más actuales de aprendizaje profundo, supercomputación y aceleración en GPU de la mano del Deep Learning Institute de Nvidia y obtener sus 2 certificaciones más emblemáticas.
Proponente: ARQUITECTURA DE COMPUTADORES
Director: Manuel Ujaldón Martínez Teléfonos: 952132824 /
E-mail: ujaldon@uma.es
Nº plazas: 40
Precio: 325.00 €
Preinscripción: 25.00 €
Plazo de preinscripción: desde 01/08/2020 hasta 07/11/2020
Fecha pago preinscripción hasta: 07/11/2020
Plazo de matrícula: desde 10/08/2020 hasta 06/11/2020
1º plazo: 300.00 € Fecha: hasta 06/11/2020
2º plazo: 0.00 € Fecha: hasta 06/11/2020
Permitido el pago por tarjeta bancaria.
Permitido el pago presencial.
Fecha de inicio de curso: 07/11/2020 Fecha de fin: 05/12/2020 NO VIGENTE
Lugar: On line.
Horario: On line.
Requisitos de acceso:
Condiciones generales de acceso a la universidad. Se recomienda estar familiarizado con los fundamentos de la programación básica, como funciones y variables, y tener unos mínimos conocimientos de lenguaje C (como el uso de variables, arrays, sentencias IF y bucles FOR).
Duracion y creditos ECTS
Docencia teórico-práctica en aula: 0.00 ECTS
Docencia On-line: 5.00 ECTS
Prácticas externas en empresas: 0.00 ECTS
Trabajo fin de titulo: 0.00 ECTS
Créditos europeos totales: 5.00 ECTS
Horas de clase presencial: 0.00
Horas de trabajo del estudiante: 125.00
Programa:
Módulo I: Aceleración en GPU con CUDA
1. Arquitectura de la GPU.
2. Aceleración con GPUs dotadas de miles de cores.
3. Jerarquía de millones de hilos en CUDA.
4. Despliegue, coordinación y sincronización de millones de hilos.
5. Los multiprocesadores y su memoria.
6. Flujos concurrentes en CUDA (streams).
7. Gestión de la memoria de vídeo.
8. Casos estudio de paralelismo masivo.
Módulo II: Herramientas de Nvidia para Deep Learning
1. Entrenamiento e inferencia de redes neuronales profundas en GPUs. Estado del arte.
2. El big bang en aprendizaje profundo. Tendencias actuales.
3. Arquitecturas de las redes neuronales para aplicaciones de supercomputación.
4. Componentes del modelo y su despliegue en GPU con Caffe.
5. Rendimiento y optimizaciones con Nvidia TensorRT.
6. Técnicas de big-data para mejorar el modelo.
7. Caso estudio: Clasificación de imágenes temáticas con DIGITS.
8. Premisas para mejorar la arquitectura de la red y extender la funcionalidad.
