Ficha del curso
VII CURSO DE EXTENSIÓN UNIVERSITARIA DE DEEP LEARNING Y CUDA (81543529001-4)
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 emblemáticas.
Proponente: ARQUITECTURA DE COMPUTADORES
Director: Manuel Ujaldón Martínez Teléfonos: 952132824 /
E-mail: ujaldon@uma.es
Nº plazas: 40
Precio: 350.00 €
Plazo de preinscripción: desde 20/03/2021 hasta 29/06/2021
Plazo de matrícula: desde 01/04/2021 hasta 29/06/2021
1º plazo: 350.00 € Fecha: hasta 29/06/2021
2º plazo: 0.00 € Fecha: hasta 29/06/2021
Permitido el pago por tarjeta bancaria.
Permitido el pago presencial.
Fecha de inicio de curso: 01/07/2021 Fecha de fin: 29/07/2021 NO VIGENTE
Lugar: Campus Virtual.
Horario: Las 25 horas de clase se impartirán de 16:00 a 21:00 durante 5 jueves consecutivos. En los días restantes se desarrollan el resto de actividades no presenciales contempladas en el curso.
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 conocimientos elementales de lenguaje C (para CUDA) y Python (para Deep Learning).
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. Gestión eficiente de la memoria de la GPU.
7. Optimizaciones desde el Visual Profiler.
8. Casos estudio de paralelismo masivo.
Módulo II: Implementación de proyectos de Deep Learning sobre GPUs
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. Redes neuronales convolucionales. Aplicaciones y mejoras.
5. Optimizaciones sobre el conjunto de datos y su despliegue en modelos reales.
6. Aprovechamiento de modelos pre-entrenados. Transferencia del aprendizaje.
7. Redes recurrentes (RNNs) y su aplicación al procesamiento del lenguaje natural.
8. Arquitecturas avanzadas: Autoencoders, aprendizaje de refuerzo y GANs.