Ficha del curso
X CURSO DE EXTENSIÓN UNIVERSITARIA DE DEEP LEARNING Y CUDA (81546529001-0)
NIVEL: Cursos de extensión universitaria (extinguidos)
CAMPO DE CONOCIMIENTO: Ingenierías y arquitectura
Descripción:Conocer las técnicas más actuales de aprendizaje profundo y aceleración en GPU de la mano del Deep Learning Institute de Nvidia y obtener sus dos certificaciones más emblemáticas.
Proponente: ARQUITECTURA DE COMPUTADORES
Director: Manuel Ujaldón Martínez Teléfonos: 952132824 /
E-mail: ujandon@uma.es
Nº plazas: 40
Precio: 350.00 €
Plazo de preinscripción: desde 01/05/2022 hasta 30/09/2022
Plazo de matrícula: desde 01/06/2022 hasta 30/09/2022
1º plazo: 350.00 € Fecha: hasta 30/09/2022
2º plazo: 0.00 € Fecha: hasta 30/09/2022
Permitido el pago por tarjeta bancaria.
Permitido el pago presencial.
Fecha de inicio de curso: 01/10/2022 Fecha de fin: 29/10/2022 NO VIGENTE
Lugar: El curso se impartirá íntegramente de forma no presencial empleando la herramienta "Seminario Virtual C" del Campus Virtual.
Horario: Las 25 horas de clase se impartirán de 9 a 14 horas durante 5
sábados consecutivos. En los días restantes se desarrollan el
resto de actividades no presenciales del 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 conocimientos elementales de los lenguajes 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 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.