Ficha del curso

XIII CERTIFICADO DE EXTENSIÓN UNIVERSITARIA DE DEEP LEARNING Y CUDA (81549529001-3)

NIVEL:  Certificados de extensión universitaria

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:    /  
E-mail:  UJALDON@UMA.ES

Nº plazas:  60
Precio:  350.00 €

Plazo de preinscripción:  desde   01/05/2025    hasta 17/10/2025

Plazo de matrícula:  desde   08/05/2025    hasta     17/10/2025
1º plazo:  350.00 €       Fecha:  hasta 17/10/2025       
2º plazo:  0.00 €       Fecha:  hasta 17/10/2025       

Permitido el pago por tarjeta bancaria.

Permitido el pago presencial.

Fecha de inicio de curso:  18/10/2025       Fecha de fin:  22/11/2025      
Lugar:  Campus Virtual
Horario:  Las 25 horas de clase se impartirán de 9 a 14 horas durante 5 sábados consecutivos (A EXCEPCIÓN DEL SÁBADO 1 DE NOVIEMBRE, FESTIVO). En los días restantes se desarrollan el resto de actividades no presenciales del curso.
Requisitos de acceso:
No se contempla ningún requisito de acceso ni experiencia profesional previa. Tan sólo 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. Arquitecturas para el procesamiento del lenguaje natural.
8. Arquitecturas avanzadas: Autoencoders, aprendizaje de refuerzo y GANs Y TRANSFORMERS.