Agenda de trabajo

Esta es nuestra agenda tentativa de trabajo para los 5 días que dura el curso. Los dos primeros días se dedican a CUDA, y los tres últimos a Deep Learning.

Día 1 Módulo Objetivos
16:00-17:40 Introducción al hardware de la GPU Comprender el chip GPU y su arquitectura, bloques constructivos, generaciones y modelos.
17:40-18:00 Descanso  
18:00-19:45 Aceleración de Aplicaciones con CUDA C/C++

Conocer la sintaxis esencial y los conceptos que permiten escribir aplicaciones C/C++ con CUDA:
(1) Escribir, compilar y ejecutar código en GPU.
(2) Controlar la jerarquía de hilos paralelos. su organización y la sincronización CPU-GPU.
(3) Lanzar kernels básicos.

19:45-20:00 Descanso  
20:00-21:00 Aceleración de Aplicaciones con CUDA C/C++

Aplicar paralelismo de datos a un código secuencial:

(1) Distinguir los procedimientos que admiten mejor paralelización.

(2) Identificar las dependencias del código que afectan al paralelismo.

(3) Aprovechar las mejores oportunidades de paralelismo masivo.

Día 2 Módulo Objetivos
16:00-17:45 Multiprocesadores y gestión de memoria en CUDA C/C++ Desplegar el paralelismo de bloques e hilos aprovechando el conocimiento del hardware de la GPU.
17:45-18:15 Descanso  
18:15-19:30 Multiprocesadores y gestión de memoria en CUDA C/C++

Conocer la gestión de memoria en CUDA y el comportamiento de la memoria unificada según se referencia desde la CPU y/o la GPU.

19:30-19:45 Descanso  
19:45-21:00 Visual Profiler y Streams. Revisión final del módulo de CUDA. Evaluación Optimización de código. Análisis de rendimiento. Síntesis de los principales conceptos.
Completar la evaluación para obtener la certificación del DLI.
Día 3 Módulo Objetivos
16:00-17:45 Introducción al Deep Learning

Deep Neural Networks (DNNs)
Descripción del curso y conceptos preliminares: terminología, tendencias en la industria y retos.

Elementos, estructura, ejemplos, propagaciones adelante y atrás.
17:45-18:15 Descanso  
18:15-19:30 DNNs Aprendizaje supervisado, overfitting. Descripción y resumen de los 20 conceptos clave para Deep Learning.
19:30-19:45 Descanso  
19:45-21:00 Entrenando DNNs GPU Task 1: Entrena tu DNN. Construye tu primer proyecto de Deep Learning para la clasificación de imágenes temáticas.
Día 4 Módulo Objetivos
16:00-17:45 Entrenando DNNs Análisis de resultados e identificación de las principales debilidades durante el aprendizaje.
17:45-18:15 Descanso  
18:15-19:30 Entrenando DNNs GPU Task 2: Big Data. Manejo de grandes volúmenes de datos para mejorar el modelo.
19:30-19:45 Descanso  
19:45-21:00 Desplegando DNNs GPU Task 3: Integrar DNNs en aplicaciones reales.
Día 5 Módulo Objetivos
16:00-17:45 Rendimiento y tareas avanzadas GPU Task 4 y 5: Rendimiento durante el entrenamiento y detección de objetos.
17:45-18:15 Descanso  
18:15-19:30 Examen Celebración del test final para lograr el diploma de la UMA.
19:30-19:45 Descanso  
19:45-21:00 Revisión final del módulo de DL. Evaluación Síntesis final y posibilidades de crecimiento futuro. Proyectos a seguir y formación continua.