Resuelve los desafíos con poderosas GPU. Desarrollo de habilidades en informática de alto rendimiento y aplicadas en numerosos campos.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
La pasantía está destinada a científicos de datos y desarrolladores de software que estén interesados en crear software que utilice el hardware disponible. Los estudiantes estarán expuestos a CUDA y las bibliotecas que permiten realizar muchos cálculos de forma simultánea y rápida.
Los estudiantes realizarán al menos 2 proyectos que les permitirán explorar soluciones basadas en CUDA para el procesamiento de imágenes/señales, así como un tema de elección que pueda estar relacionado con su carrera profesional actual o futura.
También crearán breves demostraciones de sus esfuerzos y compartirán su código.
Lo que aprenderás: Los estudiantes aprenderán a desarrollar software paralelo en los lenguajes de programación Python y C/C++. Los estudiantes obtendrán un nivel básico de comprensión de las estructuras de hardware y software de GPU.
Lo que aprenderás: Los estudiantes aprenderán a utilizar el marco CUDA para escribir software C/C++ que se ejecute en CPU y GPU Nvidia. Los estudiantes convertirán proyectos y algoritmos secuenciales en comandos CUDA que se ejecutan de cientos a miles de veces simultáneamente en hardware GPU.
Lo que aprenderás: Los estudiantes aprenderán a desarrollar software que pueda ejecutarse en entornos computacionales que incluyan múltiples CPU y GPU. Los estudiantes desarrollarán software que utilice CUDA para crear código de cálculo de GPU interactivo para el manejo de datos asincrónicos.
Lo que aprenderás: Cómo desarrollar software que realice operaciones matemáticas avanzadas utilizando bibliotecas como cuFFT y cuBLAS. Cómo utilizar la biblioteca Thrust para realizar una variedad de manipulaciones de datos y estructuras de datos que ocultan la administración de la memoria. Cómo desarrollar software multipropósito de aprendizaje automático utilizando redes neuronales modelando las bibliotecas cuTensor y cuDNN.
