Agenda de trabajo

  • Imprimir

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

Día 1 Módulo Descripción
9:00-10:40 Introducción al hardware de la GPU Conoce el chip GPU y su arquitectura, bloques constructivos, generaciones y modelos.
10:40-11:00 Descanso  
11:00-12:45 Aceleración de Aplicaciones con CUDA C/C++

Aprende la sintaxis esencial y los conceptos que permiten escribir aplicaciones C/C++ con CUDA:
(1) Escribe, compila y ejecuta código en GPU.
(2) Controla la jerarquía de hilos paralelos. su organización y la sincronización CPU-GPU.
(3) Lanza kernels básicos.
12:45-13:00 Descanso  
13:00-14:00 Aceleración de Aplicaciones con CUDA C/C++

Aplica paralelismo de datos a un código secuencial:

(1) Distingue los procedimientos que admiten mejor paralelización.

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

(3) Aprovecha las mejores oportunidades de paralelismo masivo.
Día 2 Módulo Descripción
9:00-10:45 Multiprocesadores y gestión de memoria en CUDA C/C++ Despliega el paralelismo de bloques e hilos aprovechando el conocimiento del hardware de la GPU.
10:45-11:15 Descanso  
11:15-12:30 Multiprocesadores y gestión de memoria en CUDA C/C++

Conoce la gestión de memoria en CUDA y el comportamiento de la memoria unificada según se referencia desde la CPU y/o la GPU.
12:30-12:45 Descanso  
12:45-13:00 Visual Profiler y Streams. Revisión final del módulo de CUDA. Evaluación Optimiza el código. Analiza su rendimiento. Síntesis de los principales conceptos.
Completa tu evaluación para obtener tu certificación CUDA del DLI.
Día 3 Módulo Descripción
9:00-10:45 Introducción al
Deep Learning		 Presentación del curso y sus pilares básicos: terminología, tendencias en la industria y retos.
10:45-11:15 Descanso  
11:15-12:30 La mecánica del
Deep Learning		 Explora los métodos y herramientas que permiten entrenar con éxito una red neuronal:

(1) Entrena tu primer modelo de visión por computador para aprender a entrenar una red.

(2) Familiarízate con las redes neuronales convolucionales para mejorar la precisión de las predicciones en aplicaciones de visión.
12:30-12:45 Descanso  
12:45-14:00 La mecánica del
Deep Learning (cont.)		 Aplica data augmentation para enriquecer un conjunto de datos y mejorar la generalización del modelo.
Día 4 Módulo Descripción
9:00-10:45 Modelos pre-entrenados Aprovecha modelos pre-entrenados para resolver retos de Deep Learning rápidamente. Integra un modelo de clasificación de imágenes ya entrenado para crear una puerta que se abra automáticamente al detectar la presencia de un perro.
10:45-11:15 Descanso  
11:15-12:30 Aprendizaje de transferencia Personaliza la puerta anterior para que sólo deje pasar a tu perro.
12:30-12:45 Descanso  
12:45-14:00 Redes recurrentes (RNNs) Entrena un modelo que genera texto automáticamente tras haberlo entrenado con multitud de titulares del New York Times.
Día 5 Módulo Descripción
9:00-10:45 Proyecto final: Clasificación de objetos Crea un modelo que, aprovechando la visión por computador, permita distinguir entre fruta fresca y podrida.

(1) Crea y entrena un modelo que interpreta imágenes a color.

(2) Construye un generador de datos para sacar el mayor partido a pequeños conjuntos de datos.

(3) Mejora la velocidad del entrenamiento combinando el aprendizaje de transferencia y la extracción de características.

(4) Analiza arquitecturas de redes avanzadas junto a las recientes áreas de investigación para optimizar tus métodos y mejorar tus habilidades.
10:45-11:15 Descanso  
11:15-12:30 Evaluación final Acepta el reto del test final para lograr tu diploma de la UMA. Completa tu proyecto para lograr tu certificación en Deep Learning del DLI
12:30-12:45 Descanso  
12:45-14:00 Revisión final del módulo de DL. Trabajo futuro Síntesis final y posibilidades de crecimiento futuro. Proyectos y actividades que te permitirán lograr cursos adicionales gratuitos dentro del DLI.