[parml] Σχετικά με την εξέταση και το σχήμα βαθμολογίας

[Nikela Papadopoulou]

Καλησπέρα,

Σας στέλνουμε μερικές διευκρινήσεις σε σχέση με την εξέταση και το σχήμα βαθμολογίας του μαθηματος:

- Σχήμα βαθμολογίας: 60% (γραπτό) - 40% (εργασία)

- Η εργασία θα αξιολογηθεί με βάση την αναφορά που θα παραδώσετε ομαδικά. Επισημαίνουμε ότι έχει γίνει ενημέρωση της εκφώνησης ώστε να περιλαμβάνει περισσότερες πληροφορίες για το περιεχόμενο της αναφοράς.

- Η προθεσμία υποβολής της αναφοράς είναι η 15η Ιουλίου.

- Η εξέταση θα γίνει με κλειστά βιβλία και σημειώσεις.

- Η εξεταστέα ύλη περιλαμβάνει ό,τι έχει παρουσιαστεί στο μάθημα (διαφάνειες) και στο εργαστήριο.

Στη συνέχεια δίνουμε τις ενότητες που κάλυψε το μάθημα (δείτε τις σχετικές διαφάνειες) και σε κάθε ενότητα υποστηρικτικό υλικό που μπορεί να βοηθήσει τη μελέτη σας. Διευκρινίζουμε ότι το υλικό είναι ευρύ, δεν ανήκει στην εξεταστέα ύλη, δίνεται για να περιγράψει την ευρεία περιβάλλουσα κάθε ενότητας.

Εισαγωγή [1, 5]
Παράλληλοι υπολογισμοί σε αρχιτεκτονικές κοινής μνήμης [1]
Παράλληλος προγραμματισμός σε αρχιτεκτονικές κοινής μνήμης: OpenMP [1] 
Παράλληλοι υπολογισμοί με επιταχυντές [1]
Παράλληλος προγραμματισμός σε επεξεργαστές γραφικών: CUDA [1]
Μηχανική μάθηση, αρχιτεκτονικές και επίδοση [2, 3]
Παράλληλη και κατανεμημένη εκπαίδευση βαθιών νευρωνικών δικτύων [4]
Καλό διάβασμα.

Για οτιδήποτε χρειαστείτε, μη διστάσετε να επικοινωνήσετε.

Χαιρετισμούς, 
Νικέλα


Υποστηρικτική Βιβλιογραφία

[1] Parallel Computing for Data Science with examples in R, C++, CUDA, Norman Matloff, Chapman and Hall/CRC, 2015
[2] Williams, Samuel, Andrew Waterman, and David Patterson. Roofline: An insightful visual performance model for floating-point programs and multicore architectures. No. LBNL-2141E. Lawrence Berkeley National Lab.(LBNL), Berkeley, CA (United States), 2009.
[3] Shi, Shaohuai, et al. "Benchmarking state-of-the-art deep learning software tools." 2016 7th International Conference on Cloud Computing and Big Data (CCBD). IEEE, 2016.
[4] Ben-Nun, Tal, and Torsten Hoefler. "Demystifying parallel and distributed deep learning: An in-depth concurrency analysis." arXiv preprint arXiv:1802.09941 (2018).
[5] Reagen, Brandon, et al. "Deep learning for computer architects." Synthesis Lectures on Computer Architecture 12.4 (2017): 1-123.
[6] Hazelwood, Kim, et al. "Applied machine learning at facebook: A datacenter infrastructure perspective." 2018 IEEE International Symposium on High Performance Computer Architecture (HPCA). IEEE, 2018.
-------------- next part --------------
An HTML attachment was scrubbed...
URL: <http://lists.cslab.ece.ntua.gr/pipermail/parml/attachments/20190615/a2993ce4/attachment.htm>