151-0116-00L High Performance Computing for Science and Engineering (HPCSE) for CSE
| Semester | Frühjahrssemester 2018 |
| Dozierende | P. Koumoutsakos, P. Chatzidoukas |
| Periodizität | jährlich wiederkehrende Veranstaltung |
| Lehrsprache | Englisch |
Lehrveranstaltungen
| Nummer | Titel | Umfang | Dozierende | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 151-0116-00 G | High Performance Computing for Science and Engineering (HPCSE) II Lecture: 13-15h Exercises: 10-12h The exercises begin in the second week of the semester. | 4 Std. |
| P. Koumoutsakos, P. Chatzidoukas | ||||||||||||
| 151-0116-00 P | High Performance Computing for Science and Engineering (HPCSE) for CSE | 2 Std. |
| P. Koumoutsakos, P. Chatzidoukas |
Katalogdaten
| Kurzbeschreibung | This course focuses on programming methods and tools for parallel computing on multi and many-core architectures. Emphasis will be placed on practical and computational aspects of Bayesian Uncertainty Quantification and Machine Learning including the implementation of these algorithms on HPC architectures. |
| Lernziel | The course will teach - programming models and tools for multi and many-core architectures - fundamental concepts of Uncertainty Quantification and Propagation (UQ+P) for computational models of systems in Engineering and Life Sciences. - fundamentals of Deep Learning |
| Inhalt | High Performance Computing: - Advanced topics in shared-memory programming - Advanced topics in MPI - GPU architectures and CUDA programming Uncertainty Quantification: - Uncertainty quantification under parametric and non-parametric modeling uncertainty - Bayesian inference with model class assessment - Markov Chain Monte Carlo simulation Machine Learning - Deep Neural Networks and Stochastic Gradient Descent - Deep Neural Networks for Data Compression (Autoencoders) - Recurrent Neural Networks |
| Skript | http://www.cse-lab.ethz.ch/index.php/teaching/42-teaching/classes/704-hpcse2 Class notes, handouts |
| Literatur | - Class notes - Introduction to High Performance Computing for Scientists and Engineers, G. Hager and G. Wellein - CUDA by example, J. Sanders and E. Kandrot - Data Analysis: A Bayesian Tutorial, Devinderjit Sivia - Machine Learning: A Bayesian and Optimization Perspective, S. Theodorides |
| Voraussetzungen / Besonderes | Attendance of HPCSE I |
Leistungskontrolle
| Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird) | |
Leistungskontrolle als Jahreskurs mit 151-0107-20L High Performance Computing for Science and Engineering (HPCSE) I | |
| Für Reglement (Prüfungsblock) | Bachelor-Studiengang Rechnergestützte Wissenschaften 2012; Ausgabe 13.12.2016 (Prüfungsblock Kernfächer) Bachelor-Studiengang Rechnergestützte Wissenschaften 2016; Ausgabe 27.03.2018 (Prüfungsblock Kernfächer) |
| ECTS Kreditpunkte | 11 KP |
| Prüfende | P. Koumoutsakos, P. Chatzidoukas |
| Form | Sessionsprüfung |
| Prüfungssprache | Englisch |
| Repetition | Die Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich. |
| Prüfungsmodus | schriftlich 180 Minuten |
| Zusatzinformation zum Prüfungsmodus | * 3-hours written and computer-based exam * Allowed material (in pdf format) - Lecture slides, notes - Solution sheets of the exercises - Reference manuals of programming tools: C++, Intel Intrinsics Guide (SIMD), OpenMP, MPI, CUDA - Textbook(s) as specified in class * Additional material: - Personal summary of no more than 4 sheets (8 pages). The personal summary must be handwritten. |
| Hilfsmittel schriftlich | According information given above |
|
Leistungskontrolle als Semesterkurs
(übrige Studiengänge)
| |
| ECTS Kreditpunkte | 7 KP |
| Prüfende | P. Koumoutsakos, P. Chatzidoukas |
| Form | Semesterendprüfung |
| Prüfungssprache | Englisch |
| Repetition | Die Leistungskontrolle wird nur am Semesterende nach der Lerneinheit angeboten. Die Repetition ist nur nach erneuter Belegung möglich. |
| Zusatzinformation zum Prüfungsmodus | written 180 minutes (same as for the course unit 151-0116-10L); in addition, the project part contributes to the final grade. |
| Falls die Lerneinheit innerhalb eines Prüfungsblockes geprüft wird, werden die Kreditpunkte für den gesamten bestandenen Block erteilt. Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan. | |
Lernmaterialien
| Hauptlink | Course web page |
| Es werden nur die öffentlichen Lernmaterialien aufgeführt. | |
Gruppen
| Keine Informationen zu Gruppen vorhanden. |
Einschränkungen
| Keine zusätzlichen Belegungseinschränkungen vorhanden. |
Angeboten in
| Studiengang | Bereich | Typ | |
|---|---|---|---|
| Rechnergestützte Wissenschaften Bachelor | Kernfächer | O |  |