Cursos de GPU en Guatemala

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar OpenACC para programar dispositivos heterogéneos y explotar su paralelismo.

Al finalizar esta formación, los participantes podrán:

• Configurar un entorno de desarrollo de OpenACC.
• Escribir y ejecutar un programa básico de OpenACC.
• Anotar código con directivas y cláusulas de OpenACC.
• Utilizar la API y las bibliotecas de OpenACC.
• Perfilar, depurar y optimizar programas de OpenACC.

Esta formación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está orientada a desarrolladores de nivel principiante a intermedio que desean aprender los fundamentos de la programación en GPU y los principales marcos de trabajo y herramientas para desarrollar aplicaciones basadas en GPU.

• Al finalizar esta formación, los participantes serán capaces de:
  Comprender la diferencia entre el cómputo en CPU y GPU, así como las ventajas y desafíos de la programación en GPU.
• Elegir el marco de trabajo y la herramienta adecuados para su aplicación en GPU.
• Crear un programa básico de GPU que realice una suma de vectores utilizando uno o más de los marcos de trabajo y herramientas.
• Utilizar las APIs, lenguajes y bibliotecas correspondientes para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar los espacios de memoria correspondientes, como global, local, constante y privado, para optimizar las transferencias de datos y los accesos a memoria.
• Utilizar los modelos de ejecución correspondientes, como elementos de trabajo, grupos de trabajo, hilos, bloques y cuadrículas, para controlar el paralelismo.
• Depurar y probar programas en GPU utilizando herramientas como CodeXL, CUDA-GDB, CUDA-MEMCHECK y NVIDIA Nsight.
• Optimizar programas en GPU utilizando técnicas como la intercalación de memoria, almacenamiento en caché, prefetching y perfilado.

Esta formación en vivo impartida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores de nivel principiante e intermedio que desean utilizar diferentes marcos de trabajo para la programación de GPU y comparar sus características, rendimiento y compatibilidad.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar un entorno de desarrollo que incluya el SDK de OpenCL, el Toolkit de CUDA, la Plataforma ROCm, un dispositivo compatible con OpenCL, CUDA o ROCm, y Visual Studio Code.
• Crear un programa básico de GPU que realice una suma de vectores utilizando OpenCL, CUDA y ROCm, y comparar la sintaxis, estructura y ejecución de cada marco de trabajo.
• Utilizar las API respectivas para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, ejecutar kernels y sincronizar hilos.
• Utilizar los lenguajes respectivos para escribir kernels que se ejecuten en el dispositivo y manipulen datos.
• Utilizar las funciones incorporadas, variables y bibliotecas respectivas para realizar tareas y operaciones comunes.
• Utilizar los espacios de memoria respectivos, como global, local, constante y privado, para optimizar las transferencias de datos y los accesos a la memoria.
• Utilizar los modelos de ejecución respectivos para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de GPU utilizando herramientas como CodeXL, CUDA-GDB, CUDA-MEMCHECK y NVIDIA Nsight.
• Optimizar programas de GPU utilizando técnicas como coalescencia, almacenamiento en caché, prefetching (búsqueda anticipada) y perfilado.

Esta formación en vivo con instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean instalar y utilizar ROCm en Windows para programar GPUs de AMD y aprovechar su paralelismo.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar un entorno de desarrollo que incluya la Plataforma ROCm, una GPU de AMD y Visual Studio Code en Windows.
• Crear un programa básico de ROCm que realice una suma de vectores en la GPU y recupere los resultados desde la memoria de la GPU.
• Utilizar la API de ROCm para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar el lenguaje HIP para escribir kernels que se ejecutan en la GPU y manipulan datos.
• Utilizar las funciones intrínsecas, variables y bibliotecas de HIP para realizar tareas y operaciones comunes.
• Utilizar los espacios de memoria de ROCm e HIP, como global, compartido, constante y local, para optimizar las transferencias de datos y los accesos a la memoria.
• Utilizar los modelos de ejecución de ROCm e HIP para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de ROCm e HIP utilizando herramientas como el Depurador de ROCm y el Analizador de ROCm.
• Optimizar programas de ROCm e HIP utilizando técnicas como agrupamiento, almacenamiento en caché, prefetching y análisis de rendimiento (profiling).

Esta formación en vivo dirigida por instructores en <ubicación> (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar ROCm e HIP para programar GPUs AMD y explotar su paralelismo.

Al final de esta formación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya la Plataforma ROCm, una GPU AMD y Visual Studio Code.
• Crear un programa básico de ROCm que realice una suma de vectores en la GPU y recupere los resultados desde la memoria de la GPU.
• Utilizar la API de ROCm para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, lanzar kernels y sincronizar hilos.
• Utilizar el lenguaje HIP para escribir kernels que se ejecutan en la GPU y manipular datos.
• Utilizar las funciones, variables y bibliotecas integradas de HIP para realizar tareas y operaciones comunes.
• Utilizar los espacios de memoria de ROCm e HIP, como global, compartido, constante y local, para optimizar las transferencias de datos y los accesos a la memoria.
• Utilizar los modelos de ejecución de ROCm e HIP para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de ROCm e HIP utilizando herramientas como ROCm Debugger y ROCm Profiler.
• Optimizar programas de ROCm e HIP utilizando técnicas como coalescencia, almacenamiento en caché, prefetching (precarga) y perfilado.

Esta formación en vivo impartida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar CUDA para programar GPUs de NVIDIA y aprovechar su paralelismo.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar un entorno de desarrollo que incluya el CUDA Toolkit, una GPU de NVIDIA y Visual Studio Code.
• Crear un programa básico de CUDA que realice la suma de vectores en la GPU y recupere los resultados desde la memoria de la GPU.
• Utilizar la API de CUDA para consultar información del dispositivo, asignar y liberar memoria del dispositivo, copiar datos entre el host y el dispositivo, iniciar kernels y sincronizar hilos.
• Utilizar el lenguaje CUDA C/C++ para escribir kernels que se ejecuten en la GPU y manipulen datos.
• Utilizar las funciones integradas, variables y bibliotecas de CUDA para realizar tareas y operaciones comunes.
• Aprovechar los espacios de memoria de CUDA, como global, compartido, constante y local, para optimizar las transferencias de datos y los accesos a la memoria.
• Utilizar el modelo de ejecución de CUDA para controlar los hilos, bloques y cuadrículas que definen el paralelismo.
• Depurar y probar programas de CUDA utilizando herramientas como CUDA-GDB, CUDA-MEMCHECK y NVIDIA Nsight.
• Optimizar programas de CUDA mediante técnicas como la coalescencia, el almacenamiento en caché, la búsqueda anticipada (prefetching) y la instrumentación (profiling).

97 % de los clientes satisfechos. 

Esta formación en vivo impartida por un instructor en Guatemala (en línea o presencial) está dirigida a administradores de sistemas y profesionales de TI de nivel principiante que deseen instalar, configurar, administrar y solucionar problemas de entornos CUDA.

Al final de esta capacitación, los participantes serán capaces de:

• Comprender la arquitectura, los componentes y las capacidades de CUDA.
• Instalar y configurar entornos CUDA.
• Gestionar y optimizar recursos CUDA.
• Depurar y solucionar problemas comunes de CUDA.

Esta formación en vivo con instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que deseen utilizar OpenCL para programar dispositivos heterogéneos y aprovechar su paralelismo.

Al finalizar esta formación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya el SDK de OpenCL, un dispositivo compatible con OpenCL y Visual Studio Code.
• Crear un programa básico de OpenCL que realice la suma de vectores en el dispositivo y recupere los resultados de la memoria del dispositivo.
• Utilizar la API de OpenCL para consultar información del dispositivo, crear contextos, colas de comandos, buffers, núcleos (kernels) y eventos.
• Usar el lenguaje C de OpenCL para escribir kernels que se ejecuten en el dispositivo y manipulen datos.
• Utilizar funciones integradas, extensiones y bibliotecas de OpenCL para realizar tareas y operaciones comunes.
• Emplear los modelos de memoria del host y del dispositivo de OpenCL para optimizar las transferencias de datos y los accesos a la memoria.
• Utilizar el modelo de ejecución de OpenCL para controlar los work-items (elementos de trabajo), grupos de trabajo (work-groups) y rangos ND.
• Depurar y probar programas OpenCL utilizando herramientas como CodeXL, Intel VTune y NVIDIA Nsight.
• Optimizar programas OpenCL mediante técnicas como la vectorización, el desenrollado de bucles, la memoria local y la perfilación (profiling).

Esta capacitación en vivo impartida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores de C++ que desean utilizar CUDA para acelerar aplicaciones, escribir núcleos GPU de alto rendimiento y aprovechar bibliotecas de algoritmos paralelos para cargas de trabajo de computación científica, procesamiento de datos y aprendizaje automático.

Esta formación en vivo con instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores C/C++ que deseen utilizar CUDA para acelerar aplicaciones intensivas en cómputo, incluyendo procesamiento de datos, simulaciones científicas, cargas de trabajo de aprendizaje automático y pipelines de procesamiento de imágenes.

Esta formación en vivo con instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores de software, analistas de datos y profesionales técnicos que deseen utilizar TensorFlow 2.x y Keras para construir, entrenar e implementar modelos de aprendizaje profundo aplicados a visión por computadora, procesamiento del lenguaje natural y aplicaciones multimodales.

Este curso en vivo, impartido por un instructor, en Guatemala cubre cómo programar GPUs para computación paralela, cómo utilizar diversas plataformas, cómo trabajar con la plataforma CUDA y sus características, y cómo realizar diversas técnicas de optimización usando CUDA. Entre las aplicaciones se incluyen aprendizaje profundo, análisis de datos, procesamiento de imágenes y aplicaciones de ingeniería.