Subject

Паралелно процесирање

1. Наслов на наставниот предмет Паралелно процесирање
Parallel processing
2. Код m23_w_065
3. Студиска програма
4. Организатор на студиската програма (единица, односно институт, катедра, оддел) Факултет за информатички науки и компјутерско инженерство
5. Степен (прв, втор, трет циклус) Втор циклус
6. Академска година / семестар 9 / Зимски
7. Број на ЕКТС кредити 6
8. Наставник Дејан Спасов
9. Предуслови за запишување на предметот
10. Цели на предметната програма (компетенции) По завршувањето на курсот се очекува студентот има познавање на паралелни алгоритми;
паралелни архитектури; multithreading системи. Да може да креира паралелни апликации и да може да имплементира оптимални алгоритми за длабоко учење
11. Содржина на предметната програма Фундаментални концепти на паралелните алгоритми. Комплексност на паралелни алгоритми.. GPU архитектура. Паралелизам на инструкциско ниво. Програмирање на GPU со CUDA и OpenCL. Спрежни мрежи и кластери. GRID структури. GRID пресметувања. Одредување на перформанси и оптимизација. Архитектура за длабоко учење и капсулни мрежи.
12. Методи на учење Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа, учење во електронско опкружување (форуми, консултации).
13. Вкупен расположив фонд на време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 45 + 15 + 30 + 50 + 40 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 45 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 15 часови
16. Други форми на активности
16.1. Проектни задачи 50 часови
16.2. Самостојни задачи 30 часови
16.3. Домашно учење 40 часови
17. Начин на оценување
17.1. Тестови 20 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 50 бодови
17.3. Активности и учење 20 бодови
17.4. Завршен испит 20 бодови
18. Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19. Услов за потпис и полагање на завршен испит реализирани активности
20. Јазик на кој се изведува наставата македонски и англиски
21. Метод на следење на квалитетот на наставата механизам на интерна евалуација и анкети
22. Литература
22.1. Задолжителна литература
1. Yoshiyasu Takefuji | GPU parallel computing for machine learning in Python: how to build a parallel computer | Amazon Digital Services LLC | 2017
2. L. Abell | ADVENCED NEURAL NETWORKS with MATLAB: DEEP LEARNING, CONTROL SYSTEMS, PARALLEL COMPUTING, and DYNAMIC NEURAL NETWORKS | CreateSpace Independent Publishing Platform | 2017
3. Shane Cook | CUDA Programming: A Developer`s Guide to Parallel Computing with GPUs (Applications of Gpu Computing) | Morgan Kaufmann | 2012
22.2. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година