TU Wien:Basics of Parallel Computing VU (Träff)
- Basics of Parallel Computing VU (Hunold) (TU Wien, 0 Resources)
- Basics of Parallel Computing VU (Träff) (TU Wien, 0 Resources)
Daten[edit]
| Lecturers | Sascha Hunold, Jesper Larsson Träff |
|---|---|
| ECTS | 3 |
| Department | Computer Engineering |
| When | summer semester |
| Language | English |
| Abbreviation | BOPC |
| Links | tiss:191114, Homepage |
| Master Data Science | Pflichtmodul BDHPC/CO - Big Data and High Performance Computing - Core |
Inhalt[edit]
Die LVA ist im Grunde die Bachelor VU "Parallel Computing" (Parallel Computing VU (Träff))
Es werden Grundlagen von Parallel Computing wie grundlegende Paradigmen unterrichtet und deren Laufzeiten und mögliche SpeedUps berechnet. Praktische Implementierungen werden mittels OpenMP und MPI durchgeführt (Inkl theoretische Grundlagen und Benchmarks etc. siehe Bachelor LVA im Vowi). Der Stoff sowie die Slides sind (nehme ich an) 1:1 von der Bachelor Vorlesung kopiert und nicht an den Data Science Master angepasst; es wurden nur die Kapitel Bitonic Merging und Parallel Patterns herausgenommen (<10% der Slides).
Das erste Übungsblatt besteht aus Beispielen von Übungsblatt 1 und 2 der Bachelor LVA (Theorie & OpenMP). Das dritte Übungsblatt über MPI deckt sich mit der Bachelor LVA.
Die Stundenangaben in der TISS-Beschreibung sind nicht ernst zu nehmen, da sie einfach nur aus der Bachelor Vorlesung kopiert und halbiert wurden. (Angeblich 4h pro Übungsblatt und 8h lernen für die Prüfung (lol)).
Der Stoff ist mit 1300 Slides + 100 Seitigem Skriptum sehr viel für eine 3 ECTS VU.
Ablauf[edit]
Großer Vorteil wenn man C, Speicherallokierung und sich halbwegs mit dem gcc compiler auskennt. Es wird zwar angeblich nur eine high level Sprache vorausgesetzt, de-facto sollte man sich aber halt ein C Tutorial mit Fokus auf Speicherallokierung (immer wichtig bei den ganzen Matrixoperationen) anschauen.
Vortrag[edit]
noch offen
Übungen[edit]
Pro Übungsblatt würde ich um die 3-4 Tage einrechnen (mit gutem Partner natürlich weniger) wenn man noch die Theorie lernen muss und kein C kann, aber halbwegs Programmiererfahrung hat. (Am besten OpenMP und MPI von Online Tutorials lernen, hat mir zumindest bei MPI viel Zeit erspart weil die VO-Slides nicht gerade optimal sind.)
Prüfung, Benotung[edit]
noch offen
Dauer der Zeugnisausstellung[edit]
noch offen
Zeitaufwand[edit]
noch offen
Unterlagen[edit]
noch offen
Tipps[edit]
noch offen
Verbesserungsvorschläge / Kritik[edit]
Ich sehe nicht wie in der Spezialisierung groß auf dieses "core" Fach aufgebaut wird. ML typische Themen wie Cuda werden nicht mal gestreift (kein Wunder ist ja die LVA für den Software Bac.). Aber dafür schlägt man sich immer ein paar Tage mit C-Implementierungen herum. Sehe kaum Mehrwert für das Data Science Studium, da wäre ein allgemeinerer Skill im Optimierungsbereich sicher passender.
Die Theorie hat schon ihre Berechtigung. Die Slides sind unstrukturiert und chaotisch. Das Skriptum ist nur ein Katalysator um das Wissen der Slides überhaupt aufnehmen zu können.