151-0116-10L High Performance Computing for Science and Engineering (HPCSE) for Engineers II
| Semester | Frühjahrssemester 2022 |
| Dozierende | P. Koumoutsakos, S. M. Martin |
| 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: 14-16h Exercises: 10-12h. The exercises begin in the second week of the semester. | 4 Std. |
| P. Koumoutsakos, S. M. Martin |
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 Uncertainty Quantification and Propagation including the implementation of relevant 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 |
| 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 |
| Skript | https://www.cse-lab.ethz.ch/teaching/hpcse-ii_fs22/ 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, D. Sivia and J. Skilling - An introduction to Bayesian Analysis - Theory and Methods, J. Gosh, N. Delampady and S. Tapas - Bayesian Data Analysis, A. Gelman, J. Carlin, H. Stern, D. Dunson, A. Vehtari and D. Rubin - Machine Learning: A Bayesian and Optimization Perspective, S. Theodorides |
| Voraussetzungen / Besonderes | Students must be familiar with the content of High Performance Computing for Science and Engineering I (151-0107-20L) |
Leistungskontrolle
| Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird) | |
Leistungskontrolle als Semesterkurs | |
| ECTS Kreditpunkte | 4 KP |
| Prüfende | S. M. Martin |
| 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 | Most probably a computer based examination involving theoretical questions and coding problems. Parts of the lecture documents and other materials will be made available online during the examination. |
| Hilfsmittel schriftlich | You are allowed to bring a HANDWRITTEN summary of 3 A4 sheets, written on the front and back pages (6 pages total). Photocopies are not allowed. |
| Digitale Prüfung | Die Prüfung findet auf Geräten statt, die von der ETH Zürich zur Verfügung gestellt werden. |
| Fernprüfung | Das Ablegen als Fernprüfung ist nicht möglich. |
| 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. |
