Ce cours est une introduction au parallélisme et aux architectures et technologies les plus récentes en matière de programmation parallèle.

1. Présentation des GPU comme accélérateurs,
2. Prise en main du langage de programmation CUDA ainsi que du paradigme de programmation par directives OpenACC,
3. Extension à programmation GPU asynchrone et par tâches,
4. Optimisations basiques du programme relativement à l’architecture du matériel.

Voir la page complète

Le projet intégrateur associe étroitement la notion de projet et celle d’intégration des acquis. Il initie à la gestion de projet, le suivre et l’accompagner pour la réalisation de son projet dans le domaine du Big Data. L’idée est de faire comprendre au travers d’un travail concret et d’envergure l’intérêt à prendre du recul.

Le suivi et l’accompagnement est assuré par les enseignants chercheurs, selon trois modalités :

- 1) Présentation/discussion mensuelle avec l’ensemble des étudiants,

- 2) Réunion de travail, à minima bi-mensuelle (étudiants en formation initiale), 

- 3) Évaluation de plusieurs livrables liés au projet.

1. Conduite, pratiques et outils en gestion de projet. Comprendre et mettre en pratique les principes et les outils de la gestion de projet.
2. Communiquer : prise de parole sur un sujet en fonction du public (scientifique/vulgarisation).
3. Développer : une analyse critique et une argumentation pour justifier des choix méthodologiques et techniques.
4. Mobiliser : les différents acquis pour s’approprier d’une problématique afin de proposer des solutions adaptées.

Voir la page complète

Les travaux d’approfondissements sont associés étroitement aux missions confiées à l’alternant par l’entreprise.

Tout comme le projet intégrateur, son complément, l’initiation à la gestion de projet, le suivi et l’accompagnement à la réalisation de ses missions sont au centre des préoccupations pédagogiques.

L’accompagnement et la prise de recul sont assurées par les enseignants chercheurs.

Voir la page complète

• Introduction : discover the architecture of a supercomputer and what is High Performance Computing,

• Efficient sequential programming,

• Introduction to compiled langages (C),

• Improve Python programs using C functions and Python tools,

• Parallel programming :

• Using a supercomputer,

• Distributed memory parllelism : MPI in Python,

• Introduction and practice of simple Domain Decomposition Methods,

• Shared memory parallelism : OpenMP and Python tools.

Voir la page complète