Bereit für die Klausur? Teste jetzt dein Wissen!
Dein ergebnis
Melde dich für die StudySmarter App an und lerne effizient mit Millionen von Karteikarten und vielem mehr!
Du hast bereits ein Konto? Anmelden
Lerninhalte finden
Features
Entdecke
Egal, ob Zusammenfassung, Altklausur, Karteikarten oder Mitschriften - hier findest du alles für den Studiengang Bachelor of Science Informatik
Universität Erlangen-Nürnberg
Bachelor of Science Informatik
Prof. Dr.
2024
Diese Sektion behandelt die grundlegenden Konzepte und Komponenten moderner Rechnersysteme. Der Fokus liegt auf der Struktur und Funktionsweise von CPUs und Speicherarchitekturen.
In diesem Abschnitt werden spezialisierte Hardwarelösungen für die Beschleunigung von Deep Learning Anwendungen vorgestellt. Der Schwerpunkt liegt auf GPU- und TPU-Architekturen.
Der Fokus dieser Sektion liegt auf Techniken und Strategien zur Optimierung von Deep-Learning-Modellen für Effizienz und Leistung.
Hier werden die Prinzipien und Technologien behandelt, die hinter parallelen und verteilten Systemen stehen, mit besonderem Fokus auf deren Anwendung im Deep Learning.
Dieser Abschnitt befasst sich mit den Methoden zur Verbesserung der Energieeffizienz in Computern, insbesondere bei der Ausführung von Deep Learning Anwendungen.
Die Vorlesung 'Rechnerarchitekturen für Deep-Learning Anwendungen' an der Universität Erlangen-Nürnberg bietet Dir eine umfassende Einführung in die verschiedenen Aspekte der Rechnerarchitektur, die speziell auf Anwendungen im Bereich des Deep Learning ausgerichtet sind. In dieser Vorlesung erfährst Du, wie moderne Hardware und Architektur Design helfen, die Leistung von Deep Learning Modellen zu maximieren. Die Unterrichtseinheiten kombinieren theoretische Vorträge und Diskussionsrunden mit praktischen Übungen, die sowohl Gruppenprojekte als auch Programmieraufgaben umfassen. Diese Struktur stellt sicher, dass Du nicht nur theoretisches Wissen erlangst, sondern es auch praktisch anwenden kannst.
Kursleiter: Prof. Dr.
Modulstruktur: Die Vorlesung besteht aus einem theoretischen Teil und praktischen Übungen. Der theoretische Teil wird in Form von Vorträgen und Diskussionen gehalten. Die praktischen Übungen beinhalten Programmieraufgaben und Projekte, die in Gruppen durchzuführen sind.
Studienleistungen: Die Wissensprüfung erfolgt durch eine schriftliche Klausur am Ende des Semesters.
Angebotstermine: Die Vorlesung wird im Wintersemester angeboten.
Curriculum-Highlights: Grundlagen der Rechnerarchitektur, Hardwarebeschleunigung für Deep Learning, Optimierung von Deep Learning Modellen, Parallele und verteilte Systeme, Energieeffizienz in der Rechnersystemen
Beginne frühzeitig mit dem Lernen, idealerweise schon zu Beginn des Semesters, um Dir die nötige theoretische Basis anzueignen.
Nutze verschiedene Ressourcen, wie Bücher, Übungsaufgaben, Karteikarten und Probeklausuren, um dein Wissen zu vertiefen.
Schließe Dich Lerngruppen an und tausche Dich mit anderen Studierenden aus, um gemeinsam Lösungsstrategien zu entwickeln.
Vergiss nicht, regelmäßige Pausen einzulegen und in diesen Zeiten komplett abzuschalten, um eine Überbelastung zu vermeiden.
Paul C.
Paul C.
Stephan D.
Amanda L.
Sie haben bereits ein Konto? Login
74790 Strategisches Management | Kurs ansehen |
Advanced Design and Programming | Kurs ansehen |
Advanced Mechanized Reasoning in Coq | Kurs ansehen |
Advanced Programming Techniques | Kurs ansehen |
Algebra | Kurs ansehen |
Algebra des Programmierens | Kurs ansehen |
Algebraische und Logische Aspekte der Automatentheorie | Kurs ansehen |
Algorithmen und Datenstrukturen | Kurs ansehen |
Algorithmik kontinuierlicher Systeme | Kurs ansehen |
Allgemeine Biologie I | Kurs ansehen |
Monika E.