Subscríbeche

  • Suscribete a Novas CESGA

HPC User Portal

  • HPC User Portal

Estado dos sistemas

  • Solo visible desde Firefox o Chrome.

Compromiso coa Igualdade

  • Igualdad CESGA

6º Foro Transfiere 2017

Síguenos ...

  • Twitter FacebbokFlickrYouTube CESGA

Servizos PYME's

  • Servicios para Empresas

díxitos Decembro

  • díxitos Decembro 2017

  • CESGA ICTS
Filtrar por ano:
CESGA

Venres 27/04/2018 09:38

Nova: FINSA confía en CiTIUS y CESGA para integrar soluciones de Industria 4.0

FINSA has joined forces with CiTIUS-USC and CESGA in a research project to tackel the problem of moisture content of its MDF products. Discover here the current achievements of this outstanding research project which uses Machine Learning, HPC, and knowledge to create real data-driven models to help FINSA engineers in their decision making process.

Nova completa

CESGA

Mércores 11/04/2018 19:38

Nova: Xuntanza do proxecto europeo Boats4Schools no CESGA

O 12 de abril celébrase no CESGA a segunda xuntanza do proxecto europeo "Boats4Schools, An Educational Challenge", coordinado por CATIM e coa participación de 6 institucións de Portugal, Italia e España, entre as que se atopa o CESGA eo centro educativo CPI O Cruce.

O proxecto "Boats4Schools" é unha experiencia educativa dirixida a estudantes de primaria e secundaria a traballar en materias STEAM (Ciencia, Tecnoloxía, Enxeñaría, Artes e Matemáticas), a través dunha metodoloxía divertida, grupal e motivadora na que grupos de alumnos de diferentes lugares proxectarán e competirán con prototipos en miniatura de buques, utilizando materiais e técnicas avanzadas de modelado en 3D, ferramentas de enxeñería en nube, CAD, etc.

O sitio web do proxecto está en http://boats4schools.eu/

Nova completa

CESGA

Luns 26/02/2018 19:35

Nova: Reunión de consorcio do proxecto europeo PhenoloGIT no CESGA

Mañá o consorcio do proxecto PhenoloGIT europeo reúnese no CESGA. Este proxecto ten como obxectivo deseñar e probar unha plataforma educativa de información ambiental, soportada por tecnoloxías de información xeográfica (TIX) eo uso de dispositivos móbiles comúns (tabletas, teléfonos), para que poida ser usado por profesores e alumnos do ensino primario e secundario. Esta experiencia ten como obxectivo proporcionar unha visión innovadora para a adquisición de varias competencias clave para os estudantes, que proporciona un contexto real, retador e próximo no uso da tecnoloxía para aprender a traballar dentro e fóra da aula sobre os cambios da natureza ao longo das estacións , recollida e análise de datos multimedia, comprensión de datos espaciais e matemáticos, traballo colaborativo e redes, etc.

Nova completa

CESGA

Martes 30/01/2018 12:30

Xa está dispoñible Spark 2 na plataforma Big Data.

Esta nova versión aporta numerosas novidades entre as que destacan melloras no rendemento. Ademais esta nova versión inclúe algoritmos adicionais na librería de Machine Learning MLlib, así como unha nova API de streaming denominada Structured Streaming.

As versións que están dispoñibles actualmente son as versións correspondentes ás dúas ramas principais: 2.1.2 (Outubro 2017) e 2.2.1 (Decembro 2017). A medida que vaian saíndo versións novas iranse incorporando á lista de versións soportadas.

Para poder usalo basta con cargar o módulo correspondente á versión desexada, por exemplo:

module loade spark/2.2.1

E a partir de aí pódense usar os comandos habituais como spark-submit ou start_jupyter, utilizando a versión 2 de spark no canto da 1.6.

Nova completa

CESGA

Mércores 27/12/2017 13:47

Thecnical report: "Evaluation of Machine Learning Fameworks on Finis Terrae II".

Machine Learning (ML) and Deep Learning (DL) are two technologies used to extract representations of the data for a specific purpose. ML algorithms take a set of data as input to generate one or several predictions. To define the final version of one model, usually there is an initial step devoted to train the algorithm (get the right final values of the parameters of the model). There are several techniques, from supervised learning to reinforcement learning, which have different requirements. On the market, there are some frameworks or APIs that reduce the effort for designing a new ML model. In this report, using the benchmark DLBENCH, we will analyse the performance and the execution modes of some well-known ML frameworks on the Finis Terrae II supercomputer when supervised learning is used. The report will show that placement of data and allocated hardware can have a large influence on the final timeto-solution.

Author: Ándrés Gómez Tato (CESGA)

Nova completa

684 novas