Suscribete

  • Suscribete a Novas CESGA

HPC User Portal

  • HPC User Portal

Estado de los sistemas

  • Solo visible desde Firefox o Chrome.

Compromiso con la igualdad

  • Igualdad CESGA

6º Foro Transfiere 2017

Síguenos ...

  • Twitter FacebbokFlickrYouTube CESGA

Servicios PYME's

  • Servicios para Empresas

díxitos Diciembre

Filtrar por año:
CESGA

viernes 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 tackle 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.

Noticia completa

CESGA

miércoles 11/04/2018 19:38

Nova: Reunión de consorcio del proyecto europeo Boats4Schools

El día 12 de abril se celebra en el CESGA la segunda reunión del proyecto europeo "Boats4Schools, An Educational Challenge", coordinado por CATIM y con la participación de 6 instituciones de Portugal, Italia y España, entre las que están el CESGA y el centro educativo CPI O Cruce.

El proyecto ”Boats4Schools” es una experiencia educativa dirigida a alumnado de enseñanza primaria y secundaria para trabajar las materias STEAM (Science, Technology, Engineering, Arts& Maths), a través de una metodología lúdica, grupal y motivadora en la que grupos de estudiantes de diferentes lugares diseñarán y competirán con prototipos de barcos en miniatura, utilizando materiales y técnicas avanzadas de modelado 3D, herramientas de ingeniería en la nube, CAD, etc.

La web del proyecto está en http://boats4schools.eu/

Noticia completa

CESGA

lunes 26/02/2018 19:35

Nova: Reunión de consorcio del proyecto europeo PhenoloGIT en el CESGA

Mañana se reúne en el CESGA el consorcio del proyecto europeo PhenoloGIT. Este proyecto tiene el objetivo de diseñar y probar una plataforma educativa de información ambiental, apoyada por tecnologías de información geográfica (GIT) y el uso de dispositivos móviles comunes (tablets, móviles), para que pueda ser utilizado por profesorado y alumnado de primaria y secundaria. Esta experiencia pretende proporcionar un enfoque innovador a la adquisición de diversas competencias clave para el alumnado, proporcionando un contexto real, retador y cercano al uso de tecnologías para aprendizaje para trabajar dentro y fuera del aula los cambios en la naturaleza próxima a través de las estaciones, la recogida y análisis de datos multimedia, comprensión de datos espaciales y matemáticos, el trabajo colaborativo y en red, etc.

Noticia completa

CESGA

martes 30/01/2018 12:30

Ya está disponible Spark 2 en la plataforma Big Data.

Esta nueva versión aporta numerosas novedades entre las que destacan las mejoras en el rendimiento. Además esta nueva versión incluye algoritmos adicionales en la librería de Machine Learning MLlib, así como una nueva API de streaming denominada Structured Streaming.

Las versiones que están disponibles actualmente son las versiones correspondientes a las dos ramas principales: 2.1.2 (Octubre 2017) y 2.2.1 (Diciembre 2017). A medida que vayan saliendo versiones nuevas se irán incorporando a la lista de versiones soportadas.

Para poder usarlo basta con cargar el módulo correspondiente a la versión deseada, por ejemplo:

module load spark/2.2.1

Y a partir de ahí se pueden usar los comandos habituales como spark-submit o start_jupyter, utilizando la versión 2 de spark en vez de la 1.6.

Noticia completa

CESGA

miércoles 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)

Noticia completa

684 nuevas