This page was translated by an AI (LLM) with a cursory human check and is awaiting full review.
Training offered at IDRIS
IDRIS offers training in high-performance computing (HPC) and artificial intelligence (AI). These training sessions are free for CNRS and university staff, who can register on the website https://cours.idris.fr/. They are also open to company staff, EPIC and EPST, who can register via CNRS Formation Entreprise.
If you would like more information, please do not hesitate to contact us:
📥 e-cours@idris.fr
Check the calendar for upcoming sessions:
🗓️ Upcoming sessions
Catalogue
HPC
L'objectif de cette formation est de permettre aux participants de développer des programmes parallèles par la mise en œuvre de la bibliothèque d'échange de messages MPI.
- ⏳ Durée : 4 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissances de base d'Unix
- langage Fortran ou C
Cette formation s'adresse à toute personne souhaitant paralléliser une application pour une architecture multi-cœurs à mémoire partagée.
- ⏳ Durée : 3 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissance et utilisation des langages Fortran ou C
Cette formation s'adresse à tout utilisateur désirant développer des programmes parallèles en utilisant la bibliothèque MPI et s'initier à la parallélisation avec OpenMP.
- ⏳ Durée : 5 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissances de base d'Unix
- connaissances de base du langage Fortran ou C
Cette formation s'adresse à toute personne souhaitant s'initier à la programmation hybride MPI/OpenMP, tout particulièrement pour une exploitation optimale des supercalculateurs.
- ⏳ Durée : 2 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- Connaissance et utilisation de Fortran 90/95 ou C
- Connaissance indispensable de MPI et OpenMP
Cette formation s'adresse à toute personne souhaitant comprendre les architectures hybrides accélérées (GPU) et utiliser les directives OpenACC et OpenMP 5.0 pour paralléliser des codes.
- ⏳ Durée : 3 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissance et utilisation des langages Fortran 90/95 ou C
- (optionnel) connaissance de base en OpenMP et/ou MPI
Cette formation s'adresse à tout utilisateur désirant s'initier à la vectorisation SIMD (Simple Instruction Multiple Data) et mettre en œuvre ces concepts sur des exemples concrets.
- ⏳ Durée : 1 jour
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissances de base d'Unix
- connaissances de base du langage Fortran
Cette formation s'adresse à toute personne souhaitant connaitre l'outil de débogage DDT dans le cas de la programmation parallèle utilisée dans le domaine HPC et être capable de déboguer efficacement des codes de calcul.
- ⏳ Durée : 1 jour
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- parallélisation mémoire partagée OpenMP
- parallélisation mémoire distribuée MPI
Cette formation s'adresse à toute personne souhaitant apprendre les bases nécessaires pour débuter avec la librairie PETSc et pouvoir construire et résoudre des exemples simples d'équations aux dérivées partielles.
- ⏳ Durée : 2 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissance de base de Linux et d'un éditeur de texte et connaissance et utilisation des langages Fortran ou C
- Notions de base d'algèbre linéaire et du standard MPI
Cette formation s'adresse à toute personne souhaitant paralléliser des codes d’algèbres linéaires en mono-GPU et multi-GPU (MAGMA) et sur les ordinateurs parallèles MIMD à mémoire distribuée (ScaLAPACK).
- ⏳ Durée : 2 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- connaissance et utilisation des langages Fortran ou C
- les notions de base d'algèbre linéaire et de programmation MPI seraient un plus
Cette formation s'adresse à toute personne souhaitant se mettre à jour sur les nouveautés du langage, dans le but d’écrire des applications logicielles de calcul et de traitement de données scientifiques.
- ⏳ Durée : 3 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- Connaissance de la syntaxe C++ ancienne (avant C++11)
Ce cours présente les bases de Kokkos sur CPU et GPU. Il s'adresse aux débutants souhaitant développer un premier programme en utilisant les structures de données fondamentales, les boucles parallèles et les réductions parallèles.
- ⏳ Durée : 3 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- Bases en C++, CMake et Linux
Artificial Intelligence
Cette formation a pour objectif de doter les participants des connaissances fondamentales en deep learning, en insistant sur la compréhension des concepts de base et les bonnes pratiques essentielles.
- ⏳ Durée : 2 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- des bases en algèbre et en statistiques
- connaissance minimale de Python
L'objectif de cette formation est de familiariser les participants à une diversité d'architectures de réseaux de neurones adaptées à des données variées telles que des images, du son, du texte, ou encore des graphs.
- ⏳ Durée : 2 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- bases en algèbre et en statistiques
- connaissance de la syntaxe de Python
- premier contact avec le deep learning
Cette formation a pour objectif de passer en revue les principales techniques actuelles d'optimisation d'un apprentissage machine en Deep Learning, avec pour but le passage à l'échelle sur un supercalculateur.
- ⏳ Durée : 4 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- maîtriser les notions de l'apprentissage en Deep Learning
- maîtriser Python
- avoir des bases en PyTorch
Support Sessions
Cette session s'adresse à tous les utilisateurs, aussi bien débutants qui souhaitent travailler rapidement sur Jean Zay ou plus expérimentés pour optimiser leurs applications.
- ⏳ Durée : 1-2 jours
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- avoir un compte ou une demande de compte en cours sur Jean Zay
Cet atelier a pour objectif d'aider au démarrage d'un projet relatif au deep learning en proposant une revue du projet avec un·e ingénieur·e Intelligence Artificielle de l'IDRIS.
- ⏳ Durée : 1/2 journée
- 📌 Lieu : IDRIS, Orsay (91)
- ✅ Pré-requis :
- avoir suivi une formation introductive au deep learning