Ce projet propose des ressources pédagogiques pour maîtriser les bases du calcul haute performance (HPC). Il couvre l'utilisation des superordinateurs, l'optimisation de code, le profilage de performances et le déverminage. Des exercices pratiques et des tutoriels détaillés accompagnent les apprenants dans la compréhension des outils comme Slurm, Guix ou LIKWID. Destiné aux débutants comme aux utilisateurs intermédiaires, il s'appuie sur des cas concrets pour faciliter l'apprentissage des bonnes pratiques en environnement HPC.

Ce projet centralise des ressources pédagogiques dédiées au calcul scientifique et à l'optimisation des performances. Il propose des tutoriels sur des thèmes variés comme le profilage, la vectorisation, l'utilisation d'accélérateurs (OpenCL, Kokkos) ou encore le calcul intensif (OpenMP, MPI). Il couvre également des outils modernes comme TensorFlow, Spark ou HDF5 pour la science des données et l'apprentissage automatique.

Ce projet rassemble des sous-modules de dépôts Git dédiés au profilage de modèles d'apprentissage automatique. Il permet de tester et comparer les performances de différents frameworks (PyTorch, TensorFlow2) sur des modèles variés (ResNet-50, BERT, DLRM) avec des jeux de données standardisés comme ImageNet ou Criteo. L'objectif est d'identifier les optimisations possibles pour améliorer l'efficacité des modèles.