Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα

Ένα από τα σημαντικότερα προβλήματα της εξόρυξης γνώσης από σύνθετα, πολυδιάστατα δεδομένα μεγάλου όγκου είναι η αδυναμία πολλών αλγορίθμων μάθησης να υποστηρίξουν υπολογιστικά μοντέλα που να αφομοιώνουν αποτελεσματικά όλα τα δεδομένα εισόδου. Συγκεκριμένα, ενώ υπάρχουν αλγόριθμοι ταξινόμησης με ιδι...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Παπαδόπουλος, Σπυρίδων - Νικόλαος
Άλλοι συγγραφείς:	Μαραγκουδάκης, Εμμανουήλ
Γλώσσα:	Greek
Δημοσίευση:	2015
Θέματα:	Μηχανική μάθηση Παράλληλα συστήματα RBF networks Data mining GPU SIMD Machine learning Computer algorithms
Διαθέσιμο Online:	https://vsmart.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=A59A1F3Fn9BEB250CF875CF2F1*F6g&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=2&WebPageNr=1&SearchTerm1=2011%20.1.13991&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=2 http://hdl.handle.net/11610/8846
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!

_version_	1828461499750809600
author	Παπαδόπουλος, Σπυρίδων - Νικόλαος
author2	Μαραγκουδάκης, Εμμανουήλ
author_facet	Μαραγκουδάκης, Εμμανουήλ Παπαδόπουλος, Σπυρίδων - Νικόλαος
author_sort	Παπαδόπουλος, Σπυρίδων - Νικόλαος
collection	DSpace
description	Ένα από τα σημαντικότερα προβλήματα της εξόρυξης γνώσης από σύνθετα, πολυδιάστατα δεδομένα μεγάλου όγκου είναι η αδυναμία πολλών αλγορίθμων μάθησης να υποστηρίξουν υπολογιστικά μοντέλα που να αφομοιώνουν αποτελεσματικά όλα τα δεδομένα εισόδου. Συγκεκριμένα, ενώ υπάρχουν αλγόριθμοι ταξινόμησης με ιδιαίτερα σημαντικά αποτελέσματα όπως τα δίκτυα ακτινικής βάσης (Radial Basis Function Networks), σε περιπτώσεις όπου υπάρχει πληθώρα διαθέσιμων δεδομένων εκπαίδευσης και ιδιαίτερα μεγάλος αριθμός ιδιοτήτων αναπαράστασης τους, οι αλγόριθμοι αυτοί παρουσιάζουν σαφή προβλήματα εκτέλεσης. Οι πλέον συνήθης πρακτική είναι η μείωση της διαστατικότητας των δεδομένων, η οποία όμως επιφέρει και την ανάλογη μείωση της ακρίβειας και της απόδοσης των αλγορίθμων. Με την ανάπτυξη του υλικού των καρτών γραφικών και λογισμικού που επιτρέπει την εκτέλεση πολύπλοκων πράξεων όχι στον επεξεργαστή του ΗΥ αλλά στους επεξεργαστές της κάρτας γραφικών, η διπλωματική αυτή στοχεύει στον να δημιουργήσει μια νέα μορφή του αλγόριθμου RBF που να μπορεί να εκτελεσθεί σε μεγάλου όγκου δεδομένα, με υψηλό βαθμό διαστατικότητας. Η μελέτη θα πλαισιωθεί τόσο από την υλοποίηση όσο και από μια σειρά πειραματικών μετρήσεων και αξιολογήσεων.
id	oai:hellanicus.lib.aegean.gr:11610-8846
institution	Hellanicus
language	Greek
publishDate	2015
record_format	dspace
spelling	oai:hellanicus.lib.aegean.gr:11610-88462021-03-11T12:25:13Z Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα Παπαδόπουλος, Σπυρίδων - Νικόλαος Μαραγκουδάκης, Εμμανουήλ Μηχανική μάθηση Παράλληλα συστήματα RBF networks Data mining GPU SIMD Data mining Machine learning Computer algorithms Ένα από τα σημαντικότερα προβλήματα της εξόρυξης γνώσης από σύνθετα, πολυδιάστατα δεδομένα μεγάλου όγκου είναι η αδυναμία πολλών αλγορίθμων μάθησης να υποστηρίξουν υπολογιστικά μοντέλα που να αφομοιώνουν αποτελεσματικά όλα τα δεδομένα εισόδου. Συγκεκριμένα, ενώ υπάρχουν αλγόριθμοι ταξινόμησης με ιδιαίτερα σημαντικά αποτελέσματα όπως τα δίκτυα ακτινικής βάσης (Radial Basis Function Networks), σε περιπτώσεις όπου υπάρχει πληθώρα διαθέσιμων δεδομένων εκπαίδευσης και ιδιαίτερα μεγάλος αριθμός ιδιοτήτων αναπαράστασης τους, οι αλγόριθμοι αυτοί παρουσιάζουν σαφή προβλήματα εκτέλεσης. Οι πλέον συνήθης πρακτική είναι η μείωση της διαστατικότητας των δεδομένων, η οποία όμως επιφέρει και την ανάλογη μείωση της ακρίβειας και της απόδοσης των αλγορίθμων. Με την ανάπτυξη του υλικού των καρτών γραφικών και λογισμικού που επιτρέπει την εκτέλεση πολύπλοκων πράξεων όχι στον επεξεργαστή του ΗΥ αλλά στους επεξεργαστές της κάρτας γραφικών, η διπλωματική αυτή στοχεύει στον να δημιουργήσει μια νέα μορφή του αλγόριθμου RBF που να μπορεί να εκτελεσθεί σε μεγάλου όγκου δεδομένα, με υψηλό βαθμό διαστατικότητας. Η μελέτη θα πλαισιωθεί τόσο από την υλοποίηση όσο και από μια σειρά πειραματικών μετρήσεων και αξιολογήσεων. The incapability of many Machine Learning Algorithms to support computational models which have the ability to use efficiently all the input data is one of the most serious problems in the extraction of knowledge from complex, multidimensional, large scale data. More specifically, while there are classiffication algorithms with important results, such as Radial Basis Function Networks. In cases, where there are plenty of available training data and a large number of features used for their representation, these algorithms present clear execution problems. The most common practice is the data dimensionality reduction. These practices negatively affect the accuracy and the precision of the algorithms. The improvement in the graphics card hardware allows the execution of complex operations not in the CPU, but in processors of the graphics card. This Diploma Thesis aims to implement a new version of the RBFN Algorithm which has the ability to be executed in high-dimensional, large scale data. This Thesis includes an implementation of the algorithm, experimental measures and evaluation. 2015-11-17T10:32:34Z 2015-11-17T10:32:34Z 2011 https://vsmart.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=A59A1F3Fn9BEB250CF875CF2F1*F6g&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=2&WebPageNr=1&SearchTerm1=2011%20.1.13991&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=2 http://hdl.handle.net/11610/8846 el application/pdf Σάμος
spellingShingle	Μηχανική μάθηση Παράλληλα συστήματα RBF networks Data mining GPU SIMD Data mining Machine learning Computer algorithms Παπαδόπουλος, Σπυρίδων - Νικόλαος Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα
title	Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα
title_full	Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα
title_fullStr	Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα
title_full_unstemmed	Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα
title_short	Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα
title_sort	δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε simd υπολογιστικά συστήματα
topic	Μηχανική μάθηση Παράλληλα συστήματα RBF networks Data mining GPU SIMD Data mining Machine learning Computer algorithms
url	https://vsmart.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=A59A1F3Fn9BEB250CF875CF2F1*F6g&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=2&WebPageNr=1&SearchTerm1=2011%20.1.13991&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=2 http://hdl.handle.net/11610/8846
work_keys_str_mv	AT papadopoulosspyridōnnikolaos diktyaaktinikēsbasēssesōmatadedomenōnmegalouonkousesimdypologistikasystēmata

Δίκτυα ακτινικής βάσης σε σώματα δεδομένων μεγάλου όγκου σε SIMD υπολογιστικά συστήματα

Παρόμοια τεκμήρια