بررسی جامع روش های یادگیری ماشین به صورت موازی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 950

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC01_464

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

در اکثر مقالات للا شده است که کارایی را با استفاده از الگوریتم های موازی یا معماری موازی بهبود بخشند کهیادگیری ماشین نیز از این قاعده مستثنا نیست. در حقیقت تلاش های قابل توجهی در این ناحیه، در 15 سال گذشتهانجام شده است که ما در این مقاله این تلاشه ا را گرد هم می آوریم. ایده ها در این زمینه در سال 1995 گسترش می یابد.مراحل مختلفی در طی بازه زمانی (1995-2011 شناسایی می شود که دستاوردهای مهمی را در بردارد. زمانی که بحث افزایش عملکرد پیش می آید پلت فرم های GPU جایگاه خاصی برای خودشان حک می کنند، قدرت این پلت فرم ها بهدلیل توانایی سرعت بخشیدن به محاسبات ، به صورت تصاعدی از طریق روش های برنامه نویسی/معماری موازی می باشد.آشکار است که فرایندهای محاسبالی پیچیده مانند پردازش تصویر، فازی و ... نیازمند به دست آوردن معماری هایموازی هستند. مطالعات نشان می دهد کارهایی با اهداف کلی مانند یادگیری ماشین، پیمایش گراف و ماشین های حالتمتناهی به عنوان برنامه های کاربردی آینده موازی شناسایی شده اند. روش نگاشت کاهش یکی از روش های مؤثر است کهدر این دوره تکامل یافته و ثابت شده که می تواند یک حامی مهم در ارائه کارایی الگوریتم های یادگیری ماشین رویGPU ها باشد. این گزارش به طور خلاصه مسیرهای توسعه را ارائه می دهد.

کلیدواژه ها:

یادگیری ماشین های موازی و توزیع شده ، GPU ، داده کاوی موازی

نویسندگان

رفعت نقیبی شهری

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی فردوس، ایران

مهدیه معاون سعیدی نوقایی

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی فردوس، ایران

زهرا غلامی

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی فردوس، ایران

حمیدرضا غفاری

استادیار دانشگاه آزاد اسلامی واحد فردوس، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ _ CConference om _ Technoloov f.ommnter &. _ 28 ...
  • _ _ CConference om _ Technoloov f.ommnter &. _ 28 ...
  • _ _ CConference om _ Technoloov f.ommnter &. _ 28 ...
  • K.K. Thearling (1995), Massively parallel architectures and algorithms for time ...
  • J.S. Park, M. Chen, P.S. Yu (1995), Efficient parallel data ...
  • A. Mueller (1995), Fast sequential and parallel algorithms for association ...
  • J.S. Park, M. Chen, P.S. Yu (1995), An effective hash-based ...
  • T. Shintani, M. Kitsuregawa (1996), Hash-based parallel algorithms for mining ...
  • R. Agrawal, J. Shafer (1996), Parallel mining of association rules, ...
  • M.J. Zaki, et al.(1996), Parallel data mining for association rules ...
  • M.J. Zaki, et al.(1997), Parallel algorithms for fast discovery of ...
  • M.J. Zaki, et al.(1997), Parallel algorithms for discovery of association ...
  • M.J. Zaki (1999), Data mining parallel and distributed association mining: ...
  • S. Parthasarathy, M.J. Zaki, M. Ogihara, W. Li (2001), Parallel ...
  • A.H. P. Nguyen, T.B. Ho (2002), A distributed algorithm for ...
  • A. Veloso, M. Erick Otey, S. Parthasarathy, W. Meira Jr.(2003), ...
  • L. Yang (2005), Pruning and visualizing generalized association rules in ...
  • M. El-Hajj, O. Zaiane (2006), Parallel leap: large-scale maximal, pattern ...
  • L. Liu, E. Li, Y. Zhang, Z. Tang (2007), Optimization ...
  • G. Buehrer, S. Parthasarathy, S. Tatikonda (2007), Toward terabyte pattern ...
  • M. Craus, A. Archip (2008), A generalized parallel algorithm for ...
  • K.K. Thearling (1995), Massively parallel architectures and algorithms for time ...
  • M.V. Joshi, G. Garypis, V. Kumar (1998), ScalParC: a new ...
  • M.J. Zaki, C. Ho (1999), R. Agrawal, Parallel classification for ...
  • L. Boxer, R. Miller, A. Rau-Chaplin (1999), Scalable parallel algorithms ...
  • K.W. Bowyer, L. Hall, T. Moore, N. Chawla (200 0), ...
  • R. Jin, G. Agarwal (2003), _ ommunication and memory efficient ...
  • S. Celis, D.R. Musicant (2002), Weka parallel: machine learning in ...
  • H.P. Graf, E. Cosatto, L. Bottou, I. Durdanovic (2005), Vladimir ...
  • Y. Wen, B. Lu, in: J. Wang, X. Liao, Z. ...
  • L. Bottou, O. Chapelle, D. DeCoste, J. Weston (Eds.) (2007), ...
  • R.U. Pedersen, M. Schoeberl (2010), Short paper: object oriented machine ...
  • U. Seiffert (20 02), Artificial neural networks _ massively parallel ...
  • G. Dahl, A. McAvinney, T. Newhall (2008), Parallelizing neural networks ...
  • J.D. Owens, D. Luebke, N. Govindaraju, M. Harris, J. Kruger, ...
  • J.D. Owens, D. Luebke, N. Govindaraju, M. Harris, J. Kruger, ...
  • N.K. Govindaraju, N. Raghuvanshi, D. Manocha (2005), Fast and approximate ...
  • S. Guha, S. Krishnan, S. _ enkat asubramani an (2005), ...
  • G. Buehrer, S. Parthasarathy, S. Tatikonda (2007), Toward terabyte pattern ...
  • F. Cao, A.K.H. Tung, A. Zhou (2006), Scalable clustering using ...
  • N.K. Govindaraju, B. Lloyd, W. Wang, M. Lin, D. Manocha ...
  • N.K. Govindaraju, N. Raghuvanshi, M. Henson, D. Tuft, D. Manocha ...
  • B. He, N.K. Govindaraju, Q. Luo, B. Smith (2007), Efficient ...
  • S. Che, M. Boyer, J. Meng, D. Tarjan, J.W. Sheaffer, ...
  • W. Fang, K.K. Lau, M. Lu, X. Xiao, C.K. Lam, ...
  • M. Zechner, M. Granitzer (2009), Accelerating K means on the ...
  • R. Wu, B. Zhang, M. Hsu (2009), GPU accelerated large ...
  • Y. Zhang, F. Mueller, X. Cui, T.E. Potok (2010), Data-intensive ...
  • Y. Zhang, F. Mueller, X. Cui, T. Potok (2010), Large-scale ...
  • Y. Zhang, F. Mueller, X.T. Potok (2009), GPU accelerated text ...
  • M. Geary, H. Lee, D. Signorelli, J. Vaughan (2009), Implementing ...
  • D.L. Ly, V. Paprotski, _ Yen (2008), Neural networks on ...
  • X. Cui, J. Beaver, J.S. Charles, T. Potok (2010), The ...
  • T. Sharp (2008), Implementing decision trees and forests on a ...
  • N. Pilkington, H. Zen (2010), An imp lementation of decision ...
  • نمایش کامل مراجع