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

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.

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