Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/14399
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΜαργαρίτης, Κωνσταντίνοςel
dc.contributor.authorΚόκκινος, Ιωάννηςel
dc.date.accessioned2011-05-24T08:07:55Z-
dc.date.available2011-05-24T08:07:55Z-
dc.date.issued2011en
dc.identifier.urihttp://dspace.lib.uom.gr/handle/2159/14399-
dc.descriptionΔιπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2011.el
dc.description.abstractΟι κυριότερες τεχνικές data mining συμπεριλαμβάνουν αλγορίθμους για εξόρυξη κανόνων συσχετίσεων, κατηγοριοποίηση, συσταδοποίηση, αναζήτηση ακολουθιακών προτύπων. Με τη διαθεσιμότητα της ανέξοδης αποθήκευσης και την πρόοδο στην τεχνολογία συλλογής δεδομένων, πολλοί οργανισμοί και ινστιτούτα έχουν δημιουργήσει εξαιρετικά μεγάλες βάσεις δεδομένων και αποθήκες δεδομένων. Στο πεδίο του parallel data mining εμφανίζονται νέες πολυπλοκότητες επειδή ενσωματώνονται οι τεχνικές εξόρυξης γνώσης και οι αλγόριθμοι με τις παράλληλες βάσεις δεδομένων, τον παράλληλο προγραμματισμό, και τα κατανεμημένα συστήματα υψηλών επιδόσεων. Η παράλληλη εξόρυξη γνώσης από δεδομένα επιβάλλει πολλές προκλήσεις, όπως αποδοτικές παράλληλες εκδόσεις των υπαρχόντων σειριακών αλγορίθμων, παραλληλισμός Inter-Model και Intra-Model, παραλληλισμός για δοκιμές και επικύρωση μοντέλων εξόρυξης, παραλληλισμός στην έρευνα για το καλύτερο μοντέλο, παραλληλισμός στην εφαρμογή και αξιοποίηση του μοντέλου εξόρυξης. Για τη διερεύνηση των προκλήσεων της παράλληλης εξόρυξης γνώσης χρησιμοποιούμε τα μοντέλα τεχνητών νευρωνικών δικτύων όπως τα Radial Basis Functions Neural Networks (RBFNN), τα Probabilistic Neural Networks (PNN), τα General Regression Neural Networks (GRNN) και οι Support Vector Machines (SVM) που υλοποιούνται με παράλληλους αλγορίθμους για επεξεργαστές κατανεμημένης μνήμης. Ο παραλληλισμός αλγορίθμων των RBFNN, PNN, GRNN, και SVM σε γλώσσα C και το πρότυπο MPI αποδείχθηκε αποτελεσματικός με σχεδόν γραμμικές επιταχύνσεις στις περισσότερες των περιπτώσεων, κυρίως λόγω του μικρού κόστους επικοινωνίας μεταξύ των διεργασιών, ως αποτέλεσμα του batch training. Δοκιμάσαμε αρχιτεκτονικές data parallel, neuron parallel, Pipeline και hybrid-session parallel, με στατική και δυναμική ισοκατανομή φόρτου εργασίας. Δοκιμάσαμε παραλληλισμό της διαδικασίας εκπαίδευσης με μεγάλα σύνολα εκπαίδευσης και δοκιμής από τις βάσεις δεδομένων. Όλοι οι ταξινομητές που εξετάσαμε PNN, GRNN, RBF και SVM χρησιμοποιούν συναρτήσεις πυρήνα (kernels) που έχουν παραμέτρους εύρους. Αυτές οι παράμετροι, που επηρεάζουν τη ικανότητα του κάθε ενός δικτύου να διακρίνει ανάμεσα σε διαφορετικές κλάσεις, βελτιστοποιούνται κατά τη διαδικασία εκμάθησης.el
dc.format.extent162en
dc.format.extent2573707 bytes-
dc.format.mimetypeapplication/pdf-
dc.language.isoelen
dc.publisherΠανεπιστήμιο Μακεδονίας Οικονομικών και Κοινωνικών Επιστημών.el
dc.subjectΕξόρυξη γνώσηςel
dc.subjectΠαράλληλοι αλγόριθμοιel
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΚατανεμημένα συστήματαel
dc.subjectΜηχανές διανυσμάτων υποστήριξηςel
dc.subjectΒάσεις δεδομένωνel
dc.titleΠαράλληλοι αλγόριθμοι εξόρυξης γνώσης από βάσεις δεδομένων με τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης.el
dc.typeElectronic Thesis or Dissertationen
dc.typeTexten
dc.contributor.departmentΠρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης στην Εφαρμοσμένη Πληροφορικήel
Appears in Collections:ΠΜΣ Εφαρμοσμένης Πληροφορικής (M)

Files in This Item:
File Description SizeFormat 
KokkinosIoannisMsc2011.pdf2.51 MBAdobe PDFView/Open


Items in Psepheda are protected by copyright, with all rights reserved, unless otherwise indicated.