Paralelní algoritmy ve strojovém učení
| advisor: | doc. Ing. Tomáš Oberhuber, Ph.D. |
| e-mail: | show e-mail |
| type: | bachelor thesis, master thesis |
| branch of study: | MI_MM, MI_AMSM, MINF, APIN |
| key words: | strojové učení, paralelní algoritmy |
| description: | Strojové učení a umělá inteligence patří v současnosti mezi nejrychleji se rozvíjející oblasti. Obojí zároveň nabízí velice efektivní nástroje pro řešení řady netriviálních úloh. Metody strojového učení však stojí na výpočetně velice náročných algoritmech. Cílem tohoto tématu je vývoj paralelních algoritmů nebo optimalizace již existujících pro zvýšení výkonu výpočtu metod strojového učení. Dále se budeme zabývat paralelními algoritmy pro physics-informed machine learning (PIML), tj. oblast strojového učení, která se překrývá s numerickou matematikou. V PIML je tedy často nutné kombinovat metody strojového učení s numerickými metodami pro řešení parciálních diferenciálních rovnic. Cíle práce: 1. Seznámit se se základy paralelniho programování v knihovně TNL. 2. Implementovat a porovnat paralelní varianty vybraných algoritmů (např. maticové operace, PCA, K-means, SVM, rozhodovací stromy, k-NN). 3. Ověřit škálování výpočtu s rostoucím objemem dat a počtem výpočetních jednotek. 4. (Volitelně) Integrace s knihovnou TNL a testování výkonu na GPU. Přínos pro studenta: 1. Získá praktické zkušenosti s návrhem výkonných paralelních algoritmů. 2. Naučí se analyzovat a optimalizovat výpočty s ohledem na architekturu CPU a GPU. 3. Prohloubí si znalosti z oblasti strojového učení a numerického programování. 4.Seznámí se s moderními nástroji pro paralelní výpočty v Pythonu nebo C++. |
| references: | 1. Ch. C. Aggarwal, Neural Networks and Deep Learning: A Textbook, Springer 2018. 2. Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning, MIT Press 2016. |
| last update: | 20.05.2025 09:29:12 |
administrator for this page:
Ľubomíra Dvořáková | last update: 09/12/2011