فایل ورد کامل بهبود عملکرد داده کاوی در WEKA از طریق شتاب دادن GPU

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بهبود عملکرد داده کاوی در WEKA از طریق شتاب دادن GPU،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

ابزارهای داده کاوی ممکن است نیازمندی های محاسباتی داشته باشد، در نتیجه توجه زیادی به استراتژی های محاسبات موازی برای بهبود عملکرد آنها وجود دارد. محبوبیت واحد های پردازش گرافیکی( GPUها)، قدرت محاسباتی کامپیوتر های دسکتاپ فعلی را افزایش داد ولی ابزارهای داده کاوی مبتنی بر دسکتاپ معمولا به طور کامل از مزایای این ساختارها بهره مند نمی شوند. این مقاله با استفاده از موازی سازی ماشین آلات شتاب گرفته باGPU، روشی برای بهبود عملکرد WEKA که یک ابزار داده کاوی محبوب است استخراج می کند. از ایجاد پروفایل کد هدف گرای WEKA، تصمیم گرفتیم یک روش ضرب ماتریس را با استفاده از ابزار حالت هنر، موازی سازی کنیم. پیاده سازی به WEKA ادغام شد به طوری که توانستیم تاثیر اجرای موازی سازی روی عملکرد آن را تجزیه و تحلیل کنیم. نتایج نشان دهنده ی تسریع چشمگیر ساختارهای موازی هدف در مقایسه با کد اصلی و ترتیبی Weka است.
کلمات کلیدی: ابزار داده کاوی، محاسبات موازی، GPU

عنوان انگلیسی:

Performance improvement of data mining inWeka through GPU acceleration

~~en~~ writers :

TiagoAugusto Engel a , Andrea Schwertner Char ao a , Manuele Kirsch-Pinheiro b , Luiz-Angelo Steffenel

Data mining tools maybe computationally demanding, so there is an increasing interest on parallel computing strategies to improve
their performance. The popularization of Graphics Processing Units (GPUs) increased the computing power of current desktop
computers,butdesktop-based data mining tools do not usually take full advantage of these architectures. This paperexploitsan
approach to improve the performance ofWeka,a popular data mining tool, through parallelization on GPU-accelerated machines.
From the profilingofWekaobject-oriented code, we chose to parallelize a matrix multiplication method using state-of-the-art
tools. The implementation wasmerged intoWekaso that we could analyze the impact of parallelexecutionon its performance.
The results show a significant speedup on the target parallel architectures, compared to the original, sequentialWekacode.

Keywords: data mining tools; parallel computing; GPU

$$en!!