Paralelní algoritmy ve zpracování dat Bc. Jan Hofta 2006 - 2007 Výzkumný úkol:

Slides:



Advertisements
Podobné prezentace
Ing. Pavel Smolka. • Statická část výuky 1. Realizována ve škole – výklad, přednáška, poslech 2. Realizována „doma“ – práce s učebnicí • Dynamická část.
Advertisements

VÝVOJ PROGRAMOVACÍCH JAZYKŮ PERSPEKTIVY ELEKTRONIKY 3. Celostátní seminář, 18. března 2003 Ing. Pavel Pokorný UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ Fakulta technologická.
Rekonstrukce povrchu objektů z řezů Obhajoba rigorózní práce 25. června 2003 Radek Sviták
Vestavný modul pro počítačové vidění využívající hradlové pole Diplomová práce, Bc. Jan Šváb ČVUT Praha, Fakulta Elektrotechnická.
Problém obchodního cestujícího a příbuzné úlohy Projekt katedry aplikované matematiky – K611 FD ČVUT.
Koncepce rozvoje a řízení vědy a výzkumu
ENERGIE KLASTRŮ VODY ZÍSKANÁ EVOLUČNÍMI ALGORITMY
Mapy a geografické informační systémy
Genetické algoritmy [GA]
Algoritmy a struktury neuropočítačů ASN - P1 Prof.Ing. Jana Tučková,CSc. Katedra teorie.
Genetické algoritmy. V průběhu výpočtu používají náhodné operace. Algoritmus není jednoznačný, může projít více cestami. Nezaručují nalezení řešení.
Využití MKA v předmětu RaA
Automated data mining Ing. Jan Černý Czech Technical University in Prague Faculty of Information Technology.
Ondřej Pokorný ČVUT v Praze FJFI.
DOK „Umělá inteligence“ v DOK (i jinde). NEURONOVÉ SÍTĚ.
Memory-based Learning Učení založené na paměti (výtah z přednášky Waltera Daelemanse, GSLT, Göteborg 2003) + TiMBL -ukázka použití programu Jiří Mírovský,
Využití umělých neuronových sítí k urychlení evolučních algoritmů
Návrh a optimalizace filtru OTA-C s využitím heuristických algoritmů ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra teorie obvodů.
Odpovědi na otázky Praha 2007 Bc. Dalibor Barri ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra mikroelektroniky.
Návrh a optimalizace filtru OTA-C s využitím evolučních algoritmů Praha 2007 Bc. Dalibor Barri ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická.
Praktické využití genetických algoritmů
Neuronové sítě Jakub Krátký.
Umělá Inteligence II. Umělá inteligence je vědní disciplína věnující se tvorbě počítačových programů řešících složité úlohy s takovými výsledky, které.
Architektura databází Ing. Dagmar Vítková. Centrální architektura V této architektuře jsou data i SŘBD v centrálním počítači. Tato architektura je typická.
Moderní vzdělávací systémy vyšších a vysokých škol neuniverzitního typu Ing. Daniel CHOC CCA Group a.s.
Nejsložitější integrovaný obvod
Orbis pictus 21. století Tato prezentace byla vytvořena v rámci projektu.
Úvod do algoritmizace Obsah: Algoritmus, algoritmizace
Systémy pro podporu managementu 2
ATLAS Computing Jiří Chudoba Fyzikální ústav AV ČR, v.v.i.
4IT445 – Testování a ladění v PHP Ing. Jan Mittner
Genetické algoritmy Lukáš Kábrt.
METODY NEKONVENČNÍHO MODELOVÁNÍ S PŘÍSTUPY UMĚLÉ INTELIGENCE
Genetické algoritmy [GA]. Historie:  1960: I. Rechenberg – první odborná práce na toto téma „Evolution strategies“  1975: John Holland – první genetický.
David Šupita, Adam Řešetka, Petr Horák
1 Kognitivní inspirace třídění na základě závislostí atributů Jan Burian Eurfomise centrum – Kardio, Ústav informatiky AV ČR Článek je dostupný na WWW:
Dokumentace informačního systému
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Genetické algoritmy Filip Dušek Filip Dušek 2004 – V 53 ČVUT v Praze – fakulta Stavební.
Akcelerace genetických algoritmů na grafických kartách Mikuláš Dítě Gymnázium Christiana Dopplera Cesta k vědě Evropský sociální fond Praha & EU: Investujeme.
Problém obchodního cestujícího a příbuzné úlohy
Bakalářská práce z SI Jan Hofta
MLP – backpropagation Jiří Fejfar
Akcelerace genetických algoritmů na grafických kartách 3. část Mikuláš Dítě Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti.
Alternativy k evolučním optimalizačním algoritmům Porovnání genetických algoritmů a některých tradičních stochastických optimalizačních přístupů David.
Přehled metod umělé inteligence a její historie (bakalářská práce) Vedoucí práce: Ing. Ladislav Beránek, CSc., MBA Vypracoval: Michal Jelínek.
Výrok „Vypadá to, že jsme narazili na hranici toho, čeho je možné dosáhnout s počítačovými technologiemi. Člověk by si ale měl dávat pozor na takováto.
Zpracoval :Ing. Petr Dlask, Ph.D. Pracoviště :Katedra Ekonomiky a řízení stavebnictví ČVUT v Praze Adresa :Thákurova 7, Praha 6, Dejvice Optimalizace.
Mikroprocesor.
Internet Key Exchange Projektování distribuovaných systémů Ing. Jiří ledvina, CSc.
CW – 05 TEORIE ROZHODOVACÍCH PROCESŮ Ústav technologie, mechanizace a řízení staveb Fakulta stavební VUT v Brně Ing. Václav Rada, CSc. Leden 2009.
Praktická využití UNS V medicínských aplikacích Jan Vrba 2006.
Elektrotechnická fakulta ČVUT KATEDRA KYBERNETIKY Vedoucí prof. Ing. Vladimír Mařík, DrSc. KATEDRA KYBERNETIKY ELEKTROTECHNICKÁ.
Neuronové sítě. Vývoj NS 1943 – W. McCulloch, W. Pittse – první jednoduchý matematický model neuronu 1951 – M. Minsky - první neuropočítač Snark 1957.
Neuronové sítě.
Bc. Lektorství cizích jazyků
Elektrotechnická fakulta ČVUT KATEDRA KYBERNETIKY Vedoucí prof. Ing. Vladimír Mařík, DrSc. KATEDRA KYBERNETIKY ELEKTROTECHNICKÁ.
Simulátory umělého života Aplikovatelné v environmentálních informačních systémech.
Geoinformatické modelování RNDr. Blanka Malá, Ph.D.
1/26 0x5DLaBAKx5FC517D0FEA3 Laboratoř bezpečnosti a aplikované kryptografie.
SOFTWAROVÁ PODPORA PRO VYTVÁŘENÍ FUZZY MODELŮ Knihovna fuzzy procedur Ing. Petr Želasko, VŠB-TU Ostrava.
ŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S.
Financováno z ESF a státního rozpočtu ČR.
Informační systém pro správu a vyřizování objednávek
Základní pojmy v automatizační technice
Petr Fodor.
C-síť (circle – net) Petr Kolman.
Metody strojového učení
Neuronové sítě.
Neuronové sítě.
Transkript prezentace:

Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Výzkumný úkol:

cíle práce: –získat základní přehled v oblastech genetických algoritmů, neuronových sítí a paralelizace –seznámit se s projektem NNSU –provést paralelizaci části kódu NNSU části práce: –1.kapitola: Genetické algoritmy –2.kapitola: Neuronové sítě –3.kapitola: Projekt NNSU a jeho paralelizace 2/9 Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec Osnova práce

vycházejí z Darwinovy evoluční teorie, v matematice představují silný optimalizační nástroj hrubá idea: –máme množinu (generaci) přípustných řešení úlohy (jedinců), každý jedinec je ohodnocený hodnotou fitness (jak moc je dobrým řešením úlohy) –tvoříme novou generaci, jedinci v ní vznikají: křížením jedinců z minulé generace s vysokou fitness náhodnými změnami těchto jedinců (mutacemi) –s přibývajícími generacemi průměrná hodnota fitness roste Paralelní algoritmy ve zpracování dat Bc. Jan HoftaOsnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec Genetické algoritmy 3/9

vycházejí z nervových soustav živočichů, široké uplatnění, např. jako separátor množin sestávají z výpočetních jednotek (neuronů) Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec Neuronové sítě Ano Váhy jednotlivých vstupů Vážená Σ vstupů Perceptron Ne Vstupy Vícevrstvá síť 4/9

projekt UI AV ČR, řízený panem Ing. F. Haklem, CSc. s účastí mnoha doktorandů z naší katedry univerzální separační nástroj, nejvhodnější neuronová síť k separaci se hledá pomocí genetických algoritmů aplikace např. při detekci Higgsova bosonu v CERNu nastavování a ohodnocování neuronových sítí, tedy jedinců v GA, výpočetně náročné => prostor pro paralelizaci Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec Projekt NNSU 5/9

celý program se skládá z pluginů, tedy modulů s částmi projektu plugin GA od Ing. R. Kalouse zajišťuje fungování genetických algoritmů je v něm vyřešeno: –kódování neuronových sítí pro GA –jejich ohodnocování –operace GA (výběr, křížení, mutace) snaha vytvořit jeho paralelní verzi (použití jeho metod při paralelním nastavování a ohodnocování neuronových sítí) Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec Plugin GA 6/9

univerzální komunikační rozhraní pro paralelní programy s distribuovanou pamětí, od roku 1992 v současnosti standardy MPI 1.1 (častěji používané) a MPI 2.1 (více funkcí) spouští program ve více kopiích, každou ovládá jeden proces, ty si spolu navzájem vyměňují zprávy standard nezávislý na programovacím jazyce, použito OpenMPI pro C/C++ Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec MPI 7/9

jeden proces master, ostatní slavy master v každé generaci pošle jedince slavům k naučení a ohodnocení, ti mu vrací jejich fitness Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec Návrh paralelizace Slave 1 MpopMem MdtbFit MdtbProt Učící a test. data SpopMem SdtbFit Slave struktury masteru Učící a testovací data Master Slave 2 Archiv m Archiv f 8/9

děkuji Vám za pozornost Paralelní algoritmy ve zpracování dat Bc. Jan Hofta Osnova práceGenetické alg.Neuronové sítěProjekt NNSUPlugin GA MPINávrh paralelizaceKonec 9/9