جلسه دفاع از پایاننامه: خانم اکرم محمدي، گروه مهندسی کامپیوتر
خلاصه خبر: یادگیری موازی درختتصمیم وِفقی با استفاده از دادههای جریانی
چکیده امروزه تحلیل و پیش¬بیني داده¬هاي جرياني یکی از مهمترین حوزههای یادگیری ماشین است و تکنیکهای مختلف از جمله الگوریتمهای موازی برای کاهش زمان پردازش این نوع دادهها به وفور مورد استفاده قرار میگیرند. از سوی دیگر، آموزش سیستمهای یادگیرنده مختلف برای دادههای جریانی همواره با چالش مواجه است زیرا ممکن است ورودیهای جدید حاوی آمار متفاوتی باشند و بروز رسانی مدلهای فراگرفته شده مستلزم صرف زمان و هزینه قابل توجه باشد. بنابراین بروزرسانی مدلهای ایجاد شده به صورت وفقی میتواند ضمن کاهش زمان بروزرسانی سیستمهای هوشمند عملکرد بهتری را هم به ارمغان آورد. از بین روشهای مختلف، درخت تصميم یکی از محبوب¬ترين روشهای دسته¬بندي مجموعه¬داده¬ها معرفي¬شده است. با یادگیری افزایشی درخت تصمیم نیاز به ساخت مجدد درخت مبتني بر نمونه وروديهای جديد نیست و فقط اين نمونهها در گره مناسب قرار میگيرند و در صورت لزوم ساختار درخت متناسب با نمونههای جدید بروزرسانی میشود. الگوريتم VFDT از جمله الگوریتم¬هاي يادگيري افزايشي محسوب مي¬شود که مبتني¬بر الگوريتم درخت هافدينگ است. مدت زمان اجراي اين الگوريتم در داده¬هاي جرياني زمانبر است و مدت زمان اجرا در داده¬هاي با ماهيت برخط ناسازگار است. بخش قابل توجهی از زمان مورد نیاز اجرای این الگوریتم مربوط به محاسبه معيارهاي شکست گره¬ها مي¬باشد. در این پژوهش با استفاده از الگوريتم¬هاي يادگيري افزايشي که شامل ساخت درخت¬تصميم، پيش¬بيني سريع نمونه¬هاي آزمايشي و بروزرساني درخت تصميم است سعی در بهبود عملکرد این درخت شده است. پژوهش انجام شده در حوزه يادگيري افزايشي، يادگيري گروهي، الگوريتم بوستينگ و الگوريتم¬هاي يادگيري ماشين در واحد¬ پردازشي گرافيکي از روش¬¬ پياده¬سازي در مباحث يادگيري ماشين مي¬باشند و با ادغام الگوريتم بوستينگ با درخت هافدينگ سعي بر بهبود زمان محاسبات به منظور يادگيري موازي درخت تصميم وفقي با استفاده از داده¬هاي جرياني است.¬ در اين کار پژوهشي و پياده¬سازي الگوريتم با ارائه يک روش ساده و کارا از پتانسيل موازي¬سازي الگوريتم استفاده شده است و نتایج به دست آمده تایید کننده عملکرد مطلوب این روش است. 31 شهریور 1397 / تعداد نمایش : 2360
|