Machine Learning for Adaptive Many-Core Machines - A Practical Approach

داده‌های عظیم تولید شده روزانه و افزایش عملکرد و هزینه‌های مورد نیاز برنامه‌ها به طیف گسترده‌ای از فعالیت‌ها در جامعه، از علم تا صنعت، بستگی دارد. به ویژه، بزرگی و پیچیدگی وظایفی که الگوریتم‌های یادگیری ماشین (ML) باید حل کنند، نیاز به ابداع ماشین‌های چند هسته‌ای تطبیقی ​​را ایجاد می‌کند که به خوبی با حجم داده‌ها مقیاس می‌شوند، یا به عبارت دیگر، می‌توانند داده‌های بزرگ را مدیریت کنند.

این کتاب دیدگاه مختصری در مورد چگونگی گسترش کاربرد الگوریتم‌های معروف ML در واحد پردازش گرافیکی (GPU) با در نظر گرفتن مقیاس‌پذیری داده ارائه می‌دهد. مجموعه ای از تکنیک های جدید را برای افزایش، مقیاس و توزیع داده ها در یک چارچوب یادگیری بزرگ ارائه می دهد. قرار نیست این یک بررسی جامع از وضعیت هنر کل حوزه یادگیری ماشین برای داده های بزرگ باشد. هدف آن کمتر جاه طلبانه و کاربردی تر است: توضیح و نشان دادن الگوریتم های ML مبتنی بر GPU موجود و جدید، که به عنوان یک راه حل جهانی برای چالش های کلان داده در نظر گرفته نمی شود، بلکه بیشتر به عنوان بخشی از پاسخ است که ممکن است به استفاده از استراتژی های مختلف نیاز داشته باشد. با هم.

The overwhelming data produced everyday and the increasing performance and cost requirements of applications are transversal to a wide range of activities in society, from science to industry. In particular, the magnitude and complexity of the tasks that Machine Learning (ML) algorithms have to solve are driving the need to devise adaptive many-core machines that scale well with the volume of data, or in other words, can handle Big Data.

This book gives a concise view on how to extend the applicability of well-known ML algorithms in Graphics Processing Unit (GPU) with data scalability in mind. It presents a series of new techniques to enhance, scale and distribute data in a Big Learning framework. It is not intended to be a comprehensive survey of the state of the art of the whole field of machine learning for Big Data. Its purpose is less ambitious and more practical: to explain and illustrate existing and novel GPU-based ML algorithms, not viewed as a universal solution for the Big Data challenges but rather as part of the answer, which may require the use of different strategies coupled together.