Akcelerace klasifikačních algoritmů založených na SVM pomocí grafických karet

Show simple item record
dc.contributor.advisorVaněk, Jan
dc.contributor.authorKlášterka, Milan
dc.contributor.refereeCampr, Pavel
dc.date.accepted2014-06-17
dc.date.accessioned2015-03-25T09:24:49Z
dc.date.available2013-09-23cs
dc.date.available2015-03-25T09:24:49Z
dc.date.issued2014
dc.date.submitted2014-05-16
dc.description.abstractÚkolem této práce je implementace trénování a klasifikace SVM klasifikátorů na GPU. Je zde nastíněn úvod do programování v jazyce CUDA C, který je také použit pro realizaci klasifikátoru se čtyřmi běžně používanými typy kernel funkcí, tedy lineární, polynomiální, RBF a tangenciální. Dále je popsán moderní a velmi rychlý algoritmus trénování SVM klasifikátorů - SMO. Dalším úkolem je porovnání výsledků a časů běhu s veřejně dostupnými implementacemi SVM na GPU a dále ještě s balíkem LIBSVM. Důležitou součástí této práce je optimalizace implementovaného klasifikátoru v programovacím jazyce CUDA C.cs
dc.description.abstract-translatedThe goal of this work is an implementation of training and prediction of SVM classifiers on GPU. There is a brief introduction to the CUDA C programming language, which is also used for the implementation of a classifier with four commonly used types of kernel functions, linear, polynomial, RBF and tangential. Next goal is description of modern and very fast algorithm for training of SVM classifiers - SMO. Another challenge is the comparison of run times and the classification results with freely available libraries for SVM classifiers using GPU and LIBSVM toolbox. An integral part of this work is to optimize the classifier implemented in the CUDA C programming languageen
dc.description.departmentKatedra kybernetikycs
dc.description.resultObhájenocs
dc.format52 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier58331
dc.identifier.urihttp://hdl.handle.net/11025/12334
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.rights.accessopenAccessen
dc.subjectSVM trénovánícs
dc.subjectSVM klasifikacecs
dc.subjectlineární kernel funkcecs
dc.subjectpolynomiální kernel funkcecs
dc.subjectRBF kernel funkcecs
dc.subjecttangenciální kernel funkcecs
dc.subjectNVIDIA CUDA Ccs
dc.subjectparalelní programování na GPUcs
dc.subject.translatedSVM trainingen
dc.subject.translatedSVM classificationen
dc.subject.translatedlinear kernel functionen
dc.subject.translatedpolynomial kernel functionen
dc.subject.translatedGaussian RBFen
dc.subject.translatedhyperbolic tangent functionen
dc.subject.translatedNVIDIA CUDA Cen
dc.subject.translatedparallel programming on GPUen
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-programAplikované vědy a informatikacs
dc.titleAkcelerace klasifikačních algoritmů založených na SVM pomocí grafických karetcs
dc.title.alternativeAcceleration of SVM-based classification algorithms on GPUsen
dc.typediplomová prácecs
local.relation.IShttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=58331

Files

Original bundle
Showing 1 - 4 out of 4 results
No Thumbnail Available
Name:
Diplomova_prace_dokument.pdf
Size:
797.75 KB
Format:
Adobe Portable Document Format
Description:
Plný text práce
Download
No Thumbnail Available
Name:
Klasterka-v.pdf
Size:
2.91 MB
Format:
Adobe Portable Document Format
Description:
Posudek vedoucího práce
Download
No Thumbnail Available
Name:
Klasterka-o.pdf
Size:
4.38 MB
Format:
Adobe Portable Document Format
Description:
Posudek oponenta práce
Download
No Thumbnail Available
Name:
Klasterka-p.pdf
Size:
1.16 MB
Format:
Adobe Portable Document Format
Description:
Průběh obhajoby práce
Download

Collections

Theses (KKY)