دانلود کتاب Optimizing the parSOM Neural Network Implementation for Data Mining with Distributed Memory Systems and Cluster Computing
49,000 تومان
بهینه سازی پیاده سازی شبکه عصبی parSOM برای داده کاوی با سیستم های حافظه توزیع شده و محاسبات خوشه ای
| موضوع اصلی | سازمان و پردازش داده ها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| تعداد صفحه | 5 |
| حجم فایل | 59 کیلوبایت |
| نویسنده | |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2001 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
بهینه سازی پیاده سازی شبکه عصبی parSOM برای داده کاوی با سیستم های حافظه توزیع شده و محاسبات خوشه ای
نقشه خودسازماندهی یک مدل شبکه عصبی بدون نظارت برجسته است که خود را به تجزیه و تحلیل داده های ورودی با ابعاد بالا و برنامه های داده کاوی می دهد. با این حال، زمانهای اجرای بالای مورد نیاز برای آموزش نقشه، محدودیتی برای کاربرد آن در بسیاری از حوزههای کاربردی تحلیل دادههای با کارایی بالا ایجاد میکند. در این مقاله، پیادهسازی /orSOM، یک پیادهسازی موازی مبتنی بر نرمافزار از نقشه خودسازماندهی را مورد بحث قرار میدهیم. و بهینه سازی آن برای تجزیه و تحلیل داده های ورودی با ابعاد بالا با استفاده از سیستم های حافظه توزیع شده و خوشه ها. الگوریتم اصلی / orSOM در یک محیط اجرای موازی با تأخیرهای ارتباطی کم مقیاس بسیار خوبی دارد و از موازی سازی برای مقابله با تأخیرهای حافظه استفاده می کند. با این حال از مقیاس پذیری ضعیف در رایانه های حافظه توزیع شده رنج می برد. ما بهینهسازیهایی را برای جداسازی بیشتر فرآیندهای فرعی، سادهسازی مدل ارتباطی و بهبود قابلیت حمل و نقل سیستم ارائه میکنیم.
Optimizing the parSOM Neural Network Implementation for Data Mining with Distributed Memory Systems and Cluster Computing
The self-organizing map is a prominent unsupervised neural network model which lends itself to the analysis of high-dimensional input data and data mining applications. However, the high execution times required to train the map put a limit to its application in many high-performance data analysis application domains.In this paper we discuss the /orSOM implementation, a software-based parallel implementation of the self-organizing map, and its optimization for the analysis of high-dimensional input data using distributed memory systems and clusters. The original /orSOM algorithm scales very well in a parallel execution environment with low communication latencies and exploits parallelism to cope with memory latencies. However it suffers from poor scalability on distributed memory computers. We present optimizations to further decouple the subprocesses, simplify the communication model and improve the portability’ of the system.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.