Επιτάχυνση Υλικού για Αλγόριθμο Δένδρου Απόφασης σε Ετερογενές Υπολογιστικό Σύστημα

Ζουλκάρνι, Άσιμ; Zoulkarni, Asim

dc.contributor.author	Ζουλκάρνι, Άσιμ	el
dc.contributor.author	Zoulkarni, Asim	en
dc.date.accessioned	2020-09-29T06:10:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51186
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18884
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Εξόρυξη δεδομένων	el
dc.subject	Δένδρο απόφασης	el
dc.subject	C4.5	el
dc.subject	Σύνθεση υψηλού επιπέδου	el
dc.subject	Επιτάχυνση υλικού	el
dc.title	Επιτάχυνση Υλικού για Αλγόριθμο Δένδρου Απόφασης σε Ετερογενές Υπολογιστικό Σύστημα	el
dc.contributor.department	Department of Computer Science - Microprocessors Laboratory and Digital Systems Lab	el
heal.type	bachelorThesis
heal.secondaryTitle	Hardware Acceleration of Decision Tree Learning Algorithm on FPGA-based Heterogeneous System	en
heal.classification	Computer Engineering	en
heal.dateAvailable	2021-09-28T21:00:00Z
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2020-05-04
heal.abstract	Οι αλγόριθμοι μηχανικής μάθησης και συνεπώς οι μέθοδοι εξόρυξης δεδομένων, όπως οι αλγόριθμοι δένδρων απόφασης, χαίρουν αυξημένης δημοφιλίας σε εφαρμογές όπως οι ιατρικές διαγνώσεις, οι εκτιμήσεις ρίσκου έκδοσης πιστωτικών καρτών, η συμπεριφορά καταναλωτών κ.α. Ένα τόσο ευρύ φάσμα πεδίων στα οποία οι αλγόριθμοι των δένδρων απόφασης είναι εφαρμόσιμοι, σε συνδυασμό με την διαρκή αύξηση της διαθέσιμης πληροφορίας στην εποχή των Μεγάλων Δεδομένων, καθιστά επιθυμητή την αναζήτηση μεθόδων βελτιστοποίησης της απόδοσής τους σε ένα υπολογιστικό σύστημα τη στιγμή που πρόκειται για υψηλής υπολογιστικής απαιτητικότητας αλγορίθμους, που χρησιμοποιούν τα δεδομένα αυτά και συνιστούν ενδιάμεσες διαδικασίες πολυπλοκότερων αλγορίθμων όπως λ.χ. τα τυχαία δάση. Στις περιπτώσεις αυτές τα οφέλη της βελτιστοποίησης του μελετώμενου αλγορίθμου αναδεικνύονται ακόμα περισσότερο καθώς η επιτάχυνση των χρόνων εκτέλεσής τους ενισχύεται περαιτέρω. Η ευελιξία και δημοφιλία των αλγορίθμων δένδρων απόφασης, σε συνδυασμό με την ευκολία χρήσης τους, αναδεικνύουν την ανάγκη για αναζήτηση λύσεων στο πρόβλημα της βελτιστοποίησης της απόδοσής τους σε μια σύγχρονη αρχιτεκτονική υλικού. Ως εκ τούτου, στην παρούσα διπλωματική εργασία επιχειρείται η προσέγγιση του ζητήματος αυτού μέσω εφαρμογής μεθόδων, που παρουσιάζονται αναλυτικότερα στη συνέχεια της εργασίας, με σκοπό τη βελτιστοποίηση μίας συγκεκριμένης υλοποίησης του αλγορίθμου δένδρου απόφασης (έκδοση C4.5) η οποία θα εκτελείται σε ετερογενές υπολογιστικό σύστημα το οποίο περιλαμβάνει συστοιχία επιτόπια προγραμματιζόμενων πυλών συνδυαστικά με κεντρική μονάδα επεξεργασίας.	el
heal.abstract	Machine learning algorithms and consequently data mining approaches such as Decision tree learning have been increasingly gaining popularity among elds such as medical diagnoses, risk evaluation of credit card application approval, consumers' behaviors, etc. Such a broad spectrum of elds where decision tree learning and classi cation are applicable along with the growth of available information to a massive extent in the era of big data make it desired to seek ways of optimizing a computationally wise heavy algorithm that can make use of this information and which alone is widely utilized and forms a single fraction of ensemble learning methods such as the random forests, etc. There, the bene ts of an optimization in the former algorithm would be even further highlighted as the speedup is expected to be boosted by a signi cant degree. Decision Tree Classi cation variants are among the most popular machine learning algorithms and have been applied in various elds with success. Their versatility and popularity, along with the ease to use, make it imperative that solutions be found regarding its performance optimization problem, hence in this project we tackle this issue by applying methods to optimize a Decision Tree Learning implementation (version C4.5), that will be executed in a heterogeneous computing system involving FPGA along with CPU, making use of the high-level synthesis oriented tools. Initially, a pro ling of the code is done, after which the computationally intensive part of the algorithm is determined, that is found to be the decision tree training part and within that part speci cally, the Information Gain computations. Then the kernel has been developed as a hardware accelerated function that assumes the latter computations. The presented performance of the kernel was evaluated on a Zed platform integrated with Xilinx Zynq-7000 SoC in a FPGA-based heterogeneous system and it was shown that the accelerator can yield a signi cant kernel speedup in a single decision tree's training part, compared to an embedded ARM processor based implementation.	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.	el
heal.fullTextAvailability	false