Επιτάχυνση μηχανικής μάθησης αλγορίθμων SVM σε πλατφόρμες αναδιατασσόμενης λογικής

Κάρδαρης, Χαράλαμπος; Kardaris, Charalampos

dc.contributor.author	Κάρδαρης, Χαράλαμπος	el
dc.contributor.author	Kardaris, Charalampos	en
dc.date.accessioned	2020-12-01T07:57:12Z
dc.date.available	2020-12-01T07:57:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52106
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19804
dc.rights	Default License
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	Παράλληλη εκτέλεση	el
dc.subject	Σύνθεση υψηλού επιπέδου	el
dc.subject	Επιτάχυνση	el
dc.subject	Πλατφόρμες αναδιατασσόμενης λογικής	el
dc.subject	Support vector machines	en
dc.subject	Parallel computation	en
dc.subject	Field programmable gate arrays	en
dc.subject	Acceleration	en
dc.subject	High level synthesis	en
dc.subject	LIBSVM	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.title	Επιτάχυνση μηχανικής μάθησης αλγορίθμων SVM σε πλατφόρμες αναδιατασσόμενης λογικής	el
dc.title	FPGA Acceleration of SVM Machine LearningTraining	en
dc.contributor.department	Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	FPGA	en
heal.classification	Machine Learning	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-09-10
heal.abstract	Αντικείμενο της διπλωματικής εργασίας είναι η επιτάχυνση της διαδικασίας μηχανικής μάθησης αλγορίθμων SVM σε πλατφόρμες αναδιατασσόμενης λογικής FPGA, μέσω της Σύν- θεσης Υψηλού Επιπέδου HLS. Η μηχανική μάθηση ορίζεται ως μελέτη υπολογιστικών αλγορίθμων, οι οποίοι έχουν τη δυνατότητα να μαθαίνουν από την επεξεργασία των δεδομένων, δηλαδή να βελτιώνουν την απόδοση τους όσον αφορά ένα πρόβλημα, αφού αποκτήσουν γνώση επί των δεδομένων. Οι Μηχανές Διανυσμάτων Υποστήριξης είναι μια ομάδα αλγορίθμων που, μεταξύ άλλων, επιλύουν προβλήματα κατηγοριοποίησης και γραμμικής παλινδρόμησης. Μεταξύ των πλεονεκ- τημάτων τους είναι η υψηλή απόδοση που αποδίδουν και η μικρή ανάγκη τους για παραμετροποίηση. Μία από τις ποιο δημοφιλείς υλοποιήσεις της παραπάνω ομάδας αλγορίθμων προσφέρει η βιβ- λιοθήκη LIBSVM, η οποία αποτελεί και τη βάση μελέτης για αυτή τη διπλωματική εργασία. Η επιτάχυνση του αλγορίθμου επιτυγχάνεται μέσω των εργαλείων που παρέχει η Σύνθεση Υψηλού Επιπέδου (ΣΥΕ). Η ΣΥΕ είναι μια αυτόματη διαδικασία, η οποία δέχεται οδηγίες σε μορφή κώδικα υψηλού επιπέδου που περιγράφουν μια αλγοριθμική συμπεριφορά και τις ερμηνεύει με σκοπό την παραγωγή υλικού σε πλατφόρμες αναδιατασσόμενης λογικής. Ο σκοπός της διπλωματικής εργασίας δεν είναι η βελτίωση της υλοποίησης του αλγο- ρίθμου SVM της βιβλιοθήκης LIBSVM, ούτε και ο σχεδιασμός εξειδικευμένων κομματιών υλικού προς αυτό το σκοπό. Αντίθετα είναι η επέκταση και βελτίωση των δυνατοτήτων της βιβλιοθήκης, με κριτήριο την ταχύτητα των διαδικασιών μάθησης, κάνοντας μια εξερεύνηση των δυνατοτήτων που μας προσφέρει η ΣΥΕ.	el
heal.abstract	The purpose of this diploma thesis is to develop and implement a solution in order to accelerate the machine learning training process of the Support Vector Machines algorithm on Field Programmable Gate Arrays, utilizing High Level Synthesis techniques. A machine learning algorithm is an algorithm that is able to learn from data, i.e improve its accuracy and performance regarding the execution of a given task, after having processed some relevant information. Support Vector Machines (or Support Vector Networks) are supervised learning models with associated learning algorithms that analyze data used for classification, regression analysis and other learning problems. Among their advantages are their high performance and their low need for tuning. One the most popular implementations of an SVM algorithm is offered by the LIBSVM library, which is the base of this diploma thesis. The acceleration of the algorithm is achieved by utilizing the tools the High Level Syn- thesis offers. HLS is an automated design process that interprets an algorithmic description of a desired behavior in a high-level language and creates digital hardware, commonly for FPGAs that implements that behavior. The goal of the diploma thesis is not the improvement of the implementation of the SVM algorithm by the LIBSVM library, nor the design of specific hardware modules to be used by the algorithm. The goal is the expansion and improvement of the capabilities of the library, in regard to the actual speed of the training process, by exploring the capabilities that HLS offers.	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.advisorName	Soudris, Dimitrios	en
heal.committeeMemberName	Soudris, Dimitrios	en
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Tsanakas, Panayiotis	en
heal.committeeMemberName	Πνευματικάτος, Διονύσιος	el
heal.committeeMemberName	Pnevmatikatos, Dionisios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 p.	en
heal.fullTextAvailability	false