Επιτάχυνση της εκπαίδευσης αλγορίθμων συνεργατικού φιλτραρίσματος συστημάτων συστάσεων, με τη χρήση του προγραμματιστικού μοντέλου HLS για FPGAs

Νάνος, Γεώργιος; Nanos, Georgios

dc.contributor.author	Νάνος, Γεώργιος	el
dc.contributor.author	Nanos, Georgios	en
dc.date.accessioned	2022-02-06T10:11:05Z
dc.date.available	2022-02-06T10:11:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54558
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22256
dc.rights	Default License
dc.subject	Επιταχυντής	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συστήματα συστάσεων	el
dc.subject	Επαναδιαμορφούμενες αρχιτεκτονικές	el
dc.subject	FPGAs	en
dc.subject	Recommendation systems	en
dc.subject	Machine learning	en
dc.subject	Collaborative filtering	en
dc.subject	Συνεργατικό φιλτράρισμα	el
dc.subject	High level synthesis	en
dc.title	Επιτάχυνση της εκπαίδευσης αλγορίθμων συνεργατικού φιλτραρίσματος συστημάτων συστάσεων, με τη χρήση του προγραμματιστικού μοντέλου HLS για FPGAs	el
heal.type	bachelorThesis
heal.classification	Επιτάχυνση αλγορίθμων μηχανικής μάθησης	el
heal.classification	Δημιουργία επιταχυντών σε επαναδιαμορφούμενες αρχιτεκτονικές	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-11
heal.abstract	Η ταχεία αύξηση της ανάπτυξης που συμβαίνει στον πεδίο της Μηχανικής Μάθησης την τελευταία δεκαετία έχει οδηγήσει σε μία μεγάλη αύξηση του αριθμού των πλατφορμών όπως το Netflix για ταινίες ή το Spotify για μουσική κ.α., οι οποίες βρίσκουν απήχηση στη μεγαλύτερη μερίδα του κόσμου. Τέτοιες πλατφόρμες προκειμένου να προσφέρουν την καλύτερη εμπειρία για κάθε χρήστη, χρησιμοποιούν αλγόριθμους οι οποίοι προτείνουν αντικείμενα (ταινίες, μουσική κλπ.) που εξαρτώνται από τις ανάγκες, τις προτιμήσεις και επιλογές σύμφωνα με το ιστορικό του. Τα συστήματα που χρησιμοποιούν τέτοιο είδος αλγορίθμων αναφέρονται ως συστήματα δημιουργίας προτάσεων (recommendation systems) και έχουν ευρεία χρήση σε πληθώρα εμπορικών εφαρμογών. Οι αλγόριθμοι δημιουργίας συστάσεων απαιτούν μεγάλη υπολογιστική πολυπλοκότητα και ισχύ και ως επί το πλείστον καταλήγουν να είναι χρονοβόροι και ενεργειακά σπάταλοι εξαιτίας του τεράστιου όγκου δεδομένων που καλούνται να διαχειριστούν, με αποτέλεσμα η επίδοση τους να προβληματίζει κατά την εκτέλεσή τους σε τυπικές CPUs. Μία εναλλακτική λύση που προτείνεται είναι η υλοποίηση αλγορίθμων υψήλης έντασης σε επαναδιαμορφούμενες αρχιτεκτονικές ειδικού σκοπού (FPGAs). Αντικείμενο τη διπλωματικής εργασίας είναι η μελέτη και η ανάλυση συστημάτων συστάσεων συνεργατικού φιλτραρίσματος με στόχο την υλοποίηση και βελτιστοποίηση των αλγόριθμων προτάσεων χρησιμοποιώντας επαναδιαμορφούμενες αρχιτεκτονικές (FPGAs) κάνοντας χρήση των εργαλείων HLS. Η παρούσα διπλωματική εργασία επικεντρώνεται στο να καταδείξει ότι οι FPGAs αποτελούν μια αξιοσημείωτη επιλογή για την επίτευξη υψηλής απόδοσης σε συνδιασμό με χαμηλή ενεργειακή κατανάλωση τόσο σε σύγκριση με κλασσικές CPU όσο και GPUs.	el
heal.advisorName	Πνευματικάτος, Διονύσιος	el
heal.committeeMemberName	Πνευματικάτος, Διονύσιος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.	el
heal.fullTextAvailability	false