Bu çalışmada Genetik Algoritma ve Destek Vektör Makinelerinden oluşan melez bir yöntemin CUDA tabanlı hız optimizasyonu gerçekleştirilmiştir. Makine öğrenmesinde, geliştirilen yöntemlerin yüksek doğruluk değerlerinde başarı vermesi hedeflenir. Ayrıca önerilen algoritmanın sonuçları bulurken hızlı bir şekilde çalışması da yine hedeflenen bir durumdur. Bu çalışmada, özellikle gerçek zamanlı uygulamalarda önemli bir parametre olan hız parametresi dikkate alınmakta ve verilerin hızlı bir şekilde sınıflandırılması için yeni bir GPU teknolojisi kullanılmaktadır. Bunun için grafik işlemciler üzerinde programlama yapmamızı sağlayan CUDA programlamadan yararlanılmıştır. Sınıflandırma algoritması olarak genetik algoritmayla optimize edilmiş destek vektör makinesi kullanılmıştır. Deneyler 384 CUDA çekirdeğinden oluşan NVIDIA GeForce 940MX ekran kartına sahip bir bilgisayar üzerinde gerçekleştirilmiştir. Büyük ölçekli veri kümeleri üzerinde yapılan deneylerde, CUDA programlamanın sonuçlar üzerinde pozitif etkilerinin olduğu görülmüştür. Bu şekilde makine öğrenmesi uygulamalarında sınıflandırma aşamasında grafik işlemciler ile gerçek zamanlı uygulamalar için hızlı bir sistemin altyapısı oluşturulabilir.
In this study, the CUDA-based speed optimization of a methode consisting of Genetic Algorithm and Support Vector Machines was carried out. In machine learning, the aim of developed methods is to succeed in high accuracy values. Also, the recommended algorithm finds the results while working quickly is a targeted situation. This study takes into account the speed parameter, which is an important parameter especially in real-time applications, and a new GPU technology is used to quickly classify data. CUDA programming has been used for this, which allows us to program on graphics processors. As a classification algorithm, a support vector machine is used optimized by a genetic algorithm. The tests were carried out on a computer with a NVIDIA GeForce 940MX screen card consisting of the 384 CUDA core. Experiments on large-scale data sets have shown that CUDA programming has a positive impact on the results. In this way, a fast system infrastructure for real-time applications with graphics processors in the classification stage of machine learning applications can be created.
Field : Mühendislik
Journal Type : Ulusal
Relevant Articles | Author | # |
---|
Article | Author | # |
---|