基于GPU的算法并行化
GPU计算的目的即是计算加速。相比于CPU，其具有以下三个方面的优势： l 并行度高：GPU的Core数远远多于CPU（如G100 GPU有240个Cores），从而GPU的任务并发度也远高于CPU； l 内存带宽高：GPU的内存系统带宽几十倍高于CPU，如CPU （DDR-400）带宽 ...
原文：十一，基于循环神经网络的时序数据聚类算法及其并行化
论文名称基于循环神经网络的时序数据聚类算法及其并行化，王国瑞. 研究对象主要围绕时序数据聚类问题，不同于已有的时序数据聚类方法，本文献的研究是基于循环神经网络的时序数据聚类方法，研究成果可用于金融股票数据分析。 研究动机在时间序列数据挖掘领域，结合循环神经网络将其应用在时间序列数据预测及聚类任务上。 文献综述 基于时间临近度的时序聚类：主要在于序列相似性的衡量，利用不同的相似度计算方法进行聚类。 ...
2019-12-22 16:37 0 794 推荐指数：
相关推荐
基于spark实现并行化Apriori算法
详细代码我已上传到github：click me 一、 实验要求 在 Spark2.3 平台上实现 Apriori 频繁项集挖掘的并行化算法。要求程序利用 Spark 进行并行计算。 二、算法设计 2.1 设计思路 变量定义 D为数据集，设Lk是k ...
kmeans算法并行化的mpi程序
用c语言写了kmeans算法的串行程序，再用mpi来写并行版的，貌似参照着串行版来写并行版，效果不是很赏心悦目~ 并行化思路： 使用主从模式。由一个节点充当主节点负责数据的划分与分配，其他节点完成本地数据的计算，并将结果返回给主节点。大致过程如下： 1、进程0为主节点 ...
大数据的常用算法（分类、回归分析、聚类、关联规则、神经网络方法、web数据挖掘）
目录 (1)分类 (2)回归分析 (3)聚类 (4)关联规则 (5)神经网络方法 (6)Web数据挖掘 在大数据时代，数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含 ...
大数据的常用算法（分类、回归分析、聚类、关联规则、神经网络方法、web数据挖掘）
在大数据时代，数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式 ...
什么？Shell也能并行化
作为一名后台开发，写shell脚本可能是工作中避免不了的，比如日志分析过滤、批量请求和批量插入数据等操作，这些如果单纯靠人工手动去处理既费时又费力，有了shell脚本就可以轻松搞定，当然有人会说可以用python或者其他编程语言，这并不是不可以，但没有哪个有shell这么简单方便快捷的。需要依赖库 ...
神经网络算法
内容概要： (1) 介绍神经网络基本原理 (2) AForge.NET实现前向神经网络的方法 (3) Matlab实现前向神经网络的方法 －－－引例 文中以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http ...
神经网络算法
我们在设计机器学习系统时，特别希望能够建立类似人脑的一种机制。神经网络就是其中一种。但是考虑到实际情况，一般的神经网络（BP网络）不需要设计的那么复杂，不需要包含反馈和递归。人工智能的一大重要应用，是分类问题。本文通过分类的例子，来介绍神经网络。 1.最简单的线性分类 一个最简单的分类 ...