基於GPU的算法並行化
GPU計算的目的即是計算加速。相比於CPU，其具有以下三個方面的優勢： l 並行度高：GPU的Core數遠遠多於CPU（如G100 GPU有240個Cores），從而GPU的任務並發度也遠高於CPU； l 內存帶寬高：GPU的內存系統帶寬幾十倍高於CPU，如CPU （DDR-400）帶寬 ...
原文：十一，基於循環神經網絡的時序數據聚類算法及其並行化
論文名稱基於循環神經網絡的時序數據聚類算法及其並行化，王國瑞. 研究對象主要圍繞時序數據聚類問題，不同於已有的時序數據聚類方法，本文獻的研究是基於循環神經網絡的時序數據聚類方法，研究成果可用於金融股票數據分析。 研究動機在時間序列數據挖掘領域，結合循環神經網絡將其應用在時間序列數據預測及聚類任務上。 文獻綜述 基於時間臨近度的時序聚類：主要在於序列相似性的衡量，利用不同的相似度計算方法進行聚類。 ...
2019-12-22 16:37 0 794 推薦指數：
相關推薦
基於spark實現並行化Apriori算法
詳細代碼我已上傳到github：click me 一、 實驗要求 在 Spark2.3 平台上實現 Apriori 頻繁項集挖掘的並行化算法。要求程序利用 Spark 進行並行計算。 二、算法設計 2.1 設計思路 變量定義 D為數據集，設Lk是k ...
kmeans算法並行化的mpi程序
用c語言寫了kmeans算法的串行程序，再用mpi來寫並行版的，貌似參照着串行版來寫並行版，效果不是很賞心悅目~ 並行化思路： 使用主從模式。由一個節點充當主節點負責數據的划分與分配，其他節點完成本地數據的計算，並將結果返回給主節點。大致過程如下： 1、進程0為主節點 ...
大數據的常用算法（分類、回歸分析、聚類、關聯規則、神經網絡方法、web數據挖掘）
目錄 (1)分類 (2)回歸分析 (3)聚類 (4)關聯規則 (5)神經網絡方法 (6)Web數據挖掘 在大數據時代，數據挖掘是最關鍵的工作。大數據的挖掘是從海量、不完全的、有噪聲的、模糊的、隨機的大型數據庫中發現隱含 ...
大數據的常用算法（分類、回歸分析、聚類、關聯規則、神經網絡方法、web數據挖掘）
在大數據時代，數據挖掘是最關鍵的工作。大數據的挖掘是從海量、不完全的、有噪聲的、模糊的、隨機的大型數據庫中發現隱含在其中有價值的、潛在有用的信息和知識的過程，也是一種決策支持過程。其主要基於人工智能，機器學習，模式學習，統計學等。通過對大數據高度自動化地分析，做出歸納性的推理，從中挖掘出潛在的模式 ...
什么？Shell也能並行化
作為一名后台開發，寫shell腳本可能是工作中避免不了的，比如日志分析過濾、批量請求和批量插入數據等操作，這些如果單純靠人工手動去處理既費時又費力，有了shell腳本就可以輕松搞定，當然有人會說可以用python或者其他編程語言，這並不是不可以，但沒有哪個有shell這么簡單方便快捷的。需要依賴庫 ...
神經網絡算法
內容概要： (1) 介紹神經網絡基本原理 (2) AForge.NET實現前向神經網絡的方法 (3) Matlab實現前向神經網絡的方法 －－－引例 文中以Fisher的Iris數據集作為神經網絡程序的測試數據集。Iris數據集可以在http ...
神經網絡算法
我們在設計機器學習系統時，特別希望能夠建立類似人腦的一種機制。神經網絡就是其中一種。但是考慮到實際情況，一般的神經網絡（BP網絡）不需要設計的那么復雜，不需要包含反饋和遞歸。人工智能的一大重要應用，是分類問題。本文通過分類的例子，來介紹神經網絡。 1.最簡單的線性分類 一個最簡單的分類 ...