Κατανεμημένες τεχνικές μάθησης και εφαρμογές τους
Φόρτωση...
Ημερομηνία
Συγγραφείς
Λάππα, Περσεφόνη
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Ο αριθμός των συνδεμένων συσκευών στο διαδίκτυο αυξάνεται συνεχώς και έχει ήδη ξεπεράσει τον αριθμό των ανθρώπων που κατοικούν στον πλανήτη. Οι συσκευές αυτές παράγουν δεδομένα τα οποία διακινούνται μέσω του δικτύου με προορισμό κάποια ισχυρή υπολογιστική δομή η οποία θα τα επεξεργαστεί και ενδεχομένως να τα αποθηκεύσει για μελλοντική χρήση. Η πρακτική αυτή έχει αυξήσει ιδιαίτερα τον όγκο των δεδομένων που διακινούνται μέσω του δικτύου και παρά τις προόδους για την αύξηση της χωρητικότητας του δικτύου, η αύξηση του όγκου των δεδομένων είναι δυσανάλογα μεγαλύτερη από την αύξηση της χωρητικότητας του δικτύου με αποτέλεσμα να δημιουργούνται αρκετά προβλήματα. Επιπλέον αρκετές συσκευές που παράγουν δεδομένα βρίσκονται σε σημεία που δεν επιτρέπουν τη χρήση των παραδοσιακών μεθόδων διασύνδεσης στο δίκτυο δεδομένων και τροφοδοσίας ηλεκτρικής ενέργειας με αποτέλεσμα να πρέπει να χρησιμοποιηθούν άλλες μέθοδοι που ανεβάζουν αρκετά το κόστος μεταφοράς των δεδομένων.
Μια προσέγγιση προς την αντιμετώπιση του ζητήματος αυτού επιτυγχάνεται με τη χρήση τεχνικών μηχανικής μάθησης μέσω των οποίων οι συσκευές θα εκπαιδευτούν ώστε να μπορούν να επεξεργάζονται τα δεδομένα και συνεπώς να αποστέλλουν στην ισχυρή υπολογιστική δομή μόνο τα απαραίτητα στοιχεία αντί του συνόλου των δεδομένων. Πράγματι η εξέλιξη της τεχνολογίας επιτρέπει πλέον την παραγωγή αρκετά έξυπνων συσκευών σε διαχειρίσιμο κόστος οι οποίες καταφέρνουν να συγκεντρώσουν σε μικρές διαστάσεις ένα ικανοποιητικό σύνολο υπολογιστικών πόρων και να λειτουργούν καταναλώνοντας μικρές ποσότητες ενέργειας, όπως για παράδειγμα το Raspberry Pi. Συνεπώς οι συσκευές αυτές θα μπορούσαν να εκπαιδευτούν ώστε να είναι σε θέση να επεξεργαστούν τα δεδομένα στην πηγή και συνεπώς να μειώσουν σημαντικά τον όγκο των δεδομένων που μεταδίδονται.
Η εκπαίδευση όμως μιας συσκευής και πιο συγκεκριμένα η παραγωγή ενός μοντέλου μηχανικής μάθησης είναι μια διαδικασία ιδιαίτερα απαιτητική σε υπολογιστικούς πόρους αλλά και σε ενέργεια και συνεπώς δεν είναι δυνατόν να πραγματοποιηθεί από συσκευές τύπου Raspberry αλλά μόνο από ισχυρές υπολογιστικές δομές που διαθέτουν εύκολα και οικονομικά πρόσβαση τόσο σε ενέργεια όσο και στο διαδίκτυο. Συνεπώς η πλέον αποδοτική αρχιτεκτονική αποδεικνύεται εκείνη σύμφωνα με την οποία το μοντέλο μηχανικής μάθησης παράγεται σε μια ισχυρή υπολογιστική δομή και κατόπιν αποστέλλεται στους επιμέρους κόμβους οι οποίοι θα το χρησιμοποιήσουν για να μελετήσουν τα δεδομένα που διαθέτουν και να εξάγουν τα απαραίτητα συμπεράσματα τα οποία στη συνέχεια θα αποσταλούν στον οποιοδήποτε ενδιαφερόμενο.
Στόχος της παρούσας πτυχιακής εργασίας είναι η διερεύνηση των μεθόδων κατανεμημένης μηχανικής μάθησης καθώς και διαφόρων εφαρμογών της, ώστε να αποκτήσει ο αναγνώστης μια όσο το δυνατόν πληρέστερη εικόνα της κατάστασης όπως έχει δημιουργηθεί έως το διάστημα συγγραφής της παρούσας εργασίας. Παράλληλα παρουσιάζεται και η ανάπτυξη μιας εφαρμογής αναγνώρισης χειρόγραφων χαρακτήρων, σε γλώσσα προγραμματισμού Python, η οποία περιλαμβάνει την δημιουργία ενός μοντέλου σε ένα υπολογιστή και ακολούθως αποστολή του σε μία συσκευή Raspberry προκειμένου να το χρησιμοποιήσει. Τα αποτελέσματα αποδεικνύουν την χρησιμότητα της αρχιτεκτονικής.
The number of devices connected to the internet is constantly increasing and has already exceeded the number of people living on the planet. These devices generate data that travels over the network to a powerful computing structure that will process it and possibly store it for future use. This practice has greatly increased the volume of data flowing through the network and despite advances in increasing network capacity, the increase in data volume is disproportionately greater than the increase in network capacity resulting in several problems. In addition, several data generators are located in areas that do not allow the use of traditional methods of interconnection in the data network and electricity supply, so other methods must be used that significantly increase the cost of data transfer. An approach to tackling this issue is achieved through the use of machine learning techniques through which devices will be trained to be able to process data and therefore send to the high computational ability computing structure only the necessary data instead of the total data. Indeed, the advancement of technology now allows the production of quite smart devices at manageable costs which manage to accumulate, in a small size, a sufficient set of computing resources and operate by consuming small amounts of energy, such as, for example, the Raspberry Pi. These devices could therefore be trained to be able to process data at source and thus significantly reduce the amount of data transmitted. However, the training of a device and more specifically the production of a machine learning model is a very demanding process in terms of computing resources but also in terms of energy and therefore it cannot be done by Raspberry type devices but only by powerful computing structures that has easy and economically access to energy as well as to the internet. Therefore the most efficient architecture proves to be the one according to which the machine learning model is produced in a strong computational structure and then sent to the individual nodes which will use it to study the data they have and draw the necessary conclusions which will then be sent to any interested party. The aim of this dissertation is to explore the methods of distributed machine learning as well as its various applications, so that the reader can obtain as complete a picture of the situation as has been created up to the time of writing this dissertation. At the same time, the development of a handwriting recognition application in the Python programming language is presented, which
The number of devices connected to the internet is constantly increasing and has already exceeded the number of people living on the planet. These devices generate data that travels over the network to a powerful computing structure that will process it and possibly store it for future use. This practice has greatly increased the volume of data flowing through the network and despite advances in increasing network capacity, the increase in data volume is disproportionately greater than the increase in network capacity resulting in several problems. In addition, several data generators are located in areas that do not allow the use of traditional methods of interconnection in the data network and electricity supply, so other methods must be used that significantly increase the cost of data transfer. An approach to tackling this issue is achieved through the use of machine learning techniques through which devices will be trained to be able to process data and therefore send to the high computational ability computing structure only the necessary data instead of the total data. Indeed, the advancement of technology now allows the production of quite smart devices at manageable costs which manage to accumulate, in a small size, a sufficient set of computing resources and operate by consuming small amounts of energy, such as, for example, the Raspberry Pi. These devices could therefore be trained to be able to process data at source and thus significantly reduce the amount of data transmitted. However, the training of a device and more specifically the production of a machine learning model is a very demanding process in terms of computing resources but also in terms of energy and therefore it cannot be done by Raspberry type devices but only by powerful computing structures that has easy and economically access to energy as well as to the internet. Therefore the most efficient architecture proves to be the one according to which the machine learning model is produced in a strong computational structure and then sent to the individual nodes which will use it to study the data they have and draw the necessary conclusions which will then be sent to any interested party. The aim of this dissertation is to explore the methods of distributed machine learning as well as its various applications, so that the reader can obtain as complete a picture of the situation as has been created up to the time of writing this dissertation. At the same time, the development of a handwriting recognition application in the Python programming language is presented, which
Περιγραφή
Λέξεις-κλειδιά
Δίκτυα
Θεματική κατηγορία
Ηλεκτρονικοί υπολογιστές - Δίκτυα, Δίκτυα
Παραπομπή
Σύνδεσμος
Μεταπτυχιακή εργασία
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Όνομα επιβλέποντος
Στύλιος, Χρυσόστομος
Εξεταστική επιτροπή
Γκόγκος, Χρήστος
Τσούλος, Ιωάννης
Τσούλος, Ιωάννης
Γενική Περιγραφή / Σχόλια
Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Λάππα, Π., 2022. Κατανεμημένες τεχνικές μάθησης και εφαρμογές τους. Μεταπτυχιακή εργασία. Άρτα: Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Ονόματα συντελεστών
Αριθμός σελίδων
78
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States