TY  - JOUR
T1  - Büyük ölçekli veri setleri için GPU hızlandırmalı melez bir GA-SVM: Cu-GA-SVM
TT  - A GPU accelerated hybrid GA-SVM for large scale datasets: Cu-GA-SVM
AU  - Özkaraca, Osman
AU  - Peker, Musa
PY  - 2018
DA  - September
DO  - 10.29109/gujsc.388244
JF  - Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji
JO  - GUJS Part C
PB  - Gazi University
WT  - DergiPark
SN  - 2147-9526
SP  - 581
EP  - 591
VL  - 6
IS  - 3
LA  - tr
AB  - Bu çalışmada Genetik Algoritmave Destek Vektör Makinelerinden oluşan melez bir yöntemin CUDA tabanlı hız optimizasyonugerçekleştirilmiştir. Makine öğrenmesinde, geliştirilen yöntemlerin yüksek doğrulukdeğerlerinde başarı vermesi hedeflenir. Ayrıca önerilen algoritmanın sonuçları bulurkenhızlı bir şekilde çalışması da yine hedeflenen bir durumdur. Bu çalışmada, özelliklegerçek zamanlı uygulamalarda önemli bir parametre olan hız parametresi dikkate alınmaktave verilerin hızlı bir şekilde sınıflandırılması için yeni bir GPU teknolojisi kullanılmaktadır.Bunun için grafik işlemciler üzerinde programlama yapmamızı sağlayan CUDA programlamadanyararlanılmıştır. Sınıflandırma algoritması olarak genetik algoritmayla optimizeedilmiş destek vektör makinesi kullanılmıştır. Deneyler 384 CUDA çekirdeğinden oluşanNVIDIA GeForce 940MX ekran kartına sahip bir bilgisayar üzerinde gerçekleştirilmiştir.Büyük ölçekli veri kümeleri üzerinde yapılan deneylerde, CUDA programlamanın sonuçlarüzerinde pozitif etkilerinin olduğu görülmüştür. Bu şekilde makine öğrenmesi uygulamalarındasınıflandırma aşamasında grafik işlemciler ile gerçek zamanlı uygulamalar için hızlıbir sistemin altyapısı oluşturulabilir.
KW  - CUDA
KW  - Genetik Algoritma
KW  - SVM
KW  - Melez algoritma
N2  - In this study, CUDA basedspeed optimization of a hybrid method consisting of Genetic Algorithm and SupportVector Machines has been performed. In machine learning, it is aimed to achievehigh accuracy values from the developed methods. It is also a target for the proposedalgorithm to work quickly while finding the results. In this study, speed parameterwhich is indispensable especially in real time applications is taken into considerationand a new GPU technology is used to classify the data quickly. Therefore, CUDA programming,which allows us to program on graphics processors of which importance and use areincreasing in recent years, has been benefited from. Support vector machine optimizedby genetic algorithm has been used as the classification algorithm. The experimentshave been performed on a computer with NVIDIA GeForce 940MX graphics card, whichconsists of 384 CUDA core. Experiments performed on large scale data sets have shownthat CUDA programming has positive effects on the results. In this way, the infrastructureof a quick system for real-time applications can be created by using the graphicsprocessors in the classification phase of the machine learning applications.
CR  - Lo, W. T., Chang, Y. S., Sheu, R. K., Chiu, C. C., & Yuan, S. M. (2014). CUDT: a CUDA based decision tree algorithm. The Scientific World Journal, 2014.
CR  - Sierra-Canto, Xavier, Madera-Ramirez, Francisco, V. Uc-Cetina, Parallel training of a back-propagation neural network using cuda, in: Proceedings of the 2010 Ninth International Conference on Machine Learning and Applications, ICMLA ’10, IEEE Computer Society, Washington, DC, USA, 2010, pp. 307–312.
CR  - J. Bhimani, M. Leeser and N. Mi, "Accelerating K-Means clustering with parallel implementations and GPU computing," in High Performance Extreme Computing Conference (HPEC), 2015 IEEE, 2015, pp. 1-6.
CR  - J. Zhang, G. Wu, X. Hu, S. Li and S. Hao, "A parallel K-Means clustering algorithm with MPI," in Parallel Architectures, Algorithms and Programming (PAAP), 2011 Fourth International Symposium on, 2011, pp. 60-64.
CR  - B. Catanzaro, N. Sundaram, and K. Keutzer, \Fast support vector machine training and classification on graphics processors," in Proceedings of the 25th international conference on Machine learning, ICML ’08, (New York, NY, USA), pp. 104{111, ACM, 2008.
CR  - L. J. Cao, S. S. Keerthi, C.-J. Ong, J. Q. Zhang, U. Periyathamby, X. J. Fu, and H. P. Lee, \Parallel sequential minimal optimization for the training of support vector machines," Neural Networks, IEEE Transactions on, vol. 17, pp. 1039{1049, July 2006.
CR  - T. He, Z. Dong, K. Meng, H. Wang, Y. Oh, Accelerating multi-layer perceptron based short term demand forecasting using graphics processing units, in: Transmission & Distribution Conference & Exposition: Asia and Pacific, 2009, IEEE, 2009, pp. 1–4.
CR  - Ruiz-Gonzalez, R.; Gomez-Gil, J.; Gomez-Gil, F.J.; Martínez-Martínez, V. An SVM-Based Classifier for Estimating the State of Various Rotating Components in Agro-Industrial Machinery with a Vibration Signal Acquired from a Single Point on the Machine Chassis. Sensors 2014, 14, 20713-20735.
CR  - Liu M., Wu C., (2003), “Scheduling algorithm based on evolutionary computing in identical parallel machine production line”, Robotics and Computer Integrated Manufacturing, 19, 6-7.
CR  - Lessmann, S., Stahlbock, R., and Crone, S. F.: Optimizing hyperparameters of support vector machines by genetic algorithms, In IC-AI, 74–82, 2005
CR  - Pourbasheer, E., Riahi, S., Ganjali, M. R., and Norouzi, P.: Application of genetic algorithm support vector machine (GA-SVM) for prediction of BK-channels activity, Euro. J. Medicinal Chem., 44, 5023–5028, 2009.
CR  - NVIDIA CUDA, https://docs.nvidia.com/cuda/, Erişim Tarihi: 10.12.2017
UR  - https://doi.org/10.29109/gujsc.388244
L1  - https://dergipark.org.tr/en/download/article-file/499166
ER  -