Paralelní implementace symbolické regrese
Parallel Implementation of Symbolic Regression
Typ dokumentu
diplomová prácemaster thesis
Autor
Malíček Tomáš
Vedoucí práce
Borovička Tomáš
Oponent práce
Stuchlík Ondřej
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra teoretické informatikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Svět kolem nás je plný neprozkoumaných dat. Tato diplomová práce se zaměřuje na jejich prozkoumání pomocí symbolické regrese, která je založena na hledání vzorečku nejlépe popisujícího hodnoty funkce použité pro vytvoření datasetu. Evoluční algoritmy, genetické programování a symbolická regrese a její užití jsou teoreticky popsány. Na základě teoretické části je navržena a implementována paralelní verze symbolické regrese pomocí genetického programování v jazyce Scala za užití clusterového enginu Apache Spark. Jsou provedeny experimenty stran škálovatelnosti navrženého řešení. Výsledky těchto experimentů ukazují, že symbolická regrese může být navrženou paralelní implementací významně urychlena. The world around us is full of unexplored data. This thesis focuses on their exploration using symbolic regression, which searches for a symbolic formula that best approximates values of the function used for the generation of the dataset. Evolutionary algorithms, genetic programming, and symbolic regression and its applications are theoretically described. Based on the description, a parallel implementation of symbolic regression using genetic programming is proposed. The program is implemented in the Scala language based on Apache Spark. Experiments about the scalability of the parallel implementation are performed. The results of these experiments show that the parallel implementation can significantly speed-up symbolic regression.
Kolekce
- Diplomové práce - 18101 [216]