Vývoj paralelních algoritmů pro strojové učení na GPU

Abstract

Tato práce se zaměřuje na vývoj paralelních algoritmů pro strojové učení na GPU. V práci je podrobně popsána architektura umělých neuronových sítí a vybrané algoritmy tradičního strojového učení. Dále je popsán vývoj knihovny pro snadnou konstrukci umělých neuronových sítí a jejich následné paralelní učení na GPU nebo CPU pomocí algoritmu backpropagation. Součástí je testování implementované knihovny na nejznámějších veřejných datasetech.

This thesis focuses on a development of parallel algorithms of machine learning executing on a GPU. It describes neural network architecture in a great detail as well as selected models of the conventional machine learning. Furthermore, it describes development of a library for simple construction and consecutive parallel training on a GPU or CPU, using backpropagation algorithm. Eventually, the implemented library is tested on the most popular public datasets.