Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

The Haifa 2000 Workshop on ""Inherently Parallel Algorithms for Feasibility and Optimization and their Applications"" brought together top scientists in this area. The objective of the Workshop was to discuss, analyze and compare the latest developments in this fast growing field of applied mathematics and to identify topics of research which are of special interest for industrial applications and for further theoretical study. Inherently parallel algorithms, that is, computational methods which are, by their mathematical nature, parallel, have been studied in various contexts for m

Mathematical optimization --- Parallel algorithms --- Algorithms

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Die ersten Kapitel konzentrieren sich auf die Informatik und beinhalten informatische Grundbegriffe, Rechnerarchitekturen und ein Performancemodell, OpenMP als Programmierumgebung für Mehrkernrechner und MPI und PVM als Programmiermodelle für Rechner mit verteiltem Speicher. Anschließend werden mathematische Algorithmen, Performancebetrachtungen, Design paralleler Programme und Ausführungen zu Simulationsprogrammen aus den Ingenieur- und Naturwissenschaften gegenübergestellt. Die nächsten Kapitel sind Performancebetrachtungen und Parallelisierungsstrategien für mathematische Algorithmen gewidmet, bevor abschließend GPUs behandelt und Teile der zuvor erläuterten Algorithmen auf diese übertragen und diskutiert werden. Roter Faden durch das mit vielen Erläuterungen und Quelltextbeispielen angereicherte Buch ist die Performanceanalyse unterschiedlicher Speicherungstechniken von Feldern am Beispiel der algorithmischen Lösung linearer Gleichungssysteme. Dazu wird zunächst das Gaußsche Eliminationsverfahren auf ein Blockverfahren umgestellt und dieses mit sehr hoher Performance auf einem Mehrkernrechner parallelisiert. Bei der iterativen Lösung linearer Gleichungssysteme steht das konjugierte Gradienten-Verfahren und seine fein granulare Parallelisierung im Vordergrund. Besonderes Augenmerk richtet sich dabei auf die Matrix-Vektor-Multiplikation und die Abhängigkeit der Performance von der Speicherungstechnik der Matrix. Gebietszerlegungsmethoden zur Lösung linearer Gleichungssysteme bieten einen grob granularen Parallelisierungsansatz, der für das massiv parallele Rechnen der fein granularen Parallelisierung auf Schleifenebene überlegen ist.

Parallel processing (Electronic computers) --- Parallel algorithms. --- Algorithms --- High performance computing --- Multiprocessors --- Parallel programming (Computer science) --- Supercomputers

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Annotation

Computer Science --- Engineering & Applied Sciences --- Computer architecture. --- Parallel algorithms. --- Parallel programming (Computer science) --- Parallel programming (Computer science). --- COMPUTER SCIENCE/Programming Languages --- Architecture, Computer --- Computer programming --- Parallel processing (Electronic computers) --- Algorithms

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

This book presents an integrated collection of representative approaches for scaling up machine learning and data mining methods on parallel and distributed computing platforms. Demand for parallelizing learning algorithms is highly task-specific: in some settings it is driven by the enormous dataset sizes, in others by model complexity or by real-time performance requirements. Making task-appropriate algorithm and platform choices for large-scale machine learning requires understanding the benefits, trade-offs and constraints of the available options. Solutions presented in the book cover a range of parallelization platforms from FPGAs and GPUs to multi-core systems and commodity clusters, concurrent programming frameworks including CUDA, MPI, MapReduce and DryadLINQ, and learning settings (supervised, unsupervised, semi-supervised and online learning). Extensive coverage of parallelization of boosted trees, SVMs, spectral clustering, belief propagation and other popular learning algorithms and deep dives into several applications make the book equally useful for researchers, students and practitioners.

Machine learning --- Data mining --- Parallel algorithms --- Parallel programs (Computer programs) --- Apprentissage automatique --- Exploration de données (Informatique) --- Algorithmes parallèles --- Programmes parallèles (Logiciels) --- Exploration de données (Informatique) --- Algorithmes parallèles --- Programmes parallèles (Logiciels) --- Machine Learning --- Machine learning. --- Data mining. --- Parallel algorithms. --- Parallel computer programs --- Parallel processing (Electronic computers) --- Computer programs --- Algorithms --- Algorithmic knowledge discovery --- Factual data analysis --- KDD (Information retrieval) --- Knowledge discovery in data --- Knowledge discovery in databases --- Mining, Data --- Database searching --- Learning, Machine --- Artificial intelligence --- Machine theory

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Algorismes --- Simulació per ordinador --- Models per ordinador --- Simulació (Informàtica) --- Mètodes de simulació --- Models matemàtics --- Realitat virtual --- Sistemes virtuals (Informàtica) --- Fabricació integrada per ordinador --- Algorisme d'Euclides --- Algoritmes --- Àlgebra --- Algorismes computacionals --- Algorismes genètics --- Anàlisi numèrica --- Funcions recursives --- Programació (Matemàtica) --- Programació (Ordinadors) --- Teoria de màquines --- Traducció automàtica --- Parallel algorithms --- Computer simulation --- Algorithms