Tesi etd-10262022-215344
Link copiato negli appunti
Tipo di tesi
Corso Ordinario Secondo Livello
Autore
MANCINI, RICCARDO
URN
etd-10262022-215344
Titolo
High Performance implementation of Self Organizing Maps on multiprocessor and GPU architectures
Struttura
Cl. Sc. Sperimentali - Ingegneria
Corso di studi
INGEGNERIA - INGEGNERIA
Commissione
relatore Prof. CUCINOTTA, TOMMASO
Presidente Prof. AVIZZANO, CARLO ALBERTO
Membro Dott. LEONARDIS, DANIELE
Membro Prof. CIPRIANI, CHRISTIAN
Membro Prof. DI PASQUALE, FABRIZIO CESARE FILIPPO
Membro Prof. FORESTIERI, ENRICO
Membro Prof.ssa MENCIASSI, ARIANNA
Membro Prof. MICERA, SILVESTRO
Membro Prof. VITIELLO, NICOLA
Membro Prof. ABENI, LUCA
Membro Prof. BIONDI, ALESSANDRO
Membro Dott.ssa COLLA, VALENTINA
Presidente Prof. AVIZZANO, CARLO ALBERTO
Membro Dott. LEONARDIS, DANIELE
Membro Prof. CIPRIANI, CHRISTIAN
Membro Prof. DI PASQUALE, FABRIZIO CESARE FILIPPO
Membro Prof. FORESTIERI, ENRICO
Membro Prof.ssa MENCIASSI, ARIANNA
Membro Prof. MICERA, SILVESTRO
Membro Prof. VITIELLO, NICOLA
Membro Prof. ABENI, LUCA
Membro Prof. BIONDI, ALESSANDRO
Membro Dott.ssa COLLA, VALENTINA
Parole chiave
- cupy
- gp-gpu
- kohonen maps
- numpy
- python
- self-organizing maps
Data inizio appello
14/12/2022;
Disponibilità
completa
Riassunto analitico
Self Organizing Maps (SOMs) are a kind of unsupervised, shallow, artificial neural networks, built on top of the competitive learning principle and typically employed for clustering, dimensionality reduction and high-dimensional data visualization.
In this work, a novel, high-performance, and parallel implementation of SOM is designed, implemented, and evaluated on openly available datasets.
In this work, a novel, high-performance, and parallel implementation of SOM is designed, implemented, and evaluated on openly available datasets.
File
| Nome file | Dimensione |
|---|---|
Ci sono 1 file riservati su richiesta dell'autore. |
|