1. SISN
  2. All Volumes and Issues
  3. Volume 699, 2011
  4. Обчислювальні аспекти аналізу даних на основі карт Кохонена

Обчислювальні аспекти аналізу даних на основі карт Кохонена

SISN.
2011;
Volume 699, Number 1
: cc. 63 - 72

Годич О. В. Обчислювальні аспекти аналізу даних на основі карт Кохонена / О. В. Годич, М. В. Давидов, Ю. В. Нікольський, В. В. Пасічник, Ю. М. Щербина // Вісник Національного університету "Львівська політехніка". – 2011. – № 699: Інформаційні системи та мережі. – С. 63–72. – Бібліографія: 20 назв.

Authors: 

Годич О. В., Давидов М. В., Нікольський Ю. В., Пасічник В. В., Щербина Ю. М.

The trends of the past decade in architecture of the central processing unit show a clear direction towards multi-core processors with the number of cores increasing every eighteen months according to the Moore’s law. The shift from fast single-core to slower multi-core CPUs poses a question of scalability for a vast class of computational algorithms including algorithm used for data analysis. This paper presents the research result of using state of the art parallelisation programming paradigms to scale data analysis processes based on Self-Organising Maps.

self-organising maps
parallel computations
data analysis

1. Kohonen T. Self-Organizing Maps / T. Kohonen. — Springer, 2001. — 521 p.
2. Ritter H. Neural Computation and Self-Organizing Maps: An introduction / H. Ritter, T. Martinetz, K. Schulten. — Addison Wasley, 1992. — 350 p.
3. Годыч О.В. Исследование эффективности алгоритмов обучения нейросетей Кохонена / О. В. Годыч, В. В. Пасичник, Ю.В. Никольский, Ю.Н. Щербина // Управляющие системы и машины. — К., 2006. — № 2. — С. 63–80.
4. Нodych O. Synthesis of selforganizing map and feedforward neural network for better forecasting / O. Hodych, Y. Shcherbyna, M. Zylan // International Journal of Computing. — 2004. — Vol. 3, no. 3. — P. 68–75.
5. Годич О. Застосування штучної нейронної мережi типу SOM для розв’язування задачi дiагностування / О. Годич, Ю. Нiкольський, Ю. Щербина // Вiсник Нацiонального ун-ту «Львiвська полiтехнiка», Iнформацiйнi системи та мережi. — 2002. — № 464. — С. 31–43.
6. Hodych O. SOM-based dynamic image segmentation for sign language training simulator / O. Hodych, K. Hushchyn, I. Nikolski, V. Pasichnyk, Y. Shcherbyna // Information Systems: Modeling, Development, and Integration / Ed. by W. van der Aalst, J. Mylopoulos, N. M. Sadeh, M. J. Shaw, C. Szyperski. — Berlin: Springer Berlin Heidelberg, 2009. — Vol. 20 of Lecture Notes in Business Information Processing. — P. 29–40.
7. Годич О. Українська жестова мова: комп’ютерно-лiнгвiстичний аспект: моногр. / О. Годич, М. Давидов, Ю. Нiкольський, В. Пасiчник, Ю. Щербина. — Львiв: Лiтературна агенцiя «Пiрамiда», 2009. — 253 с.
8. Годич О. Навчання SOM методом нейронної мiграцiї / О. Годич // Вiсник Нацiонального ун-ту «Львiвська полiтехнiка», Iнформацiйнi системи та мережi. — 2004. — № 519. — С. 55–72.
9. Годич О. Кластеризацiя даних нейромережею ADD / О. Годич // Вiсник Нацiонального ун-ту «Львiвська полiтехнiка», Iнформацiйнi системи та мережi. — 2005. — № 549. — С. 54–68.
10. Rauber A. parSOM: A Parallel Implementation of the Self-Organizing Map Exploiting Cache Effects: Making the SOM Fit for Interactive High-Performance Data Analysis / A. Rauber, P. Tomsich, D. Merkl // Neural Networks, IEEE — INNS — ENNS International Joint Conference on. — 2000. — Vol. 6. — P. 61–77.
11. Garcı́a C. A speculative parallel algorithm for self-organizing maps / C. Garcı́a M. Prieto, A. D. Pascual-Montano // PARCO. — 2005. — P. 615–622.
12. Hämäläinen Timo D. Parallel implementation of self-organizing maps / Timo D. Hämäläinen // Self-Organizing Neural Networks: Recent Advances and Applications/ Ed. by Udo Seiffert, Lakhmi C. Jain — Springer-Verlag New York, Inc., 2002. — P. 245–278.
13. Lawrence R. D. A Scalable Parallel Algorithm for Self-Organizing Maps with Applications to Sparse Data Mining Problmes / R. D. Lawrence, G.S. Almasi, H.E. Rushmeier — 1998. — 27 p. — [Електронний ресурс]: http://www.research.ibm.com/dar/papers/pdf/scalableSOM.pdf
14. Odersky M. Event-based programming without inversion of control / M. Odersky // In Proc. Joint Modular Languages Conference (2006), Springer LNCS. — Springer, 2006. — P. 4–22.
15. Odersky M. Actors that unify threads and events / M. Odersky // In International Conference on Coordination Models and Languages, LNCS. — Springer-Verlang, 2007. — P. 171–190.
16. Odersky M. Programming in Scala: A Comprehensive Step-by-step Guide / M. Odersky, L. Spoon, B. Venners. — 1st edition. — Artima Inc, 2008. — 776 p.
17. Wampler D. Programming Scala: Scalability = Functional Programming+ Objects / D. Wampler, A. Payne. — 1st edition. — O’Reilly Media, 2009. — 448 p.
18. Dean J. Mapreduce: simplified data processing on large clusters / J. Dean, S. Ghemawat // Commun. ACM. — 2008. — Vol. 51, no. 1. — P. 107–113.
19. Goetz B. Java Concurrency in Practice / B. Goetz, T. Peierls, J. Bloch. — Addison-Wesley Professional, 2006. — 384 p.
20. Asuncion A. UCI machine learning repository. — 2007. — [Електронний ресурс]: http://archive.ics.uci.edu/ml.