Predicting sparse linear systems partition number using machinelearning
Makine öğrenmesi kullanarak seyrek doğrusal sistemler için bölüm sayısını tahmin etme
- Tez No: 898299
- Danışmanlar: DR. ÖĞR. ÜYESİ FAHREDDİN ŞÜKRÜ TORUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, bilim ve mühendislikte yaygın bir problem olan seyrek doğrusal sistemleri çözmek için bir makine öğrenimi yaklaşımı önermektedir. Yöntemimiz, blok Cimmino yöntemi için gereken optimal bölümlerin sayısını tahmin etmek amacıyla makine öğrenimini kullanmaktadır. Geleneksel yöntemler genellikle deneme yanılma yöntemine veya en iyi blok sayısını belirlemek için maksimum çekirdek sayısını bölüm olarak seçmeye dayanır. Ancak, eğitimli bir makine öğrenimi modeli kullanmak bu süreci ortadan kaldırır. Bu çalışmada, iki model sunuyoruz: biri, blok Cimmino yöntemi için AUC skoru %89 olan iki bölüm sayısını, diğeri ise AUC skoru %76 olan birden fazla bölüm sayısını tahmin ediyor. Bunu, literatürde daha önce tanımlanmış özellikleri kullanarak ve bunları yeni bir bağlamda uygulayarak başarıyoruz. Modellerimizi çeşitli matris setlerini kullanarak eğittik ve test ettik, özellik seçimini de dahil ederek, yerleşik özelliklerin yeni uygulamalarda kullanılmasının etkinliğini ve modelimizin seyrek doğrusal sistemlerin bölümlenmesi zorluklarını ele almaktaki sağlamlığını gösterdik. Önerdiğimiz yöntem, geleneksel yöntemlerden önemli ölçüde daha hızlı ve daha etkilidir.
Özet (Çeviri)
This thesis proposes a machine learning approach to solve sparse linear systems, a common problem in science and engineering. Our method uses machine learning to predict the optimal number of partitions needed for the block cimmino method. Traditional methods typically rely on trial and error or choosing the maximum number of cores as partitions to determine the best number of blocks. However, using a trained machine learning model eliminates this process. In this work, we present two models: one predicts two partition numbers with an AUC score of 89%, and the other predicts multiple partition numbers with an AUC score of 76% for the block cimmino method. We achieve this by using previously identified features in the literature and applying them in a novel context. We trained and tested our models using a diverse set of matrices, incorporating feature selection, demonstrating the effectiveness of leveraging established features in new applications and the robustness of our model in addressing the challenges of partitioning sparse linear systems. Our proposed method is faster and more effective than traditional methods.
Benzer Tezler
- On the numerical analysis of infinite multi-dimensional Markov chains
Sonsuz çok boyutlu Markov zincirlerinin sayısal çözümlemesi üzerine
MUHSİN CAN ORHAN
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUĞRUL DAYAR
- New adaptive algorithms for linear filtering and nonlinear prediction
Doğrusal süzgeçleme ve doğrusal olmayan öngörü için yeni uyarlanır algoritmalar
YASİN YILMAZ
Yüksek Lisans
İngilizce
2010
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SÜLEYMAN SERDAR KOZAT
- Bridging causal discovery and graph neural networks: a comparative perspective
Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı
MUHAMMED ÖMER TAYLAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. SEFER BADAY
- Sparse linear prediction models for radar imaging and classification
Radar hedef görüntüleme ve sınıflandırma için seyrek doğrusal öngörü modelleri
BAHAR ÖZEN
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Platform and data-aware execution of sparse triangular solve on CPU-GPU heterogeneous systems
Başlık çevirisi yok
NAJEEB AHMAD
Doktora
İngilizce
2021
Mühendislik BilimleriKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİDEM UNAT ERTEN