Journal: Elsevier 2017,
کلان داده (یا داده های بزرگ) با داده های در حال رشد پیچیده با حجم بزرگ در ارتباط است. در راستای توسعه ی سریع ذخیره سازی و شبکه داده ها، سازمان ها، مجموعه داده های در حال رشد بزرگ را جمع آوری می کنند که می توانند اطلاعات مفیدی به همراه داشته باشند. به منظور استخراج اطلاعات از این مجموعه داده ها در زمان مفید، استفاده از الگوریتم های توزیع شده و موازی، حائز اهمیت است. یک کاربرد رایج کلان داده، یادگیری ماشین است که در آن داده های جمع آوری شده برای پیش بینی رفتار آینده استفاده می شوند. یادگیری عمیق با استفاده از شبکه های عصبی مصنوعی، یکی از روش های رایج برای استخراج اطلاعات از مجموعه داده های پیچیده است. یادگیری عمیق، قادر به ایجاد مدل های پیچیده تر از تکنیک های یادگیری ماشین احتمالی سابق است. این تحقیق، یک راهنمای مرحله به مرحله در مورد نحوه ی نمونه سازی کاربرد یادگیری عمیق ارائه می کند که بر روی هر دو کلاستر GPU و CPU اجرا می شود. پایتون و Redis، ابزارهای پشتیبان هسته ای این راهنما هستند. این آزمایش، این امکان را به خواننده خواهد داد تا مبانی ساخت کاربرد GPU توزیع شده با کارایی بالا را در چند ساعت درک کند. از آنجاییکه به هیچ برنامه کاربردی یا چارچوب یادگیری عمیق وابسته نیستیم - از بلوک های ساخت سطح پایین استفاده می کنیم – این آموزش می تواند برای هر الگوریتم موازی دیگری که ممکن است خواننده بخواهد تا روی کلان داده نمونه سازی کند، تنظیم شود. در نهایت، در مورد نحوه ی انتقال از یک نمونه اولیه به برنامه کاربردی تولیدی نوظهور بحث خواهیم کرد.