📄Работа №131193
Тема: Использование IBM Bluemix — инструментария для создания систем управления большими данными
Тип работы
Бакалаврская работа
Предмет
база данных
Объем:
65 листов
Год:
2016
Просмотров:
113
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 3
ПОСТАНОВКА ЗАДАЧИ 5
ОБЗОР ЛИТЕРАТУРЫ 5
ГЛАВА 1. Программы по развитию нейроморфных вычислений 10
1.1. DARPA SyNAPSE 10
1.1.1. Предпосылки создания 11
1.1.2. Результаты 13
1.2. The Human Brain Project 26
ГЛАВА 2. Сравнительный анализ нейроморфных архитектур 29
2.1. HiCANN 29
2.2. SpiNNaker 30
2.3. Нейроморфная архитектура HRL 31
2.4. Neurogrid 32
2.5. TrueNorth 33
ГЛАВА 3. Рабочая станция разработки нейронных сетей 34
3.1. Нейросинаптический суперкомпьютер IBM NS16e 34
3.2. Создание корпуса NS16e 44
3.3. NS16e как рабочая станция разработки нейронных сетей 47
3.4. Как программировать нейросинаптический суперкомпьютер 50
3.4.1. Набор данных и предобработка 52
3.4.2. Обучение и Corelet 53
3.4.3. Плейсер 53
3.4.4. Тестовое приложение 54
3.5. Конечная конфигурация оборудования 55
ВЫВОДЫ 57
ЗАКЛЮЧЕНИЕ 58
Список литературы и источников 58
Рекомендуемые энциклопедические статьи 62
ПОСТАНОВКА ЗАДАЧИ 5
ОБЗОР ЛИТЕРАТУРЫ 5
ГЛАВА 1. Программы по развитию нейроморфных вычислений 10
1.1. DARPA SyNAPSE 10
1.1.1. Предпосылки создания 11
1.1.2. Результаты 13
1.2. The Human Brain Project 26
ГЛАВА 2. Сравнительный анализ нейроморфных архитектур 29
2.1. HiCANN 29
2.2. SpiNNaker 30
2.3. Нейроморфная архитектура HRL 31
2.4. Neurogrid 32
2.5. TrueNorth 33
ГЛАВА 3. Рабочая станция разработки нейронных сетей 34
3.1. Нейросинаптический суперкомпьютер IBM NS16e 34
3.2. Создание корпуса NS16e 44
3.3. NS16e как рабочая станция разработки нейронных сетей 47
3.4. Как программировать нейросинаптический суперкомпьютер 50
3.4.1. Набор данных и предобработка 52
3.4.2. Обучение и Corelet 53
3.4.3. Плейсер 53
3.4.4. Тестовое приложение 54
3.5. Конечная конфигурация оборудования 55
ВЫВОДЫ 57
ЗАКЛЮЧЕНИЕ 58
Список литературы и источников 58
Рекомендуемые энциклопедические статьи 62
📖 Введение
Сегодня Facebook, Google и другие технологические компании решают множество интеллектуальных задач, применяя традиционные компьютеры и чипы. Рано или поздно они сталкиваются с «бутылочным горлышком» в пропускной способности и производительности своих систем, особенно если существует острая необходимость в обучении нейронных сетей (время обучения может отнимать дни и недели). Вся индустрия электроники ищет пути решения данной проблемы.
Традиционным подходом принято считать эксплуатацию и модификацию современных систем и чипов до тех пор, пока их производительность не будет достигать предела. Другой подход, нетрадиционный, ищет возможности в вычислениях, вдохновленных человеческим мозгом, нейроморфных вычислениях.
Идея нейроморфных вычислений (neuromorphic computing) была предложена инженером Карвером Мидом (Carver Mead) [1] в 80-х гг. прошлого века и заключалась в применении искусственных нейронных сетей в комбинации со специализированными чипами, архитектура которых напоминала бы структуру человеческого мозга и являлась бы аппаратной поддержкой нейронных сетей.
Такие чипы должны резко увеличить производительность нейронных сетей и буквально совершить прорыв в областях их применения:
• Финансы: предсказание кредитного рейтинга, банкротства; определение мошенничества; определение платежеспособности клиентов; прогноз цен; прогноз экономических показателей.
• Медицина: постановка диагноза; определение стоимости лечения.
• Промышленность: контроль процессов; контроль качества; предсказание температуры и силы.
• Анализ данных: предсказание; классификация; обнаружение отклонений; анализ временных рядов; извлечение знаний.
• Маркетинг: предсказание продаж; целевой маркетинг.
• Операционный анализ: оптимизация инвентаря; оптимизация расписаний; принятие решений.
• HR (Human Resources): отбор кандидатов; составление расписаний; профилирование персонала.
• Энергетика: предсказание нагрузки на электросети; предсказание потребностей в энергии; предсказание цены на бензин/уголь; системы контроля энергии; мониторинг гидроэлектростанций.
• Наука: определение паттернов; определение веществ; моделирование физических систем; оценка экосистем; ботаническая классификация; обработка сигналов; анализ биологических систем.
• Образование: обучающие нейронные сети; оценка работ обучающихся; предсказание производительности студентов.
• Другое: спортивные ставки; разработка видеоигр; транспортные проблемы.
Ключевым аспектом нейроморфных вычислений является понимание того, как комбинация индивидуальных нейронов, микросхем, приложений, архитектур создает желаемые вычисления, влияет на представление информации, устойчивость к повреждениям, сочетает обучение и разработку, адаптируется к локальным изменениям (свойство пластичности) и совершает эволюционные преобразования.
Нейроморфные вычисления являются междисциплинарным предметом, сочетающим биологию, физику, математику, компьютерные науки, электронику, чтобы создавать нейронные системы, системы компьютерного зрения, слуховые процессоры, автономных роботов, физическая архитектура и дизайнерские решения которых основаны на принципах биологических систем. [2]
Традиционным подходом принято считать эксплуатацию и модификацию современных систем и чипов до тех пор, пока их производительность не будет достигать предела. Другой подход, нетрадиционный, ищет возможности в вычислениях, вдохновленных человеческим мозгом, нейроморфных вычислениях.
Идея нейроморфных вычислений (neuromorphic computing) была предложена инженером Карвером Мидом (Carver Mead) [1] в 80-х гг. прошлого века и заключалась в применении искусственных нейронных сетей в комбинации со специализированными чипами, архитектура которых напоминала бы структуру человеческого мозга и являлась бы аппаратной поддержкой нейронных сетей.
Такие чипы должны резко увеличить производительность нейронных сетей и буквально совершить прорыв в областях их применения:
• Финансы: предсказание кредитного рейтинга, банкротства; определение мошенничества; определение платежеспособности клиентов; прогноз цен; прогноз экономических показателей.
• Медицина: постановка диагноза; определение стоимости лечения.
• Промышленность: контроль процессов; контроль качества; предсказание температуры и силы.
• Анализ данных: предсказание; классификация; обнаружение отклонений; анализ временных рядов; извлечение знаний.
• Маркетинг: предсказание продаж; целевой маркетинг.
• Операционный анализ: оптимизация инвентаря; оптимизация расписаний; принятие решений.
• HR (Human Resources): отбор кандидатов; составление расписаний; профилирование персонала.
• Энергетика: предсказание нагрузки на электросети; предсказание потребностей в энергии; предсказание цены на бензин/уголь; системы контроля энергии; мониторинг гидроэлектростанций.
• Наука: определение паттернов; определение веществ; моделирование физических систем; оценка экосистем; ботаническая классификация; обработка сигналов; анализ биологических систем.
• Образование: обучающие нейронные сети; оценка работ обучающихся; предсказание производительности студентов.
• Другое: спортивные ставки; разработка видеоигр; транспортные проблемы.
Ключевым аспектом нейроморфных вычислений является понимание того, как комбинация индивидуальных нейронов, микросхем, приложений, архитектур создает желаемые вычисления, влияет на представление информации, устойчивость к повреждениям, сочетает обучение и разработку, адаптируется к локальным изменениям (свойство пластичности) и совершает эволюционные преобразования.
Нейроморфные вычисления являются междисциплинарным предметом, сочетающим биологию, физику, математику, компьютерные науки, электронику, чтобы создавать нейронные системы, системы компьютерного зрения, слуховые процессоры, автономных роботов, физическая архитектура и дизайнерские решения которых основаны на принципах биологических систем. [2]
✅ Заключение
В России, к сожалению, нет масштабных проектов по поддержке нейроморфных вычислений.
Последняя нейроморфная архитектура под названием NeuroMatrix была разработана еще в 90-х годах, но тем не менее чипы на ее основе по-прежнему производятся.
В данной работе были рассмотрены программы и разработки в области нейроморфных архитектур. Был проведен сравнительный анализ пяти самых распространенных архитектур и на основе самой эффективной было подобрано соответствующее решение в качестве рабочей станции для разработки нейронных сетей.
Последняя нейроморфная архитектура под названием NeuroMatrix была разработана еще в 90-х годах, но тем не менее чипы на ее основе по-прежнему производятся.
В данной работе были рассмотрены программы и разработки в области нейроморфных архитектур. Был проведен сравнительный анализ пяти самых распространенных архитектур и на основе самой эффективной было подобрано соответствующее решение в качестве рабочей станции для разработки нейронных сетей.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.