1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Ciência da Computação
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/43738
Full metadata record
DC FieldValueLanguage
dc.creatorPraxedes, Vinícius Henrique Almeida-
dc.date.accessioned2024-10-30T17:38:50Z-
dc.date.available2024-10-30T17:38:50Z-
dc.date.issued2024-04-25-
dc.identifier.citationPRAXEDES, Vinícius Henrique Almeida. Paralelização do Algoritmo K-means em GPUs NVIDIA Utilizando a Biblioteca Numba. 2024. 75 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2024.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/43738-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/us/*
dc.subjectK-meanspt_BR
dc.subjectagrupamento de dadospt_BR
dc.subjectGPGPUpt_BR
dc.subjectCUDApt_BR
dc.subjectNumbapt_BR
dc.subjectcomputação paralelapt_BR
dc.titleParalelização do algoritmo K-means em GPUs NVIDIA utilizando a biblioteca Numbapt_BR
dc.title.alternativeParallelization of the K-means algorithm in NVIDIA GPUs using the Numba librarypt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Abdala, Daniel Duarte-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0083781586520627pt_BR
dc.contributor.referee1Souza, Júlia Tannús de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1193382203067650pt_BR
dc.contributor.referee2Santos, Anderson Rodrigues dos-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3752226356973936pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/9814960769050389pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoO K-means é um algoritmo notório de agrupamento de dados que vem sendo usado extensivamente desde sua concepção no meio do século XX. Utilizando-o como exemplo de implementação, essa pesquisa visou implementar uma versão paralelizada, usando o processamento vetorial de uma GPU NVIDIA, para obter um ganho de performance significativo, sem afetar a precisão dos resultados. Buscou-se realizar essa implementação utilizando ferramentas de programação de mais alto-nível de abstração, especificamente a linguagem Python e as bibliotecas Numba, Numpy e Pandas, explorando a possibilidade de se atingir grandes aumentos em velocidade de execução sem abrir mão da facilidade de desenvolvimento proporcionada pelo Python, se comparada com a complexidade de realizar uma implementação equivalente em C++ utilizando a API CUDA diretamente. Foi constatada maior velocidade de execução em C++ se comparado ao Python em testes com implementações paralelas em GPU de soma de vetores unidimensionais com mais de 400 milhões de elementos, C++ sendo cerca de 22,63x mais rápido que Python. Não obstante, ao se testar implementações seriais e paralelas em Python do algoritmo k-means foram obtidos ganhos de performance dentro da magnitude esperada ao se comparar com resultados de outros trabalhos da literatura com objetivos semelhantes de otimização do k-means. Esses experimentos foram realizados utilizando cinco conjuntos de dados com o número de instâncias variando entre 3.810 e 13.932.632 e o número de features entre 3 a 50. Um aumento médio de peformance entre 9x a 42x foi atingido com sucesso sem prejudicar mensuravelmente a qualidade dos resultados, ao se comparar uma implementação serial em Python usando as bibliotecas Pandas e Numpy e uma paralela em Python usando, além dessas, a biblioteca Numba para rodar funções em uma GPU NVIDIA. Além disso foi observado que o ganho de performance tende a aumentar para conjuntos de dados maiores.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.sizeorduration75pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOpt_BR
dc.orcid.putcode170682511-
Appears in Collections:TCC - Ciência da Computação

Files in This Item:
File Description SizeFormat 
ParalelizaçãoAlgoritmoKmeans.pdfTCC4.56 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons