BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20220719T124149Z
LAST-MODIFIED:20220719T124149Z
DTSTAMP:20260909T123600Z
UID:1788946560@tuc.gr
SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ.
  Κονιδάρη Βησσαρίωνα-Μπέρτχολντ - Σχ
 ολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=5695&cHash=50fd4caee462cc0
 48714de304b1b0df0\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Μ
 εταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕ
 ΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n ΒΗΣΣΑΡΙΩΝ ΜΠΕ
 ΡΤΧΟΛΤ ΚΟΝΙΔΑΡΗ\n με θέμα\n Μεγάλης 
 κλίμακας συνεχής Μηχανική Μάθηση σε 
 πλατφόρμες επεξεργασίας ροών δεδομέν
 ων\n Extreme-Scale Online Machine Le
 arning on Stream Processing Platform
 s\n  \n Εξεταστική Επιτροπή\n Αναπλη
 ρωτής Καθηγητής Βασίλειος Σαμολαδάς 
 (επιβλέπων)\n Καθηγητής Μίνως Γαροφα
 λάκης\n Καθηγητής Μιχαήλ Λαγουδάκης\
 n \nΠερίληψη\n Οι αλγόριθμοι συνεχού
 ς μηχανικής μάθησης υποστηρίζουν την
  δυνατότητα εκπαίδευσης πάνω σε συνε
 χόμενες και απεριόριστες ροές δεδομέ
 νων, ενώ ταυτόχρονα είναι ικανοί να 
 παρέχουν προβλέψεις σε επιπλέον ροές
  δεδομένων χωρίς ετικέτες. Η αύξηση 
 του όγκου και της πολυπλοκότητας των
  ψηφιακών δεδομένων που παράγεται κα
 θημερινώς είναι εκρηκτική. Με τη παρ
 αγωγή τους να είναι κατανεμημένη, αδ
 ιάλειπτη και πρωτίστως μη στατική, ο
 ι αλγόριθμοι συνεχούς μηχανικής μάθη
 σης αποτελούν πια ουσιώδεις και αναγ
 καίες τεχνικές για τις σύγχρονες εφα
 ρμογές παροχής αναλύσεων και προβλέψ
 εων. Παρακινούμενοι από την χαμηλή υ
 ποστήριξη δημοφιλών προγραμματιστικώ
 ν εργαλείων σε θέματα συνεχούς μηχαν
 ικής μάθησης, υλοποιήσαμε το εργαλεί
 ο Online Machine Learning and Data M
 ining (OMLDM), ένα εργαλείο σύγχρονη
 ς τεχνολογίας ικανό να αναπτύξει κατ
 ανεμημένους αλγορίθμους συνεχούς μηχ
 ανικής μάθησης σε πλατφόρμες επεξεργ
 ασίας ροών δεδομένων. Για λόγους υψη
 λής απόδοσης, η υλοποίησή μας έγινε 
 πάνω σε μοντέρνα συστήματα ανάλυσης 
 μεγάλων δεδομένων όπως Apache Flink 
 και Apache Kafka, χρησιμοποιώντας τη
 ν αρχιτεκτονική του διακομιστή παραμ
 έτρων, ή αλλιώς το μοντέλο παραλληλι
 σμού δεδομένων. Παρατηρήσαμε πως η δ
 ικτυακή επικοινωνία για τον συγχρονι
 σμό παράλληλων μοντέλων αποτελεί το 
 μεγαλύτερο εμπόδιο για την αύξηση το
 υ παραλληλισμού των εν λόγο συστημάτ
 ων. Για αυτό το λόγο, υλοποιήσαμε στ
 ο εργαλείο OMLDM μια πληθώρα από μον
 τέρνες τεχνικές συγχρονισμού κατανεμ
 ημένων μοντέλων. Επιπροσθέτως, παρου
 σιάζουμε μέσω του εργαλείου μια καιν
 ούργια τεχνική συγχρονισμού, την Fun
 ctional Dynamic Averaging (FDA), για
  την οποία αποδεικνύουμε πειραματικά
  ότι ελαχιστοποιεί την επικοινωνία μ
 εταξύ κατανεμημένων μοντέλων διατηρώ
 ντας υψηλή απόδοση προβλέψεων.\n \nA
 bstract\n Online Machine Learning (O
 ML) techniques support training over
  continuous unbounded training items
  while simultaneously providing pred
 ictions on the same or another unlab
 eled stream. The explosion in the am
 ount and complexity of digital infor
 mation generated online is gradually
  rendering OML techniques essential 
 for modern analytics and forecasting
  applications due to their ability t
 o handle massive, unbounded, and mos
 t importantly, inherently not-static
  data. Having noted that support for
  popular Machine Learning (ML) toolc
 hains is somewhat weak for the OML s
 etting, we have designed the Online 
 Machine Learning and Data Mining (OM
 LDM) component, a state-of-the-art e
 ngine for effortlessly deploying OML
  pipelines on streaming platforms. O
 ur prototype, built on Apache Flink,
  validates our architecture, and ide
 ntifies issues that current streamin
 g platforms should improve on to sup
 port OML. To achieve high performanc
 e, OMLDM supports distributed online
  learning by utilizing the Parameter
  Server paradigm. We have identified
  the communication cost of synchroni
 zing distributed learners as the maj
 or impediment to scalability. To ove
 rcome this obstacle, our proposed en
 gine supports several popular model 
 synchronization strategies. In addit
 ion, we bring forward and evaluate a
  novel synchronization strategy, Fun
 ctional Dynamic Averaging (FDA), tha
 t minimizes the prediction loss and 
 network communication all at once. W
 e demonstrate through experiments th
 at FDA is superior to current model 
 synchronization strategies in many s
 ettings.\n  \n Meeting ID: 947 4702 
 6504\nPassword: 186020\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20220721T093000
DTEND:20220721T103000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR