Dobývání akčních pravidel akcelerované pomocí GPU a frameworku hlubokého učení
| Název práce: | GPU-Accelerated Action Rule Mining with a Deep Learning Framework |
|---|---|
| Autor(ka) práce: | Hrdonka, Jan |
| Typ práce: | Bachelor thesis |
| Vedoucí práce: | Sýkora, Lukáš |
| Oponenti práce: | Máša, Petr |
| Jazyk práce: | English |
| Abstrakt: | This work focuses on a Python-based implementation of an action rule mining algorithm built on the Apriori principle, called Action-Apriori (Sýkora, 2024). The original implementation relied heavily on the Pandas library for data processing. In this work, Pandas was replaced with PyTorch, resulting in a significant performance improvement. The proposed solution also enables GPU acceleration, which is particularly beneficial for large datasets and improves scalability for computationally intensive workloads. Although the optimizations presented lead to substantial performance gains, further improve- ments remain possible. In particular, future work may explore alternative approaches to action rule mining based on different algorithmic paradigms that may offer better scalability or efficiency. |
| Klíčová slova: | Frequent Itemset Mining; Apriori; Action Rules; PyTorch; GPU Acceleration; CUDA; Parallel Computing |
| Název práce: | Dobývání akčních pravidel akcelerované pomocí GPU a frameworku hlubokého učení |
|---|---|
| Autor(ka) práce: | Hrdonka, Jan |
| Typ práce: | Bakalářská práce |
| Vedoucí práce: | Sýkora, Lukáš |
| Oponenti práce: | Máša, Petr |
| Jazyk práce: | English |
| Abstrakt: | Tato práce se zaměřuje na implementaci algoritmu pro dolování akčních pravidel v jazyce Python založenou na principu Apriori, nazývanou Action-Apriori (Sýkora, 2024). Původní implementace byla výrazně závislá na knihovně Pandas pro zpracování dat. V rámci této práce byla knihovna Pandas nahrazena frameworkem PyTorch, což vedlo k výraznému zlepšení výkonu. Navržené řešení zároveň umožňuje akceleraci pomocí GPU, která je přínosná zejména při zpracování rozsáhlých datových sad a zvyšuje škálovatelnost pro výpočetně náročné úlohy. Přestože prezentované optimalizace vedou k významnému zvýšení výkonu, stále existuje prostor pro další zlepšení. Budoucí práce se může zaměřit zejména na alternativní přístupy k dolování akčních pravidel založené na odlišných algoritmických paradigmatech, která mohou nabídnout lepší škálovatelnost a efektivitu. |
| Klíčová slova: | dolování frekventovaných množin položek; Apriori; akční pravidla; PyTorch; GPU akcelerace; CUDA; paralelní výpočty |
Informace o studiu
| Studijní program / obor: | Aplikovaná informatika |
|---|---|
| Typ studijního programu: | Bakalářský studijní program |
| Přidělovaná hodnost: | Bc. |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta informatiky a statistiky |
| Katedra: | Katedra informačního a znalostního inženýrství |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 22. 10. 2025 |
|---|---|
| Datum podání práce: | 11. 5. 2026 |
| Datum obhajoby: | 22. 6. 2026 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/94194/podrobnosti |