GPU-Accelerated Action Rule Mining with a Deep Learning Framework
| Thesis title: | GPU-Accelerated Action Rule Mining with a Deep Learning Framework |
|---|---|
| Author: | Hrdonka, Jan |
| Thesis type: | Bachelor thesis |
| Supervisor: | Sýkora, Lukáš |
| Opponents: | Máša, Petr |
| Thesis language: | English |
| Abstract: | 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. |
| Keywords: | Frequent Itemset Mining; Apriori; Action Rules; PyTorch; GPU Acceleration; CUDA; Parallel Computing |
| Thesis title: | Dobývání akčních pravidel akcelerované pomocí GPU a frameworku hlubokého učení |
|---|---|
| Author: | Hrdonka, Jan |
| Thesis type: | Bakalářská práce |
| Supervisor: | Sýkora, Lukáš |
| Opponents: | Máša, Petr |
| Thesis language: | English |
| Abstract: | 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. |
| Keywords: | dolování frekventovaných množin položek; Apriori; akční pravidla; PyTorch; GPU akcelerace; CUDA; paralelní výpočty |
Information about study
| Study programme: | Aplikovaná informatika |
|---|---|
| Type of study programme: | Bakalářský studijní program |
| Assigned degree: | Bc. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Information and Knowledge Engineering |
Information on submission and defense
| Date of assignment: | 22. 10. 2025 |
|---|---|
| Date of submission: | 11. 5. 2026 |
| Date of defense: | 22. 6. 2026 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/94194/podrobnosti |