Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"
-
Upload
andrew-edberg -
Category
Technology
-
view
175 -
download
0
description
Transcript of Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"
![Page 1: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/1.jpg)
Apresentação de Artigo
GPU-NB: A Fast CUDA-based
Implementation of Naive Bayes
Universidade Federal do ParáInstituto de Tecnologia
Programa de Pós-Graduação em Engenharia Elétrica
Equipe:Aline LimaAndrew EdbergRodrigo Lisbôa
Professor:Dr. Ádamo Santana
Disciplina:Inteligência Computacional
![Page 2: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/2.jpg)
Dados do Artigo
• Título Original:– GPU-NB: A Fast CUDA-based Implementation of Naive Bayes.
• Título em Português:– GPU-NB: A Rápida Implementação da Naive Bayes baseada em
CUDA.
• Autores:– Viegas, F. et al. (Brazil).
• Revista (publicação em October 2013):– Computer Architecture and High Performance Computing.
• IEEE Transaction on Parallel and Distributed Systems.
• Qualis CAPES:– A1 (Ciência da Computação e Engenharias IV), A2
(Interdisciplinar), B3 (Ciências Biológicas I).
2
![Page 3: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/3.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
3
![Page 4: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/4.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
4
![Page 5: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/5.jpg)
1. Introdução
• O aumento da WEB 2.0 democratizou o acesso à
informação.
– Velocidade (acesso) versus Volume (documentos).
• Isto deu origem a um fenômeno interessante:– Os dados, atualmente, não são efetivamente analisados sem a
ajuda de ferramentas automáticas sofisticadas.
– Técnicas como aprendizagem de máquina e mineração de
dados/texto são aplicadas pelas ferramentas.
• Classificação Automática de Documentos (ADC).
• Estes algoritmos são, ainda, um desafio computacional,
devido ao volume de dados que tem de ser processado.5
![Page 6: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/6.jpg)
1. Introdução
• Mineração de Dados¹:– Processo de extração de conhecimentos significativos.
– Uma quantidade de dados é analisada.
¹D. Kumarihamy and L. Arundhati, “Implementing data mining algorithms using NVIDIA CUDA,” 2009. [Online].
Available: http://hdl.handle.net/1900.100/3013. 6
Figura. Figura representando o processo de KDD (Knowledge Discovery in Databases).
?Classificação
![Page 7: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/7.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
7
![Page 8: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/8.jpg)
2. Problema
• Classificação²:
– Prediz um item de uma classe.• O valor de uma classe, dado um conjunto de dados, é previsto com
base nos valores dos seus outros atributos.
• Para resolver o problema, utiliza-se o NB³ (Naive Bayes).
• Desempenho:
– Aceleração do NB na GPU para classificação
probabilística.• Aplicação do paradigma do paralelismo.
²C. Kruengkrai and C. Jaruskulchai, “A parallel learning algorithm for text classification,” in Proceedings of the
eighth ACM SIGKDD international conference on Knowledge discovery and data mining, ser. KDD ’02. New York,
NY, USA: ACM, 2002, pp. 201–206. [Online]. Available: http://doi.acm.org/10.1145/775047.775077.
³D. Lowd and P. Domingos, “Naive bayes models for probability estimation,” in Proceedings of the 22nd
international conference on Machine learning. ACM, 2005, pp. 529–536..
8
![Page 9: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/9.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
9
![Page 10: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/10.jpg)
3. Como o problema é tratado?
• Contribuição do trabalho:
– Melhoria na eficiência do modelo: Lógica e
Representação.
1. É proposto o GPU-NB para Classificação Automática
de Documentos.
– Uma versão paralela do NB que utiliza unidades de
processamento gráfico (GPUs).
– A GPU acelera o algoritmo Multinomial NB para a
classificação probabilística.
10
![Page 11: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/11.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
11
![Page 12: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/12.jpg)
4. Abordagem proposta
• Arquitetura Compute Unified Device Architecture e GPU:
12Figura. Arquitetura simplificada das GPUs NVIDIA com suporte à CUDA.
Figura. GPU – Acesso à memória.
Núcleo CUDA:SP: Processadores Compartilhados
![Page 13: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/13.jpg)
4. Abordagem proposta
• O algoritmo NB é baseado em modelos probabilísticos
que calculam a pontuação de uma classe ci como a
probabilidade de um documento dt a ser atribuído a ci.
• Com base nesta pontuação, um ranking das classes é
criado e o Naive Bayes classifica o dt na classe, na
primeira posição da classificação.
• Seja P(ci|dt) a probabilidade de um documento de teste
dt(a1, a2, ..., aj) pertence à classe ci, onde (a1, a2, ..., aj) é
um vetor (binário ou ponderada) que representa os
termos documento dt.
13
![Page 14: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/14.jpg)
4. Abordagem proposta
• A pontuação de uma classe é calculada, usando o
teorema de Bayes:
• O cálculo P(ci|dt) tem um alto custo computacional dado
que o número de possíveis vetores dt também é muito
elevado.
• Consequêntemente, o algoritmo NB atenua os
problemas assumindo que a ocorrência de todos os
termos são independentes.14
Classe
Documento
![Page 15: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/15.jpg)
4. Abordagem proposta
• Para tornar o processo de classificação mais viável,
calcula-se a probabilidade de cada termo aj
independentemente:
• Há, na literatura, duas abordagens principais para a
execução do algoritmo.
1. Bernoulli: abordagem mais apropriada para um número
fixo de atributos.
2. Multinomial: representa um documento como um
vetor de frequências das palavras no texto.
15
![Page 16: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/16.jpg)
4. Abordagem proposta
• Observando (2), nota-se que uma questão fundamental
na definição de P(ci|dt), pois é como estimar P(aj|ci).
• Para evitar inconsistências (por exemplo, divisão por
zero), usa-se o teorema de Laplace.
16
Somatório dos nº de ocorrências de todosos termos em documentos da classe ci.
Número de ocorrências de aj na classe ci.
Consiste na adição de 1, nonumerador e no denominador.
Vocabulário
![Page 17: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/17.jpg)
4. Abordagem proposta
• Na ADC, o objetivo é encontrar a classe "mais
adequada" para um documento.
– Utilizando a NB, dá-se pela maior probabilidade condicional da
classe ci para um determinado documento dt.
• Adota-se, então, a soma dos logaritmos em vez de uma
simples multiplicação de probabilidades.
– Para evitar que as probabilidades dos documentos com
um grande número de termos tornem-se próximo de zero.
• A maximização realizada na maioria das
implementações NB é:
17
![Page 18: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/18.jpg)
4. Abordagem proposta
• As fases de treinamento e classificação NB são
evidenciadas no Algoritmo 1.
18
![Page 19: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/19.jpg)
4. Abordagem proposta
• Fase de Treinamento:
19
![Page 20: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/20.jpg)
4. Abordagem proposta
• Fase de Teste:
20
![Page 21: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/21.jpg)
4. Abordagem proposta
• Paralelização da NB: GPU-NB.
– Dois vetores foram utilizados:
– Em TermIndexVector o índice representa o termo e cada posição
do vetor contém a posição no DocTermVector, que é onde
seninicia a lista de termos para determinado documento.21
Figura . Estrutura de dados que representa os documentos de uma coleção.
Representa os termos.
Armazena listas de documentosem que cada termo aparece.
![Page 22: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/22.jpg)
22Figura . Computação e transferências de dados em GPU-NB.
![Page 23: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/23.jpg)
23
Calculo da frequência dos termos.
Calculo das probabilidades dos termos nas classes.
Classificação dos documentos testados.
Figura . Computação e transferências de dados em GPU-NB.
O documento é classificado, com base na classe com maior probabilidade final.
![Page 24: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/24.jpg)
4. Abordagem proposta
• Paralelização da NB: Implementação na CPU.
– Não é o foco principal do trabalho, porém foi desenvolvido
para embasar a comparação com o algoritmo GPU-NB
proposto.
– Implementado em C++, com a paralelização de memória
compartilhada usando a biblioteca OpenMP.
– O código foi organizado com os mesmos passos
destacados.
24
![Page 25: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/25.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
25
![Page 26: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/26.jpg)
5. Resultados e discussões
• Os resultados experimentais foram realizados a fim de
avaliar a eficácia e a eficiência do algoritmo GPU-NB.
– Os resultados foram comparados com as implementações
do algoritmo Naive Bayes (sequencial e paralelo).
• Plataforma de hardware:• PC com processador Intel Core I7-2600 CPU em 3,40 GHz, com
HyperThreading, 16GB de memória principal.
• Placa gráfica GeForce GT520 2GB.
26
![Page 27: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/27.jpg)
5. Resultados e discussões
• Seis bibliotecas digitais reais foram usadas.
1. Medline (MedLine).
2. Reuters (Reuters_ny).
3. ACM digital (ACM).
4. Produtos avaliados da Amazônia (acl_bin).
5. Newsgroups (20ng).
6. World Wide Knowledge Base Project (Webkb).
27
![Page 28: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/28.jpg)
5. Resultados e discussões
• Coleções de Documentos:
• Nº Classes, Nº Atributos, Nº Documentos e Densidade (Nº
médio de ocorrências de termos por documento).
28
![Page 29: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/29.jpg)
5. Resultados e discussões
• Eficácia do algoritmo proposto:
• São usadas duas métricas:
– Mic.F1: Mede a eficácia global em termos das decisões
tomadas pelo classificador (a inversa da taxa de erro).
– Mac.F1: Mede a eficácia da classificação dentro de cada
classe de forma independente (calculando a média
harmônica de precisão e de recolha para cada classe).
• As métricas são calculados para cada um dos k conjuntos
de teste.
29
![Page 30: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/30.jpg)
5. Resultados e discussões
30
• Eficácia do algoritmo proposto:
• Todos os resultados apresentados são as médias de 10
execuções dos algoritmos.
– Técnica usada: k-fold cross-validation, com k=10 para
cada combinação da coleção e do algoritmo.
– Quando uma subcoleção k é usada como conjunto de teste,
as restantes (k-1) são utilizadas como conjunto de
treinamento.
– Após todas as execuções, os indicadores são calculados
independentemente.
– Por fim, é calculada a média para uma avaliação mais
confiável à qualidade da classificação.
![Page 31: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/31.jpg)
5. Resultados e discussões
31
Percentual da diferença daimplementação da GPU-NB e daimplementação do Naive Bayes na CPU.
Diferença Não significativa.
Diferença significativa.
![Page 32: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/32.jpg)
5. Resultados e discussões
• Avaliação de desempenho:
– Speedup: Tempo de processamento.
– Eficiência: Quantidade processadores necessários para
obtê-la.
– Desempenho: O “quanto” os processadores são
utilizados.
32
𝑆𝑝𝑒𝑒𝑑𝑢𝑝 =𝑡𝑒𝑚𝑝𝑜 (1 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑎𝑑𝑜𝑟)
𝑡𝑒𝑚𝑝𝑜 (𝑁 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑎𝑑𝑜𝑟𝑒𝑠)
𝐸 =𝑆𝑝𝑒𝑒𝑑𝑢𝑝
𝑁º 𝑑𝑒 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑎𝑑𝑜𝑟𝑒𝑠
𝐷𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝐸𝑓𝑖𝑐𝑖ê𝑛𝑐𝑖𝑎 𝑥 100%
![Page 33: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/33.jpg)
5. Resultados e discussões
• Execução da CPU:
– Mediu-se o tempo médio das execuções para:
• 1 núcleo (sequencial).
• 2 núcleos.
• 4 núcleos.
• 8 threads independentes.
33
– devido a configuração da CPU.
– devido a CPU suportar (Hyper
Threading).
![Page 34: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/34.jpg)
5. Resultados e discussões
• O nº de classe é o fator mais importante que afeta a
aceleração de GPU-NB.
– A GPU-NB emprega um paralelismo de threads a nível de
expressão. Quanto maior o número de classes, maior será
o número de operações aritméticas executadas por cada
segmento por acesso à memória.
34Figura . Variação explicada por fatores no desempenho do sistema .
![Page 35: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/35.jpg)
5. Resultados e discussões
35
Figura 4. Speedup das implementações paralelas de várias coleções.
O speedup obtido com a implementação GPU-NB foi, estatisticamente, maior com 95% de confiança, que os speedups de todas as implementações paralelas.
As coleções ACM e 20nb,com 11 e 20 classes,respectivamente, atingemos maiores speedups.
![Page 36: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/36.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
36
![Page 37: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/37.jpg)
6. Conclusões
• Foi proposta a GPU-NB, implementação paralela do
algoritmo Naive Bayes amplamente utilizado para a
Classificação Automática de Documentos - ADC.
– Explorou-se uma estrutura de dados compacta para
indexar os documentos objetivando minimizar o consumo
de memória.
• Os experimentos focaram-se na comparação da CPU e
da GPU. Aferiu-se a eficiência (aceleração), bem como a
eficácia (a qualidade das classificações).
• Apesar de pequenas perdas na eficácia da classificação
(abaixo de 10%) para algumas coleções, pode-se dizer
que a proposta é equivalente à implementação CPU.
37
![Page 38: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/38.jpg)
6. Conclusões
• O Naive Bayes, quando implementado para GPU, é 11x
mais rápido.
– Comparando os resultados do speedup da biblioteca
20ng, a execução para 4 núcleos atinge um máximo de
3,2x, porém quando aplicou-se a GPU-NB, observa-se
um aumento do speedup de até 34,9x, significando que a
proposta do algoritmo leva à uma redução significativa
no tempo de processamento do Naive Bayes.
• Caso mantenha-se um comportamento linear da
paralelização em CPU, o GPU-NB continuaria a ser
mais rápido para CPUs de até 32 núcleos.
38
![Page 39: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/39.jpg)
Agenda
1. Introdução
2. Problema
3. Como o problema é tratado?
4. Abordagem proposta
5. Resultados e discursões
6. Conclusão
39
![Page 40: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/40.jpg)
Análise Crítica
• Foi explorado as características do método Naive Bayes
para realizar tarefas independentes, empregando o
paradigma do paralelismo, porém para o domínio
considerado, os resultados foram satisfatórios.
– Será que, se fosse aplicado à outros domínios (ex.: em
outras coleções), os resultados se manteriam
satisfatórios?
• Poderia ser explorado técnicas de seleção de recursos, a
fim de manter apenas as características mais
discriminativas do GPU-NB, reduzindo assim, os efeitos
negativos do algoritmo seriam reduzidos.
40
![Page 41: Defesa de Artigo: "GPU-NB: A Fast CUDA -based Implementation of Naive Bayes"](https://reader033.fdocuments.in/reader033/viewer/2022060118/558b8a37d8b42a345c8b45a7/html5/thumbnails/41.jpg)
Apresentação de Artigo
GPU-NB: A Fast CUDA-based
Implementation of Naive Bayes
Universidade Federal do ParáInstituto de Tecnologia
Programa de Pós-Graduação em Engenharia Elétrica
Equipe:Aline LimaAndrew EdbergRodrigo Lisbôa
Professor:Dr. Ádamo Santana
Disciplina:Inteligência Computacional