Отчёт по практике: Разработка и исследование метода кластеризации данных с использованием глубоких нейросетей

Постановка задачи
1. Провести обзор алгоритмов кластеризации данных и методов их распараллеливания.
2. Разработка параллельного алгоритма DBSCAN.
3. Разработка метода кдастеризации с использованием глубоких нейросетей и алгоритма DBSCAN.
4. Анализ эффективности разработанных алгоритмов.

Введение в алгоритм DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) — это репрезентативный алгоритм кластеризации на основе плотности. В отличие от методов разбиения и иерархической кластеризации, он определяет кластер как наибольшее множество плотно связанных точек, может разделять области с достаточно высокой плотностью на кластеры и может находить кластеры произвольной формы в зашумленных пространственных базах данных.

Преимущество DBSCAN в том, что по сравнению с методом K-средних, DBSCAN не нужно заранее знать количество формируемых кластеров, DBSCAN может находить кластеры любой формы, и в то же время DBSCAN может идентифицировать шумовые точки. DBSCAN не чувствителен к порядку образцов в базе данных, то есть порядок ввода Pattern мало влияет на результаты. Однако для выборок на границе кластеров атрибуция может колебаться в зависимости от того, какой кластер обнаружен первым.

Реализовать гибридную версию CUDA MPI.

В версии CUDA я разделил на два этапа, а именно построение графа и BFS, однако этот рабочий процесс не подходит для MPI, поскольку оба этапа не являются нечувствительными к вычислениям, а затраты на связь будут завышены. Следовательно, мы