摘  要： 使用Intel Parallel Amplifier高性能工具，针对模糊C均值聚类算法在多核平台的性能问题，找出串行程序的热点和并发性，提出并行化设计方案。基于Intel并行库TBB（线程构建模块）和OpenMP运行时库函数，对多核平台下的串行程序进行循环并行化和任务分配的并行化设计。 　　并行性主要是指同时性或并发性，并行处理是指对一种相对于串行处理的处理方式，它着重开发计算过程中存在的并发事件。并行性通常划分为作业级、任务级、例行程序或子程序级、循环和迭代级以及语句和指令级。作业级的层次高，并行处理粒度粗。粗粒度开并行性开发主要采用MIMD方式，而细粒度并行性开发则主要采用SI

SVM算法在统计分类以及回归分析中得到了广泛的应用。而随着物联网的迅速发展，SVM算法在各种应用中往往需要解决大量数据的快速处理问题。在SVM算法并行化研究中，首先对SVM算法进行分析研究，提出了基于CUDA的SVM算法并行化方案；其次，进一步研究海量数据的处理，提出海量数据处理的并行化方案；最后，通过实验分析对比了并行化算法的性能。

基于MapReduce的Apriori算法并行化改进，包含改进思路与代码实现。该文档提供了详细的设计思路和方法，具有一定的借鉴意义，互相学习，互相进步！

为了提高k-nearest neighbor algorith m(KNN)算法处理大数据集的能力,本文利用Ma pReduce并行编程模型,同时结合KNN算法自身的特点,给出了KNN算法在Hadoop平台下的并行化实现。通过设计Ma p、Co mbine和Reduce 3个函数,实现了KNN算法的并行化。Ma p函数完成每个测试样本与训练样本之间的相似度计算,Co mbine函数作为一个本地的Reduce操作,用以减少中间计算量及通信开销,Reduce函数则根据上述函数得到的中间结果计算出k近邻并作出分

高斯-赛德尔迭代法的并行化 由PDE离散产生的稀疏线性方程组 (1)Laplace方程

使用Dask和PyTorch课程进行并行化和分布式计算 数据科学为商业，学术界和其他部门带来不可否认的价值。 随着我们开始意识到这一点，企业和组织已经在收集和存储比以往任何时候都更多的数据。 因此，数据科学从业者所面临的挑战不是复杂的机器学习方法，而是我们处理大量数据的能力。 将并行化和分布式计算应用于机器学习用例（例如计算机视觉任务）可以提高速度和生产率，从而使我们能够充分利用海量数据和复杂方法。 利用分布式计算并将标准Python转换为优化的并行代码可能是具有挑战性的。 学完本课程后，学生将掌握使用分布式计算和并行化以扩大其机器学习所需的基础知识。 本课程将包括一个案例研究示例，演示使用PyTorch进行图像分类的这些策略，PyTorch是可以受益于并行化的多种机器学习方法之一。 学习目标 学完本课程后，学生将能够： 描述什么是分布式计算，并了解如何访问云中的机器集群并与之交互 解

国际金融服务中心 基于并行化互信息的特征选择模块。 相关博客文章 依赖关系 scipy(>=0.17.0) numpy(>=1.10.4) scikit-learn(>=0.17.1) 瓶颈（>=1.1.0） 如何使用 像使用任何其他 scikit-learn 方法一样下载、导入和执行以下操作： fit(X, y) transform(X) fit_transform(X, y) 描述 MIFS 代表基于互信息的特征选择。 此类包含使用连续和离散 y 变量选择特征的例程。 实现了三种选择算法：JMI、JMIM 和 MRMR。 此实现尝试模仿 scikit-learn 接口，因此使用 fit、transform 或 fit_transform 来运行特征选择。 有关示例和用法，请参阅 examples/example.py。 文档 参数 方法：字符串，默认 = 'JMI'：

基于Spark的主成分分析和因子分析并行化的研究与实现.zip

面向循环并行化的软件重构方法之计算机研究与实现.docx

该计划是与洛桑 EPFL 的 LCSB 和 BIOp 合作开发的。 它专用于具有明场图片和 GFP 表达细胞图片的微Kong实验。 它使用井检测部分，然后使用分水岭的分割部分和使用匈牙利方法分配问题的跟踪部分。 该程序专用于实验，但用户可能有兴趣将代码的某些部分用于他们自己的程序。