BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20220719T124149Z
LAST-MODIFIED:20220719T124149Z
DTSTAMP:20260418T063149Z
UID:1776483109@tuc.gr
SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ.
  Κονιδάρη Βησσαρίωνα-Μπέρτχολντ - Σχ
 ολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=5695&cHash=5f
 98330c0261d5fb4eebe7dc2aca7af6\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Μεταπτυχιακών Σπουδών\n 
 ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n 
 ΒΗΣΣΑΡΙΩΝ ΜΠΕΡΤΧΟΛΤ ΚΟΝΙΔΑΡΗ\n με θέ
 μα\n Μεγάλης κλίμακας συνεχής Μηχανι
 κή Μάθηση σε πλατφόρμες επεξεργασίας
  ροών δεδομένων\n Extreme-Scale Onli
 ne Machine Learning on Stream Proces
 sing Platforms\n  \n Εξεταστική Επιτ
 ροπή\n Αναπληρωτής Καθηγητής Βασίλει
 ος Σαμολαδάς (επιβλέπων)\n Καθηγητής
  Μίνως Γαροφαλάκης\n Καθηγητής Μιχαή
 λ Λαγουδάκης\n \nΠερίληψη\n Οι αλγόρ
 ιθμοι συνεχούς μηχανικής μάθησης υπο
 στηρίζουν την δυνατότητα εκπαίδευσης
  πάνω σε συνεχόμενες και απεριόριστε
 ς ροές δεδομένων, ενώ ταυτόχρονα είν
 αι ικανοί να παρέχουν προβλέψεις σε 
 επιπλέον ροές δεδομένων χωρίς ετικέτ
 ες. Η αύξηση του όγκου και της πολυπ
 λοκότητας των ψηφιακών δεδομένων που
  παράγεται καθημερινώς είναι εκρηκτι
 κή. Με τη παραγωγή τους να είναι κατ
 ανεμημένη, αδιάλειπτη και πρωτίστως 
 μη στατική, οι αλγόριθμοι συνεχούς μ
 ηχανικής μάθησης αποτελούν πια ουσιώ
 δεις και αναγκαίες τεχνικές για τις 
 σύγχρονες εφαρμογές παροχής αναλύσεω
 ν και προβλέψεων. Παρακινούμενοι από
  την χαμηλή υποστήριξη δημοφιλών προ
 γραμματιστικών εργαλείων σε θέματα σ
 υνεχούς μηχανικής μάθησης, υλοποιήσα
 με το εργαλείο Online Machine Learni
 ng and Data Mining (OMLDM), ένα εργα
 λείο σύγχρονης τεχνολογίας ικανό να 
 αναπτύξει κατανεμημένους αλγορίθμους
  συνεχούς μηχανικής μάθησης σε πλατφ
 όρμες επεξεργασίας ροών δεδομένων. Γ
 ια λόγους υψηλής απόδοσης, η υλοποίη
 σή μας έγινε πάνω σε μοντέρνα συστήμ
 ατα ανάλυσης μεγάλων δεδομένων όπως 
 Apache Flink και Apache Kafka, χρησι
 μοποιώντας την αρχιτεκτονική του δια
 κομιστή παραμέτρων, ή αλλιώς το μοντ
 έλο παραλληλισμού δεδομένων. Παρατηρ
 ήσαμε πως η δικτυακή επικοινωνία για
  τον συγχρονισμό παράλληλων μοντέλων
  αποτελεί το μεγαλύτερο εμπόδιο για 
 την αύξηση του παραλληλισμού των εν 
 λόγο συστημάτων. Για αυτό το λόγο, υ
 λοποιήσαμε στο εργαλείο OMLDM μια πλ
 ηθώρα από μοντέρνες τεχνικές συγχρον
 ισμού κατανεμημένων μοντέλων. Επιπρο
 σθέτως, παρουσιάζουμε μέσω του εργαλ
 είου μια καινούργια τεχνική συγχρονι
 σμού, την Functional Dynamic Averagi
 ng (FDA), για την οποία αποδεικνύουμ
 ε πειραματικά ότι ελαχιστοποιεί την 
 επικοινωνία μεταξύ κατανεμημένων μον
 τέλων διατηρώντας υψηλή απόδοση προβ
 λέψεων.\n \nAbstract\n Online Machin
 e Learning (OML) techniques support 
 training over continuous unbounded t
 raining items while simultaneously p
 roviding predictions on the same or 
 another unlabeled stream. The explos
 ion in the amount and complexity of 
 digital information generated online
  is gradually rendering OML techniqu
 es essential for modern analytics an
 d forecasting applications due to th
 eir ability to handle massive, unbou
 nded, and most importantly, inherent
 ly not-static data. Having noted tha
 t support for popular Machine Learni
 ng (ML) toolchains is somewhat weak 
 for the OML setting, we have designe
 d the Online Machine Learning and Da
 ta Mining (OMLDM) component, a state
 -of-the-art engine for effortlessly 
 deploying OML pipelines on streaming
  platforms. Our prototype, built on 
 Apache Flink, validates our architec
 ture, and identifies issues that cur
 rent streaming platforms should impr
 ove on to support OML. To achieve hi
 gh performance, OMLDM supports distr
 ibuted online learning by utilizing 
 the Parameter Server paradigm. We ha
 ve identified the communication cost
  of synchronizing distributed learne
 rs as the major impediment to scalab
 ility. To overcome this obstacle, ou
 r proposed engine supports several p
 opular model synchronization strateg
 ies. In addition, we bring forward a
 nd evaluate a novel synchronization 
 strategy, Functional Dynamic Averagi
 ng (FDA), that minimizes the predict
 ion loss and network communication a
 ll at once. We demonstrate through e
 xperiments that FDA is superior to c
 urrent model synchronization strateg
 ies in many settings.\n  \n Meeting 
 ID: 947 4702 6504\nPassword: 186020\
 n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20220721T093000
DTEND:20220721T103000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR