Імплементація моделей автономних обчислень на основі фреймворку з децентралізованою архітектурою

Abstract

Кваліфікаційна робота присвячена імплементація моделей автономних обчислень на основі фреймворку з децентралізованою архітектурою. Виконано дослідження моделей, методів та алгоритмів систем з децентралізованою архітектурою і процесів автономних обчислень. Отримання глибшого розуміння та порівняння різних моделей і їх застосування при розробці фреймворку автономних обчислень. Вивчення переваг, обмежень, ефективності та відмінностей між різними підходами до побудови децентралізованих систем. Розробка висновків та рекомендацій, які можуть бути використані для вибору оптимального підходу до конкретних завдань машинного навчання та систем автономних обчислень. В результаті досліджень було виявлено, що вибір алгоритму впливає на якість та швидкість навчання моделі, а алгоритми, які використовують градієнтний спуск, можуть бути ефективними при розробці систем автономних обчислень для фреймворків з децентралізованою архітектурою під час обробки великих обсягів даних. The qualification work is devoted to the implementation of autonomous computing models based on a framework with a decentralized architecture. The study of models, methods and algorithms of systems with a decentralized architecture and autonomous computing processes was carried out. Gaining a deeper understanding and comparison of different models and their application in the development of an autonomous computing framework. Exploring the benefits, limitations, effectiveness, and differences between effective approaches to building ecentralized systems. Development of conclusions and recommendations that can be used to choose the optimal approach to specific tasks of machine learning and autonomous computing systems. In the results of the study, it was found that the choice of algorithm affects the quality and speed of model learning, and algorithms that choose gradient descent can be effective in developing an autonomous computing system for frameworks with a decentralized architecture when processing large amounts of data.