Plataforma integrada de alto desempenho para mineração visual de grandes volumes de dados de alta dimensionalidade

• Processo: 13/22902-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2014
• Data de Término da vigência: 31 de janeiro de 2015
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Almir Olivette Artero
• Beneficiário: Ricardo Sussumu Ywata
• Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
• Assunto(s): Programação paralela Mineração de dados Plataforma (computação) Visualização de informação Análise de variância
• Palavra(s)-Chave do Pesquisador: Minearação Visual de Dados | Placa Aceleradora Gráfica | Programação paralela | Visualização de Informações | Processamento Gráfico

Resumo

Este projeto propõe a construção de uma plataforma de mineração visual de dados de alto desempenho que contemple as principais técnicas envolvidas no processo de exploração visual de dados, de modo a evitar a necessidade de se usar diversas ferramentas, como ocorre normalmente. Além disso, como geralmente o processamento ocorre em bases de dados com uma grande quantidade de registros e de dimensões elevadas, será investigado como estas técnicas podem ser implementadas de modo a usarem ao máximo, recursos de programação paralela, através da plataforma CUDA (Compute Unified Device Architecture). A primeira etapa do trabalho consiste em estudar mais profundamente as técnicas de seleção e ordenação de atributos (SBAA, SBAR e Análise de Variância) e técnicas de visualização de informações (Coordenadas Paralelas e Viz3D) para que sejam implementadas utilizando ao máximo a paralelização do código na plataforma CUDA. Em seguida, as técnicas serão implementadas e testadas com conjuntos de dados com grandes quantidades de registros e realizados os experimentos objetivando avaliar os ganhos obtidos com a distribuição do processamento entre os núcleos da GPU.