摘要
符号列表
第1章绪言
1．1针对流式大数据的实时机器学习
1．2历史阶段与发展趋势
1．3．1在线最优化问题
1．3．2分布式流数据处理中的资源配置与调度问题
1．3．3实时机器学习在推荐引擎上的应用问题
1．4研究现状概述
1．4．1 在线最优化求解研究现状
1．4．2流处理资源组合优化研究现状
1．4．3基于流数据与深度学习的推荐系统研究现状
1．5研究思路与本文贡献
1．6论文组织
第2章分布式机器学习与流数据处理
2．2．2并行模式
2．2．3单机优化
2．2．4通信机制
2．2．5数据(模型)聚合
2．3实时流数据及其分布式处理
2．3．1数据流及其模型
2．3．2数据流处理架构
2．3．3数据流处理模式、引擎和工具
2．4本章小结
3．1 引言
3．2计算资源配置与调度
3．3．1分布式流处理资源调度建模
3．3．2时延估计模型
3．3．3优化目标
3．4．1资源效用机制设计
3．4．2基于效用函数的复杂约束标量化方法
3．4．3资源最优配置算法
3．5实验评估
3．5．1 基于Apache storm的执行模型
3．5．2实验设置
3．5．3实验用例
3．5．4效用函数设置
3．5．5资源最优配置算法实验结果及其分析
3．5．6超参数敏感度分析
3．5．7资源弹性调度实验结果及其分析
3．6本章小结
第4章资源感知的实时机器学习
4．1 引言
4．1．1资源配置影响机器学习
4．1．2机器学习指导资源配置
4．2机器学习中异构数据源的资源配置
4．2．1 资源感知的超参数估计
4．2．2计算成本和机器学习模型性能的权衡
4．3 自动化弹性资源调度中的随机过程
4．3．1 马尔可夫效用模型
4．3．2基于马尔可夫决策过程的动态优化
4．4 自动化弹性资源调度算法
4．5实验评估
4．5．1 资源配置对学习效果的影响
4．5．2机器学习方法用于弹性资源调度的效果
4．6本章小结
第5章基于数据流分析的深度贝叶斯推荐引擎
5．1 引言
5．2深度推荐技术讨论
5．3．1用户／项目交互
5．3．2推荐系统中的概念漂移
5．4实时深度贝叶斯推荐网络
5．4．1平均场近似
5．4．2实时深度变分推断网络
5．4．3交互事件(评分)预测网络
5．5变分GRU二阶优化
5．5．1 证据下界ELBO
5．5．2高斯分布下的梯度估计
5．5．3 变分GRU的费雪信息矩阵
5．5．4 变分GRU自然梯度下降
5．5．5 基于K-FAC的变分GRU二阶优化
5．6．1基准数据
5．6．2基线算法
5．6．3实验结果及其分析
第6章总结与展望
6．1工作总结
6．2研究展望
6．2．1 高度分布式架构：SDN、边缘计算与联邦学习
6．2．2强化学习
6．2．3 深度脉冲神经网络SNN
6．2．4实时机器学习算法和硬件的协同设计
参考文献
作者简历及攻读学位期间的学术研究成果
致谢
声明
广东工业大学;
