Machine learning pipelines in serverless environments
| dc.contributor.advisor | Κυριαζής, Δημοσθένης | |
| dc.contributor.advisor | Kyriazis, Dimosthenis | |
| dc.contributor.author | Παρασκευουλάκου, Ευτέρπη | |
| dc.contributor.author | Paraskevoulakou, Efterpi | |
| dc.date.accessioned | 2020-07-15T07:22:27Z | |
| dc.date.available | 2020-07-15T07:22:27Z | |
| dc.date.issued | 2020-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12818 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/241 | |
| dc.description.abstract | H συγγραφή της παρούσας διπλωματικής εργασίας πραγματεύεται τη μελέτη, ανάπτυξη, και υλοποίηση σύνθετων υπηρεσιών Μηχανικής Μάθησης σε Serverless περιβάλλοντα. Οι Serverless αρχιτεκτονικές με τη προώθηση του μοντέλου Function as a Service -FaaS- έχουν υιοθετηθεί και χρησιμοποιούνται εκτεταμένα από θεμελιώδεις Cloud Provider Companies όπως Amazon, Microsoft, IBM, Digital Ocean γνωρίζοντας τη μαζική αποδοχή των χρηστών εξαιτίας της προσφοράς σημαντικών πλεονεκτημάτων όπως η πλήρης απεξάρτηση του χρήστη από τη διαχείριση συστημάτων, κλιμακωσιμότητα σε υποδομή, και πληρωμή υπηρεσιών αποκλειστικά κατά για τη χρήση των εφαρμογών άνευ απαίτησης για πλήρη μίσθωση υπολογιστικών πόρων σε υπηρεσίες νέφους. Η υλοποίηση της εργασίας συνδυάζει το Serverless μοντέλο μαζί με τεχνικές και μεθόδους της επιστήμης των δεδομένων και πρακτική εφαρμογή αλγορίθμων μηχανικής μάθησης (πλέον βαθείας μηχανικής μάθησης) -με έμφαση στην επιλογή τεχνητών νευρωνικών δικτύων- εκθέτοντας μια ολοκληρωμένη custom-made workflow αλυσίδα από functions - με την υποστήριξη της open-source κατανεμημένης event-driven Serverless πλατφόρμας “Apache OpenWhisk”- προς επίλυση ενός προβλήματος κατηγοριοποίησης. | el |
| dc.format.extent | 114 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Machine learning pipelines in serverless environments | el |
| dc.title.alternative | Ανάπτυξη σύνθετων υπηρεσιών μηχανικής μάθησης σε περιβάλλοντα serverless | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The fast-growing rate of data has created many challenges, and manifold frameworks and approaches are made available towards facilitating analysis of the heterogeneous datasets to extract useful information, discover trends and insights in various domains. While data scientists employ algorithms to facilitate the actual transformation of datasets into valuable information, a key challenge refers to raising the level of abstraction from the underlying layers: the provision of frameworks and components as services and the provision of infrastructure resources. In this context, emerging cloud-related technologies focus on the serverless approach, which enables the deployment of applications and services. Serverless brings to light the concept of Function as a Service (FaaS), as a novel paradigm that provides the means to realize serverless offerings. The developers are able to develop their applications as Nanoservices with the required scalability without dealing with the deployment and management of the infrastructure resources. This thesis presents an approach for facilitating the provision of Machine Learning (ML) Functions as a Service (i.e., ML-FaaS). The proposed approach goes beyond atomic services to composite services, i.e., workflows of ML tasks, thus enables the realization of the complete data path functions performed by data scientists, including for example aggregation, cleaning, feature extraction, and analytics. We also demonstrate the operation of the aforementioned approach and evaluate its performance and effectiveness exploiting an anti-fraud detection machine learning pipeline. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Artificial intelligence | el |
| dc.subject.keyword | Serverless | el |
| dc.subject.keyword | Function as a Service | el |
| dc.subject.keyword | Containers | el |
| dc.date.defense | 2020-02-20 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές