Research of Fedora Status for Machine Learning

Dominik Tuchyňa

Bachelor's thesis

Anotácia:

Témou bakalárskej práce bolo identifikovať, či je distribúcia Fedora preferovaná v oblasti vývoja strojového učenia a taktiež vytvoriť nápomocný obsah pre začínajúcich programátorov v tomto novom, progresívne sa vyvíjajúcom obore. Okrem toho bola časť práce orientovaná na vyriešenie problému závislostí balíčkovania modulov SRPM s použitím systému založeného na strojovom učení, ktorý odporúča chýbajúce závislosti. Tento model má dve rozdielne verzie, prvá využíva princíp asociačnej analýzy s použitím algoritmov Apriori a FP-Growth, druhá je založená na takzvaných "embedding" vrstvách z neurónových sietí, čo je v podstate implementácia modelu Word2Vec z knižnice s názvom Gensim. Cieľový a použitý programovací jazyk je Python.

Abstract:

The topic of this thesis was to find out whether the Fedora distribution attracts machine learning developers and also to create a guideline content for newcomers in this new, progressively developed field. In addition, part of the thesis research was also focused on solving the SRPM packaging dependency issue by using recommendation system based on machine learning algorithm. The model has two different variations, one is using the association rule learning algorithms Apriori and FP-Growth, and the other is based on neural network embedding layers approach, which is actually a Word2Vec model implementation from library Gensim. Targeted programming language was Python.

Keywords

python, machine learning, association rule learning, data mining, word2vec, neural network embeddings, embedding layers, gensim, rpm, srpm, jupyter, apriori, fp-growth, gpu acceleration, fedora, ubuntu, cuda, opencl

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 27. 5. 2019

Obhajoba závěrečné práce

• Obhajoba proběhla 26. 6. 2019
• Vedúci: RNDr. Adam Rambousek, Ph.D.
• Oponent: Mgr. Marek Grác, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / odbor:
Applied Informatics / Applied Informatics